Introdução: O Dilema da Complexidade na Era da IA
Líderes de tecnologia e profissionais de negócios enfrentam atualmente o mesmo dilema: como ir além dos chatbots superficiais e construir sistemas nos quais humanos e agentes digitais realmente colaborem no fluxo de trabalho diário? A resposta para essa provocação começou a se consolidar no início de janeiro de 2025 com a emergência do conceito de “Empresa Agêntica” (agentic enterprise).
A empresa agêntica descreve uma mudança fundamental na forma como o trabalho é executado nas organizações. Nela, agentes de IA lidam continuamente com a complexidade operacional em escala, assumindo tarefas rotineiras com autonomia, enquanto os profissionais humanos dedicam seu tempo precioso ao tratamento de exceções, tomadas de decisão estratégicas e ao fortalecimento do relacionamento com o cliente.
No entanto, alcançar essa maturidade exige compreender que a transformação impulsionada pela IA não acontece por meio da compra de um produto isolado ou de uma ferramenta mágica. Trata-se da construção e orquestração de uma pilha agêntica integrada (cohesive agentic stack), capaz de unir integração de dados, governança rígida, contexto semântico e coordenação operacional em tempo real.
1. Insight #1: O Trabalho Mudou — Bem-Vindo à “Empresa Agêntica” de 12 Camadas
Os sistemas corporativos tradicionais foram projetados para que humanos clicassem, visualizassem informações e movessem processos manualmente. A virada conceitual da empresa agêntica inverte essa lógica: os sistemas modernos são desenhados para que agentes operem continuamente com autonomia, passando o bastão para os colaboradores apenas em pontos de exceção ou julgamento humano. Com isso, a infraestrutura tecnológica precisa servir simultaneamente a dois tipos de usuários de primeira classe: humanos e agentes.
Para que essa cooperação funcione sem ruídos ou pontos céticos, uma empresa agêntica requer 12 camadas funcionais separadas, porém totalmente interconectadas:
- System of Record (Sistema de Registro): Armazena a verdade operacional autoritativa (ex.: o CRM).
- System of Reference (Sistema de Referência): Proporciona uma visão consolidada e confiável agregada de múltiplos sistemas.
- System of Context (Sistema de Contexto): Explica o significado dos dados por meio de metadados, vetores e modelos semânticos.
- System of Insight (Sistema de Insight): Revela padrões, previsões estatísticas e recomendações de melhores ações.
- System of Work (Sistema de Trabalho): Onde os fluxos operacionais e tarefas de negócio são efetivamente executados.
- System of Engagement (Sistema de Engajamento): Interfaces onde humanos e agentes interagem diretamente com os processos.
- System of Collaboration (Sistema de Colaboração): Espaço de trabalho coletivo centrado na cultura e alinhamento humano.
- System of Agency (Sistema de Agência): Camada na qual agentes autônomos raciocinam, escolhem ferramentas e agem.
- System of Orchestration (Sistema de Orquestração): Coordenação centralizada do trabalho conjunto entre múltiplos agentes.
- System of Integration (Sistema de Integração): Conexão robusta de APIs, serviços e fontes de dados legadas ou em nuvem.
- System of Control (Sistema de Controle): Aplicação de políticas unificadas de segurança, auditoria, confiança e conformidade.
- System of Coordination (Sistema de Coordenação): Sincronização estruturada de dependências e exceções entre humanos e agentes no ecossistema.
No ecossistema Salesforce, essa arquitetura ganha vida através de uma fórmula operacional fundamental: C360 + D360 + Agentforce + MuleSoft + Slack.
“Ela conecta Data Cloud, raciocínio, agentes, orquestração e governança em uma base clara para a construção de sistemas inteligentes que não são apenas capazes, mas centrados no ser humano.” — Scott Stafford, Estrategista de IA Empresarial
2. Insight #2: Esqueça o “Registro de Ouro” — A IA Precisa de um Sistema de Contexto Dinâmico
Durante décadas, a gestão de dados mestres (MDM – Master Data Management) buscou a criação do chamado “Registro de Ouro” (Golden Record) — uma linha de dados única, estática e purificada para representar o cliente. No entanto, quando aplicamos essa abordagem simplificada a modelos de inteligência artificial, a IA frequentemente falha. O motivo? A IA precisa de contexto comportamental e transacional em tempo real, algo que um registro estático destrói ao aplicar regras rígidas de sobrevivência de dados que descartam históricos divergentes.
