Imagine contratar o profissional mais inteligente do mundo. Ele memorizou todas as leis fiscais, domina todas as linguagens de programação e analisa relatórios financeiros em segundos. No entanto, no primeiro dia de trabalho, você o coloca em uma sala trancada, sem crachá, sem senhas e sem saber quem ele deve obedecer ou quais dados ele pode realmente visualizar. O resultado? Paralisia total.

Essa é a realidade exata enfrentada pelas maiores corporações do planeta hoje. O ecossistema de tecnologia passou os últimos anos celebrando a velocidade de raciocínio dos Large Language Models (LLMs). Discutiu-se exaustivamente o número de parâmetros, o tamanho das janelas de contexto e a latência das respostas. Contudo, à medida que migramos dos meros chatbots para agentes de IA autônomos — sistemas capazes de tomar decisões e executar tarefas em nome de humanos —, a indústria colidiu com um muro intransponível. E ele não tem nada a ver com a inteligência do modelo.

O verdadeiro gargalo dos agentes de IA corporativos está no modelo de permissões (permissioning). Cada fluxo de trabalho agêntico eventualmente atinge o mesmo obstáculo crítico: o que este agente tem autorização para tocar, em nome de quem ele está agindo e como o sistema valida essa autorização em tempo real?

O Muro Onde Todos os Agentes de IA Colidem

No ambiente corporativo, os dados não existem no vácuo. Eles são governados por camadas profundas de privilégios de acesso, conformidades regulatórias (como LGPD e GDPR) e hierarquias organizacionais. Quando as empresas tentam contornar essa complexidade construindo soluções de Inteligência Artificial do tipo "faça você mesmo" (Do-It-Yourself), o cenário rapidamente se torna caótico.

Ao conectar um LLM diretamente a um data lake corporativo bruto para alimentar um agente, toda a riqueza do modelo de segurança original é perdida. O agente passa a ter acesso a informações que o usuário que o acionou jamais deveria ver. O resultado são respostas excessivamente amplas, vazamentos de dados confidenciais e uma completa perda de controle.

"A integridade das aprovações e o modelo de segurança devem ser sempre respeitados. É exatamente aí que vemos os clientes enfrentando dificuldades quando tentam construir uma IA personalizada apenas acessando dados brutos: a riqueza do modelo de segurança se perde e os resultados se tornam perigosamente amplos." — Gerrit Kazmaier, Presidente de Produto e Tecnologia da Workday

A Resolução da Workday: O Sistema de Registro como Camada de Governança

Para solucionar esse impasse, a gigante de software de RH e finanças Workday adotou uma abordagem pragmática e revolucionária: transformar o seu próprio sistema de registro (system of record) na camada de governança definitiva para os agentes de IA.

Em vez de tentar recriar uma matriz de permissões do zero dentro do modelo de IA — uma tarefa hercúlea e propensa a falhas —, a Workday utiliza a estrutura de segurança que seus clientes já gastaram anos refinando e auditando. O agente de IA opera dentro das fronteiras estabelecidas pelo sistema de registro, garantindo conformidade imediata.

A Parceria com o Google Gemini Enterprise

Para dar escala a essa visão, a Workday expandiu sua parceria estratégica com o Google Cloud. O ecossistema de agentes da Workday, batizado de Sana (lançado em março), foi integrado nativamente ao Gemini Enterprise. Isso significa que os agentes construídos com base no Sana não apenas operam sob as rígidas regras de governança da Workday, mas também são totalmente detectáveis e acionáveis dentro do ambiente corporativo do Google.

Arquitetando a Precisão em Ambientes de Alta Responsabilidade

Quando falamos de IA generativa aplicada ao marketing ou à criação de conteúdo, um pequeno erro ou uma alucinação sutil do modelo pode ser facilmente corrigida ou ignorada. No entanto, quando entramos no território de Recursos Humanos e Finanças, a margem de erro tolerada é zero.

Como destaca Kazmaier, "quase certo não é aceitável". Se um agente de IA processar uma folha de pagamento de forma incorreta, fechar os livros contábeis com inconsistências ou agendar uma demissão de maneira equivocada, o estrago reputacional e financeiro já estará feito antes que qualquer intervenção humana ocorra. Diferente de um rascunho de e-mail, as operações core de finanças e RH não possuem um loop de correção natural pós-execução.

A Solução Arquitetônica de Três Camadas

Para mitigar esse risco e garantir precisão cirúrgica, a Workday estruturou o Sana com base em três pilares fundamentais de arquitetura:

  1. Camada de Raciocínio Base (Gemini): O modelo de linguagem do Google atua como o motor conversacional e interpretativo, traduzindo as solicitações dos usuários em intenções estruturadas.
  2. Mecanismo de Contexto e Lógica de Negócios: Uma camada intermediária que traduz essa intenção para as regras específicas de processos de negócios e hierarquias da empresa.
  3. Modelos de Verificação e Classificação: Modelos dedicados que "interrogam" os outputs gerados pelo agente antes de qualquer execução final. É uma barreira de segurança que se pergunta ativamente: "Esta ação está correta com base no estado atual do sistema?"

Precisão e Identidade: As Duas Faces da Mesma Moeda

Um dos insights mais profundos dessa nova fase da IA corporativa é que precisão e identidade são, na verdade, o mesmo problema. Um agente de IA só pode agir com precisão milimétrica se souber exatamente quem está fazendo a solicitação, quais são os limites hierárquicos dessa pessoa e qual é o estado atualizado do banco de dados.

