Imagine reduzir o ciclo de descoberta de um medicamento essencial em um ano inteiro. Ou, quem sabe, acelerar o processo de revisão e conformidade regulatória de campanhas de marketing complexas em assombrosos 80%, gerando rascunhos que são 99% precisos logo na primeira tentativa. Esses não são números teóricos projetados para a próxima década; são resultados reais que a gigante farmacêutica Merck está colhendo hoje.
Ao mesmo tempo, no setor financeiro, a Mastercard está transformando fluxos altamente complexos e propensos a atritos, como disputas de cobrança e fraudes, em operações orquestradas por sistemas inteligentes capazes de equilibrar decisões determinísticas e probabilísticas em tempo real.
No entanto, se você perguntar aos líderes dessas companhias qual é o segredo para colocar a chamada IA Agêntica (Agentic AI) para funcionar de verdade, a resposta deles não envolverá o modelo de linguagem mais recente ou o prompt mais criativo. A resposta será direta: o encanamento (plumbing) veio primeiro. Sem uma infraestrutura de dados e plataformas extremamente robusta, escalável e segura, qualquer iniciativa de inteligência artificial de última geração está fadada a se tornar apenas mais um débito técnico oneroso.
O que é IA Agêntica e por que ela exige uma Nova Arquitetura?
Para compreender o posicionamento dessas marcas, é preciso entender a diferença crucial entre a IA generativa tradicional (como um chatbot básico) e a IA Agêntica. Enquanto a primeira responde a comandos diretos de forma passiva, a IA agêntica opera de maneira autônoma para realizar tarefas complexas de ponta a ponta. Ela encadeia decisões, utiliza ferramentas externas, acessa bancos de dados, colabora com outros agentes e avalia o próprio desempenho.
Esse nível de autonomia exige um ecossistema digital perfeitamente integrado. Se os agentes não tiverem as conexões corretas, o contexto exato e os limites de segurança adequados, o resultado será o caos operacional. É por isso que o planejamento da infraestrutura básica — apelidado de "encanamento" pelos executivos — tornou-se o principal fator de diferenciação entre projetos de IA que geram valor real e aqueles que falham no ambiente piloto.
A Estratégia da Merck: Construindo as Fundações desde a Era da Nuvem
O sucesso atual da Merck com agentes de IA não aconteceu por acaso. A estratégia de priorizar a infraestrutura de dados surgiu de lições aprendidas a duras penas durante a migração para a nuvem na década de 2010. Sean Finnerty, Vice-Presidente de Plataformas Digitais da Merck, destaca que, assim como a nuvem exigiu uma reconstrução estrutural completa a partir do zero, a Inteligência Artificial exige o mesmo rigor técnico.
"Se fizermos iniciativas isoladas, terminaremos com milhares e milhares de soluções pontuais que, no fim das contas, serão apenas débitos técnicos com os quais teremos que lidar mais tarde. E isso será um freio para qualquer inovação futura." — Sean Finnerty, VP de Plataformas Digitais da Merck
Hoje, o ecossistema de nuvem da Merck suporta mais de 2.500 contas da AWS, inúmeras assinaturas do Microsoft Azure e novas integrações com o Google Cloud Platform (GCP). Esse mesmo nível de complexidade está se repetindo com os agentes de IA. Para evitar a fragmentação, a equipe de Finnerty foca em responder perguntas estruturais críticas antes de liberar novos agentes no ambiente corporativo:
- Registro e Governança: Como catalogar, identificar e monitorar milhares de agentes ativos ao mesmo tempo?
- Segurança Avançada: Como garantir que os agentes interajam apenas com os dados para os quais têm permissão explícita?
- Entrega de Contexto: Como alimentar os agentes com os dados corretos no momento exato em um ambiente com dezenas de edge locations e petabytes de dados armazenados de forma estruturada e não estruturada?
Do Caos de Dados ao Contexto Unificado
A Merck lida com múltiplos petabytes de informações divididos em bancos de dados Oracle, SQL, planilhas de Excel, transcrições telefônicas e documentos de pesquisa científica espalhados por 47 localidades geográficas (edge locations). Fornecer contexto para a IA nesse cenário é um desafio monumental.
Para resolver isso, a equipe de engenharia está desenvolvendo um arcabouço tecnológico flexível. A proposta não é adotar uma solução única para todos os problemas, mas sim integrar perfeitamente plataformas como Databricks, Amazon Redshift e outras tecnologias especializadas. A meta é criar um fluxo sem fricção, totalmente integrado com o MCP (Model Context Protocol), comunicação A2A (Agent-to-Agent) e processamento computacional upstream, permitindo que as equipes rodem suas cargas de trabalho de IA com segurança em qualquer nuvem de sua preferência.
Como a Merck Colhe Resultados Práticos com Agentes de IA
Graças a esse sólido encanamento de TI, a farmacêutica está executando experimentos altamente bem-sucedidos em três áreas estratégicas principais:
- Aceleração na Descoberta de Medicamentos: Determinar se uma condição clínica é tratável analisando estruturas moleculares complexas costuma levar anos. Com o auxílio de agentes de IA integrados à base científica da empresa, um dos ciclos de descoberta foi reduzido em 33% (cerca de um ano a menos no processo). Isso significa salvar vidas levando terapias ao mercado muito mais rápido.