É aqui que entra o Data 360 (D360), atuando não apenas como um System of Reference, mas principalmente como um System of Context. Enquanto o MDM tradicional força um valor único “vencedor” e apaga a linhagem de origem, o Perfil Unificado do D360 mantém múltiplos valores encadeados às suas fontes originais. Isso permite que agentes de IA e humanos acessem preferências, históricos e contextos específicos sem criar novos pontos cegos de dados.
A tabela abaixo contrasta as diferenças fundamentais entre essas duas abordagens arquiteturais:
| Característica | Perfil Unificado (D360) | Registro de Ouro (MDM) |
| Propósito | Criar uma visão da pessoa vinculada aos dados de origem | Criar uma linha autoritativa como fonte da verdade única |
| Caso de Uso Principal | Segmentação, ativação em tempo real e contexto para IA | Qualidade de dados empresariais e governança operacional |
| Linhagem Visível | Sim (mantém rastreabilidade com os sistemas de origem) | Abstraída (consolida e descarta históricos divergentes) |
| Valores Mutáveis | Sim — altera-se dinamicamente com novos dados ou regras | Não — projetado para ser permanente e estático |
| Tratamento de Conflitos | Mantém múltiplos valores para selecionar o melhor no contexto | Força um valor “vencedor” via regras de sobrevivência |
3. Insight #3: LLMs Não Fazem Milagres Sozinhos — A Tríade Essencial da IA Empresarial
Existe um mito no mercado de que instalar um Modelo de Linguagem de Grande Porte (LLM) resolverá todos os problemas de tomada de decisão em uma empresa. Na prática, sistemas agênticos robustos dependem da colaboração equilibrada de três tecnologias de IA:
- NLP (Processamento de Linguagem Natural): Utilizado para detectar a intenção do usuário, analisar sentimentos e extrair entidades críticas das conversas.
- LLMs (Modelos de Linguagem): Responsáveis pelo raciocínio, planejamento de sequências de ação, síntese de contexto e geração de linguagem natural adaptada ao tom corporativo.
- ML (Machine Learning Tradicional): Alimenta previsões numéricas estatísticas, pontuações de risco, modelos de propensão, ranqueamento e personalização.
Para suportar essa tríade com dados unificados, a Salesforce introduziu o AI Model Builder em 2023. Em abril de 2026, a marca Einstein Studio no D360 foi oficialmente renomeada para AI Models, ambiente sob o qual o AI Model Builder reside para a criação de modelos preditivos customizados do zero, substituindo soluções legadas como o Einstein Prediction Builder.
O AI Model Builder permite criar e treinar modelos preditivos diretamente sobre os Objetos de Modelo de Dados (DMOs) do D360, suportando três algoritmos principais:
- Regressão Linear: Preve valores numéricos contínuos, como o tempo de fechamento de uma oportunidade ou a receita estimada.
- Classificação Binária: Categoriza resultados em duas opções distintas (ex.: probabilidade de churn sim/não ou oportunidade ganha/perdida).
- Classificação Multiclasse: Capacidade adicionada ao AI Model Builder em maio de 2026, permitindo classificar dados em até 50 categorias distintas — uma funcionalidade essencial para tarefas de alta frequência no Service Cloud, como a triagem e categorização automática de casos.
Os resultados gerados por esses modelos fornecem insights diagnósticos, preditivos e prescritivos. Ao identificar variáveis acionáveis (como a percentagem de desconto aplicada), o sistema gera prescrições que sugerem intervenções diretas para alterar o resultado futuro, alimentando tanto colaboradores quanto agentes autônomos.