A grande vantagem competitiva de sistemas como a Workday é a sua capacidade de inferir e mapear organicamente a estrutura organizacional das empresas. Provedores de identidade de terceiros reconhecidos pelo mercado, como a Okta, rotineiramente validam suas informações cruzando dados com a Workday. Logo, o sistema de registro atua como o coração da verdade de identidade da empresa.

Quando um colaborador interage com o Sana Self-Service Agent através do Gemini, o fluxo segue um protocolo rígido de segurança:

  • O usuário é autenticado e autorizado diretamente pelo modelo de segurança da Workday.
  • O agente de IA executa ações exclusivamente em nome daquele usuário específico, operando estritamente dentro de suas credenciais ativas.
  • Os logs de interação ficam armazenados temporariamente na camada do Gemini, mas a trilha de auditoria oficial e imutável permanece blindada dentro do sistema de registro corporativo.

Tabela Comparativa: IA Sem Governança vs. Agentes com Sistema de Registro

Característica IA "Do-It-Yourself" (Acesso Direto a Dados) Agente com Sistema de Registro (Sana/Workday)
Respeito às Permissões Inconsistente (Risco de vazamento de dados confidenciais) Absoluto (Herdado diretamente do ERP/RH)
Trilha de Auditoria Fragmentada em logs de API de terceiros Centralizada e em conformidade regulatória corporativa
Margem de Erro Alta (Alucinações não são interceptadas) Próxima de zero (Modelos de verificação ativa)
Complexidade de Implementação Extrema (Exige recriar matrizes de acesso na IA) Simplificada (Usa a infraestrutura de TI já existente)

A Perspectiva do Mercado em Ambientes Regulados

Para indústrias altamente reguladas, como finanças, saúde e governança corporativa, essa discussão transcende a mera preferência arquitetônica; trata-se de viabilidade operacional básica.

"A governança tem que viver no sistema de registro. Isso não é uma preferência, é a única maneira de funcionar. Se as suas permissões estiverem definidas em qualquer lugar fora de onde os dados realmente vivem, você já perdeu a batalha." — Dan Obendorfer, Diretor de Produto na Würk

Essa visão é endossada por Kadan Stadelmann, Diretor de Tecnologia (CTO) e cofundador da Compance.AI, que alerta sobre o perigo de delegar decisões operacionais a agentes sem uma clara definição de posse e responsabilidade: "Sem propriedade clara do agente, métricas de desempenho definidas, controle de custos ou limites de ações, o caos se instala no ambiente corporativo".

Sugestão de Produto Relacionado

Se você deseja aprofundar seus conhecimentos em proteção de dados corporativos, governança e conformidade de TI — elementos essenciais para estruturar uma transição segura para a era dos agentes autônomos —, recomendamos uma leitura fundamental sobre segurança da informação.

Ver na Amazon

Conclusão: O Próximo Passo na Sua Jornada de IA

O sucesso dos agentes de IA em sua empresa não será medido pelo quão inovadores são os modelos fundacionais de linguagem que você contrata. Ele será ditado pela maturidade da sua governança de dados e pelo respeito irrestrito aos privilégios de acesso e controle de identidade.

Adotar sistemas que integram IA diretamente ao coração dos seus sistemas de registro é a única rota segura para usufruir de ganhos exponenciais de produtividade sem expor sua organização a riscos regulatórios ou operacionais desastrosos.

Quer dominar as melhores práticas de tecnologia aplicada aos negócios? Explore mais artigos em nossa plataforma de conhecimento ou, se preferir falar com um especialista sobre como estruturar a governança de IA na sua organização, fale conosco hoje mesmo.

Perguntas Frequentes (FAQ)

1. O que é um gargalo de permissões em agentes de IA?

O gargalo de permissões ocorre quando um agente de IA possui a capacidade técnica de executar uma ação (como alterar dados ou disparar processos), mas o sistema não consegue determinar de forma segura e confiável se o usuário que acionou o agente possui a devida autorização legal e hierárquica para tal tarefa.

2. Por que os projetos de IA baseados em "faça você mesmo" costumam falhar?

Muitas empresas tentam conectar modelos de IA diretamente a repositórios de dados brutos (data lakes). Isso faz com que as regras de segurança e acesso detalhadas do dia a dia corporativo se percam, gerando outputs excessivamente amplos ou violações críticas de privacidade de dados.

3. Como a Workday resolve o problema de precisão nos agentes de IA?

A Workday resolve isso usando seu próprio sistema de registro como a camada de validação final. Além disso, ela utiliza uma estrutura de três camadas que inclui o Google Gemini como motor de raciocínio, uma camada de lógica de negócios específica e modelos secundários que auditam e interrogam o resultado antes de qualquer ação ser tomada.

4. Por que a precisão de 99% não é aceitável em finanças e RH?

Ao contrário da geração de textos criativos, erros de frações de porcentagem em folhas de pagamento, emissão de contratos e fechamentos contábeis acarretam severas punições legais e prejuízos irreparáveis. Não há margem para processos executados de forma incorreta sem intervenção prévia.

5. Onde devem ser guardados os logs de auditoria das interações dos agentes?

Enquanto os logs de conversação básicos podem ficar registrados nas ferramentas de interface do LLM (como o Gemini), a auditoria oficial de ações operacionais e modificações em registros sensíveis deve residir no sistema de registro oficial da empresa (ERP/CRM/HRIS) para garantir conformidade e integridade.