Da Adoção de IA às Operações Agênticas: O que a coleção “IA em 2026” da HBS significa para a IA corporativa

A coleção de pesquisas “IA em 2026” da HBS Working Knowledge é estruturada sob o tema “Da Adoção ao Agêntico”. Nossa interpretação de infraestrutura é uma mudança em direção à execução delegada: uma vez que a IA pode realizar tarefas através de etapas, ferramentas, sistemas e pessoas, as empresas precisam decidir o que o sistema pode fazer, com a autoridade de quem, sob quais controles e com quais evidências posteriormente.

1. A mudança importante não é de prompts para prompts melhores

Muitos programas iniciais de IA generativa nas empresas focaram em acesso e adoção. Sistemas agênticos ampliam a unidade de trabalho: em vez de uma única interação produzindo uma resposta, uma execução pode abranger chamadas de modelo, ferramentas, estado persistente, aprovações, novas tentativas e efeitos colaterais externos.

Isso altera a questão operacional. Um prompt pode solicitar informações ou transformações; uma execução de agente pode se tornar uma delegação de trabalho.

Esse é o fio condutor que conecta a pesquisa da HBS. O artigo sobre liderança questiona o que acontece quando executivos ganham equipes de suporte digital. A pesquisa sobre cargos questiona qual trabalho as pessoas estão dispostas a delegar. O estudo sobre trabalho em equipe questiona quando a IA melhora o resultado colaborativo. O estudo sobre empréstimos questiona com o que as pessoas se preocupam quando algoritmos tomam decisões importantes. A discussão sobre densidade de talentos questiona como as organizações convertem conhecimentos escassos em vantagem organizacional.

2. Primeiro tema da HBS: a liderança torna-se orquestração

NoEm “Como é a Liderança em um Mundo de IA Agêntica”, Tsedal Neeley e Ritcha Ranjan descrevem a IA agêntica como um potencial recurso de suporte digital para líderes: sistemas capazes de reunir informações, sintetizá-las de acordo com as prioridades organizacionais, preparar líderes para interações e realizar trabalhos complexos de forma semiautônoma.

A implicação técnica é fácil de ignorar. Uma “equipe de suporte digital” útil não pode ser modelada como uma conclusão única e sem estado. Ela precisa de um tempo de execução que possa preservar um problema, operar em várias etapas, usar ferramentas, pausar quando o julgamento for necessário e expor o que aconteceu.

Este é o papel que um agente de suporte (agent harness) desempenha. O TrueForge, em sua documentação oficial, descreve-se como um agente de suporte (agent harness) que atua como o tempo de execução em torno de um LLM, gerenciando o loop de execução de modelo/ferramenta, mantendo o contexto de tarefas longas, oferecendo suporte a ferramentas e habilidades MCP, provisionando execução em sandbox quando necessário, pausando para aprovação humana, suportando subagentes e persistindo sessões após reconexões e reinicializações.

A afirmação deve permanecer limitada: o TrueForge pode tornar a execução de um agente durável e inspecionável. Ele não determina as prioridades de um líder, não decide quais tarefas devem ser delegadas e não sabe como é uma boa liderança.

3. Segundo tema da HBS: automatize tarefas, não a responsabilidade

A pesquisa de James Riley na HBS sobre as atitudes do público em relação à automação entrevistou 2.357 pessoas em 940 ocupações. Os entrevistados apoiaram a automação de aproximadamente 30% dos empregos com as capacidades atuais; quando convidados a imaginar uma IA que superasse os humanos a um custo menor, o apoio subiu para 58%. No entanto, um grupo significativo de ocupações permaneceu social ou moralmente resistente à automação.

Para a arquitetura corporativa, a lição importante não é a porcentagem principal. É que os limites de delegação são contextuais. Algum trabalho pode ser executado sem supervisão. Algum trabalho deve ser aumentado. Algum trabalho deve exigir uma decisão humana, mesmo quando o modelo é tecnicamente capaz de agir.

Isso argumenta contra um "modo autônomo" universal. Um sistema de produção precisa de pontos de controle explícitos:

• Quais modelos e ferramentas este agente pode acessar?
• Quais operações podem ser executadas sem intervenção?
• Quais ações exigem aprovação humana?
• Qual sistema downstream permanece como autoridade para o efeito colateral final?
• O que acontece quando a política, o orçamento ou a autorização dizem não?

O TrueFoundry MCP Gateway mapeia naturalmente para o limite de ferramentas compartilhadas: registro e descoberta, identidade de entrada, controle de acesso em nível de ferramenta, credenciais downstream, guardrails pré/pós-ferramenta, fluxos de trabalho de aprovação e auditoria para o tráfego MCP roteado através do gateway. Gateway de IA fornece um limite de modelo correspondente com acesso unificado, RBAC, limites de taxa, orçamentos, roteamento/fallbacks, guardrails e observabilidade.