- Otimização da Conformidade de Marketing: O mercado farmacêutico é altamente regulado. Campanhas publicitárias precisam respeitar legislações específicas que variam por país, estado e município. O processo de revisão humana costumava levar meses, com idas e vindas burocráticas a cada ajuste. Atualmente, os agentes de IA geram rascunhos com 99% de conformidade regulatória logo no primeiro dia. Com a supervisão humana atuando como "governadora" (e não mais executora operacional), o tempo de entrega caiu entre 70% e 80%.
- Modernização de Aplicações Legadas: Os agentes realizam de forma autônoma a descoberta de arquitetura, documentação de APIs, validações de segurança e caminhos de rede. Eles são capazes de converter automaticamente códigos JavaScript antigos para Python e gerar scripts Terraform para deploy rápido, reduzindo custos que antes chegavam a centenas de milhares de dólares por aplicação.
Contornando a "Esquisitice" dos Modelos: O Filtro de Alucinações
Nem tudo são flores na jornada de inovação. Finnerty revelou que a equipe enfrentou comportamentos inesperados (batizados de "wackiness"), como agentes inventando funções inexistentes durante testes automáticos de código. Para mitigar esse problema, a Merck implementou barreiras de segurança (guardrails) usando o conceito de IA supervisionando IA.
O fluxo de segurança funciona da seguinte forma: se um modelo como o Claude (Anthropic) gera um código ou rascunho inicial, a equipe instrui o Microsoft Copilot a analisar a saída de forma crítica e atribuir um score de confiança. Ao repetir essa validação cruzada, a confiabilidade aumenta exponencialmente e as falhas críticas são neutralizadas antes de chegarem ao usuário final.
Mastercard: IA Agêntica e a Complexidade de Transações Financeiras
Se na Merck o foco está na ciência e na conformidade de conteúdo, na Mastercard o desafio da IA agêntica está centrado na coordenação de fluxos de transações e na resolução de disputas financeiras (chargebacks).
Andrew Reiskind, Chief Data Officer (CDO) da Mastercard, explica que uma contestação de compra está longe de ser um evento simples. Ela envolve coletar dados do consumidor, checar o histórico do estabelecimento comercial (verificar se o cartão foi perdido, se há recorrência de reclamações) e aplicar regras rigorosas de tempo e formato exigidas pela bandeira do cartão. Trata-se de uma mistura densa de dados estruturados e informações não estruturadas de confiabilidade variável.
Os agentes de IA da Mastercard operam nessa linha de frente, equilibrando decisões lógicas rígidas (determinísticas) com análises interpretativas (probabilísticas). A grande questão arquitetônica para a Mastercard é definir com precisão quando o agente deve agir por conta própria e quando deve transferir o caso para um especialista humano, mantendo a eficiência operacional sem comprometer a relação de confiança com o cliente.
A Matriz de Risco: O Erro do "Misto Quente" contra o "Glúten"
Para determinar onde os agentes de IA podem atuar com maior autonomia, a liderança da Mastercard adota uma analogia perspicaz sobre a tolerância ao erro e a gravidade dos riscos:
"Você serviu um sanduíche de manteiga de amendoim e geleia no lugar de um sanduíche de peru? Isso é apenas um pequeno inconveniente para o cliente. Ou você serviu glúten para alguém com doença celíaca? Isso é uma ameaça real." — Andrew Reiskind, Chief Data Officer da Mastercard
Essa análise de risco dita o nível de autonomia que a empresa concede aos seus sistemas. Se o risco de um erro pontual de 1% for considerado aceitável e contornável, o projeto avança para a automação agêntica completa acompanhada de planos robustos de mitigação. Caso contrário, barreiras mais rígidas de controle humano são posicionadas no fluxo de trabalho.
Tabela Comparativa: Merck vs. Mastercard na Implementação de IA
Para entender melhor como as duas gigantes abordam seus projetos de IA agêntica, analise o comparativo de estratégias a seguir:
| Aspecto Comparativo | Abordagem Merck | Abordagem Mastercard |
|---|---|---|
| Foco de Atuação Principal | Descoberta de fármacos, conformidade regulatória e modernização de apps. | Resolução de disputas financeiras complexas (chargebacks e fraudes). |
| Prioridade da Infraestrutura | Protocolo de Contexto de Modelos (MCP), integração multi-cloud e governança de dados. | Orquestração de dados estruturados e não estruturados em sistemas legados altamente seguros. |
| Métrica de Sucesso Chave | Redução de 33% nos ciclos de pesquisa; campanhas de marketing 80% mais rápidas. | Redução de custos operacionais e aumento da eficiência na tomada de decisão. |
| Mitigação de Erros | Validação cruzada e modelos de IA supervisionando outros modelos de IA. | Matriz de risco detalhada (misto quente vs. glúten) para avaliar impactos na reputação. |
Passo a Passo: Como Construir o 'Encanamento' de IA na Sua Empresa
Se a sua organização deseja adotar o caminho do sucesso traçado pela Merck e pela Mastercard, o desenvolvimento precisa seguir um plano estruturado de preparação de infraestrutura de dados:
- Audite e Unifique suas Fontes de Dados: Identifique onde residem as informações vitais da sua empresa (CRMs, ERPs, planilhas, PDFs). Centralize ou organize o acesso para que os agentes possam consultá-los de forma coordenada.