4. Insight #4: O Slack Tornou-se a “Porta de Entrada” da Colaboração entre Humanos e Agentes
O Slack deixou de ser apenas uma ferramenta de bate-papo em equipe para se consolidar como o verdadeiro hub de engajamento (front door) da empresa agêntica. A razão é simples: a colaboração entre humanos e agentes funciona de maneira infinitamente mais natural dentro de um espaço de trabalho conversacional fluido do que em painéis isolados de CRM ou relatórios estáticos de BI.
“O Slack é frequentemente chamado de porta de entrada para a empresa agêntica porque é o principal local onde os humanos colaboram e direcionam os agentes de IA, em vez de se engajarem com eles separadamente.”
O ecossistema trouxe inovações arquiteturais cruciais para viabilizar essa dinâmica de trabalho unificada:
- Slack Code channels (agosto de 2026): Espaços temporários criados automaticamente para a resolução de tarefas operacionais ou técnicas complexas. Assim que o objetivo é concluído, o canal é arquivado, mantendo o histórico totalmente auditável e pesquisável.
- Agentes Compartilhados de Equipe (ex.: Claude Tag, agosto de 2026): Permitem que uma equipe inteira utilize um conjunto comum de ferramentas e agentes governados em nível empresarial, sem a necessidade de cada usuário configurar conexões e credenciais individuais.
- Slackbot como Interface de Coordenação (junho de 2026): Com a integração nativa do cliente MCP (Model Context Protocol), o Slackbot assumiu o papel de interface de coordenação no frontend, permitindo ao usuário orquestrar agentes do Agentforce e sistemas externos diretamente do fluxo da conversa.
5. Insight #5: Grounding Dinâmico e RAG — Como Transformar Documentos Mortos em Ações Inteligentes
Ajustar um LLM via ajuste fino (fine-tuning) significa treinar o modelo com dados estáticos que rapidamente ficam desatualizados. Para operar no ritmo mutável dos negócios, a empresa agêntica utiliza o Grounding Dinâmico (Dynamic Grounding) por meio de RAG Baseado em Vetores (Vector-based RAG).
Essa abordagem conecta o LLM diretamente às fontes de dados estruturadas e não estruturadas mais recentes da empresa. O fluxo operacional de recuperação e geração ocorre através dos seguintes estágios estruturados:
- Ingestão e Processamento não Estruturado (Chunking & Vetorização): Documentos não estruturados (PDFs, guias operacionais, manuais de RH e artigos do Salesforce Knowledge) são fragmentados em passagens menores e convertidos em representações numéricas chamadas vetores.
- Centralização na Agentforce Data Library: Os dados processados alimentam a Agentforce Data Library, que automatiza a criação de mapas de DMOs e gerencia os índices de busca no D360.
- Indexação por Busca Híbrida (Hybrid Search): O sistema utiliza a busca híbrida, combinando a precisão literal da busca por palavras-chave (keyword search) com a compreensão semântica da busca vetorial (vector search). Essa combinação é crítica em ambientes empresariais: termos técnicos, códigos de produtos ou acrônimos específicos exigem a correspondência exata do termo, enquanto a intenção da pergunta exige a pontuação vetorial. A busca híbrida elimina os pontos cegos de buscas exclusivamente vetoriais.
- Execução da Ação Padrão
Answer Questions with Knowledge: Agentes do Agentforce e chatbots aprimorados executam essa ação baseada em modelos de prompt. Em vez de apenas retornar links mortos ou documentos anexos, a IA sintetiza o contexto recuperado e formula uma resposta conversacional precisa, segura e contextualizada.
Conclusão: Preparando sua Organização para a Era Agêntica
A transição para a era agêntica demonstra que o sucesso da IA empresarial não depende de uma contagem superficial de recursos ou da adoção de ferramentas isoladas. O verdadeiro valor surge da construção de uma malha operacional governada, conectada e profundamente centrada em dados contextuais.
Quando a arquitetura une um sistema de contexto confiável (D360), modelos preditivos e prescritivos (AI Model Builder), orquestração autônoma (Agentforce), integração de governança (MuleSoft) e um ambiente conversacional unificado (Slack), a força de trabalho é amplificada de forma sem precedentes.
Sua empresa está construindo apenas atalhos automatizados isolados ou está pronta para orquestrar uma verdadeira força de trabalho unificada entre humanos e agentes inteligentes?