- Defina Políticas de Segurança e Acesso Rígidas: Desenvolva regras claras de governança de dados. Um agente de IA focado no suporte ao cliente, por exemplo, jamais deve ter acesso aos dados financeiros confidenciais ou de desenvolvimento da empresa.
- Adote Padrões de Integração Modernos: Utilize protocolos como o MCP (Model Context Protocol) para conectar seus modelos de linguagem às fontes de dados e ferramentas operacionais, garantindo flexibilidade tecnológica.
- Crie Sistemas de Validação Cruzada (Guardrails): Desenvolva mecanismos de controle e auditoria automática para as respostas geradas pela IA. Utilize um segundo modelo ou algoritmos determinísticos para monitorar e pontuar as respostas antes da entrega.
- Capacite a Equipe para Atuar na Governança: Transicione os papéis operacionais do seu time técnico e de negócios. Eles devem deixar de ser apenas executores das tarefas básicas para se tornarem os governadores e validadores das ações tomadas pelos agentes digitais.
Para ler análises detalhadas sobre arquitetura de dados e estratégias de tecnologia para novos negócios, acesse nossa seção com mais artigos especializados.
Sugestão de Produto Relacionado
Para líderes de TI, arquitetos de sistemas e gestores de inovação que buscam dominar os conceitos fundamentais por trás do processamento e armazenamento de grandes volumes de dados corporativos (o verdadeiro "encanamento" citado pela Merck), recomendamos uma leitura indispensável para o sucesso de seus projetos tecnológicos.
O livro "Projetando Aplicações de Dados Intensivos", de Martin Kleppmann, é considerado a bíblia da engenharia de dados moderna. Ele detalha com maestria como lidar com a escalabilidade, consistência, segurança e confiabilidade de sistemas de armazenamento de dados complexos — fornecendo a base exata de conhecimento técnico necessária para suportar a arquitetura de IA do futuro.
Conclusão
A inteligência artificial agêntica não é mais uma promessa distante; ela já está gerando vantagens competitivas avassaladoras para corporações maduras que compreenderam o valor do planejamento estratégico e técnico de infraestrutura. Tentar implementar soluções sofisticadas de inteligência artificial sobre dados desorganizados ou sistemas de nuvem fragmentados é o caminho mais curto para acumular dívidas operacionais financeiramente inviáveis.
Seguindo os exemplos de governança, preparação de dados e mitigação de riscos estruturados pela Merck e Mastercard, sua organização estará pronta para transformar a IA em uma máquina de eficiência operacional segura e escalável.
Precisa de suporte estratégico especializado para planejar a infraestrutura de dados da sua empresa ou deseja acelerar sua transformação de tecnologia com governança de ponta? Entre em contato com o nosso time de consultores de negócios e fale conosco hoje mesmo.
Perguntas Frequentes (FAQ)
1. O que significa o conceito de "encanamento" (plumbing) em IA?
Refere-se a toda a infraestrutura técnica de suporte essencial — incluindo conectores de dados, servidores em nuvem unificados, sistemas de governança, protocolos de segurança de rede e barramentos de integração — que torna possível aos agentes de IA acessarem informações corporativas corretas de maneira rápida, segura e escalável.
2. Qual foi o impacto da IA agêntica na área de pesquisa da Merck?
Os agentes de IA integrados à base de dados da farmacêutica conseguiram analisar com extrema rapidez as estruturas moleculares e condições clínicas de projetos de pesquisa científica, reduzindo o tempo de um dos ciclos de descoberta de medicamentos em 33% (ganho real de cerca de um ano no processo).
3. Como a IA agêntica atua na conformidade de marketing sem gerar riscos regulatórios?
A inteligência artificial analisa as campanhas com base nas legislações e regras locais cadastradas em sua base de dados confiável, entregando rascunhos iniciais de anúncios com cerca de 99% de conformidade regulatória. O processo conta com a supervisão de profissionais humanos atuando como editores e aprovadores finais (human-as-governor).
4. Como a Mastercard gerencia os riscos de erros gerados por modelos de inteligência artificial?
A empresa adota uma classificação estratégica de gravidade de erros (analogia do misto quente versus glúten). Riscos operacionais menores e gerenciáveis de baixo impacto reputacional têm maior automação agêntica direta, enquanto processos críticos que envolvem altos valores financeiros ou confiança direta do cliente mantêm maior intervenção humana.
5. Por que as soluções pontuais de IA (one-offs) são prejudiciais para as empresas?
Implementar soluções isoladas sem uma infraestrutura de plataforma centralizada cria sistemas fragmentados sem comunicação integrada. A longo prazo, isso se acumula na forma de débitos técnicos caros de manter, brechas graves de segurança de dados e grande lentidão no desenvolvimento de novas inovações tecnológicas.