A autorização de produção também precisa preservar princípios distintos. O humano ou a carga de trabalho é o sujeito em nome do qual o trabalho ocorre; o agente registrado é o ator que faz a chamada; e o serviço downstream aplica a credencial e a autoridade de negócio configuradas para aquele destino. O design de beta Agent Identity da TrueFoundry consegue manter o usuário ou serviço atribuível enquanto identifica e autoriza separadamente o agente que faz a chamada. Isso ainda não concede um direito de negócio: a permissão para acessar process_refund é diferente da permissão para reembolsar um pedido específico por um valor específico.

Nenhum dos gateways toma a decisão de negócio subjacente por você. Se um reembolso, empréstimo, implantação ou alteração de permissão tiver regras de autorização específicas de domínio, essas regras ainda pertencem à política e ao sistema de registro relevantes.

4. Terceiro tema da HBS: a IA pode se tornar um colega de equipe — mas o trabalho em equipe precisa de infraestrutura compartilhada

O artigo da HBS “When AI Joins the Team, Better Ideas Surface” relata um experimento de campo com 791 profissionais da Procter & Gamble. As equipes que usaram IA produziram as soluções de maior qualidade no experimento; ideias entre os 10% melhores tiveram três vezes mais chances de vir de equipes que usaram IA do que de indivíduos trabalhando sem IA. A IA também reduziu o tempo de conclusão em 16% para indivíduos e 13% para equipes. O estudo final revisado por pares foi publicado na Organization Science em 2026.

Isso não significa que toda empresa deva criar um enxame de agentes. Sugere algo mais sutil: a IA pode ampliar o acesso à especialização e ajudar a dissolver silos funcionais quando está integrada a um sistema de trabalho bem projetado.

Para as equipes de infraestrutura, isso levanta um problema de reutilização. Se cada equipe constrói seus próprios adaptadores de modelo, credenciais de ferramentas, loops de agente, UX de aprovação, habilidades e rastreamentos, a organização obtém aceleração local, mas fragmentação global.

Um padrão mais escalável é:

• TrueForge para a mecânica de tempo de execução aberta da execução do agente.
• Gateway de IA para acesso compartilhado a modelos e políticas do lado do modelo.
• MCP Gateway para acesso governado a ferramentas e dados.
• Registro de Habilidades para conhecimento procedimental versionado que pode ser reutilizado em diferentes interfaces de agentes.
• Registro de Agentes para um inventário comum, interface de acesso, métricas e rastreamentos para agentes registrados, incluindo agentes remotos.

O benefício organizacional não é "mais agentes". É que práticas úteis se tornam reutilizáveis em vez de permanecerem presas em um prompt, no laptop de um desenvolvedor ou na integração privada de uma equipe.

5. Quarto tema da HBS: decisões de alto risco precisam de desempenho e comprovado

A pesquisa de Elisabeth Paulson sobre tomadores de decisão humanos versus algorítmicos estudou aproximadamente 9.000 participantes. No cenário de empréstimos, os participantes tiveram 4,3 pontos percentuais a mais de probabilidade de escolher um gerente de banco humano do que um algoritmo. Os participantes ainda mostraram uma preferência média por tomadores de decisão humanos, mas o estudo constatou que os atributos de desempenho do tomador de decisão importavam coletivamente mais do que se ele era humano ou algorítmico.

Isso não é prova de que justiça, legalidade ou devido processo legal possam ser descartados. O próprio estudo avalia preferências declaradas em dois experimentos conjuntos, não a validade no mundo real da implementação de um sistema de decisão automatizado. A lição mais forte para os sistemas é mais restrita: alegações de desempenho precisam de evidências mensuráveis, enquanto obrigações legais, éticas, de privacidade, justiça, transparência e implementação devem ser avaliadas de forma independente.

Isso requer a separação de pelo menos quatro camadas:

O Agente → Sessão → Turno → Evento do TrueForge pode preservar evidências de tempo de execução em torno de uma execução. Os Gateways da TrueFoundry adicionam telemetria de solicitação e de limite de ferramentas para o tráfego roteado por eles. Esses registros são substratos úteis para depuração, revisão, avaliação e auditoria — mas um rastreamento não é, por si só, um avaliador, e uma aprovação não substitui uma autorização.

6. Quinto tema da HBS: a densidade de talentos cria um problema de reutilização

Na entrevista de Boris Groysberg para o HBS Working Knowledge, o argumento central é que adquirir os melhores talentos em IA é mais fácil do que integrar esse talento para que seu conhecimento se multiplique por toda a organização. "Densidade de talentos" não se trata apenas do número de pessoas excepcionais; trata-se de colocar pessoas fortes em funções críticas e criar condições onde sua experiência transforme o desempenho do sistema ao seu redor.

Essa pesquisa gera uma implicação de infraestrutura. Engenheiros de IA altamente capazes devem dedicar seu tempo escasso à arquitetura, avaliação, julgamento de produto, escolha de modelos/ferramentas e à lógica distintiva do negócio — e não a reconstruir autenticação, adaptadores de provedores, gerenciamento de credenciais de ferramentas, estados de aprovação, contabilidade de custos e rastreamento de infraestrutura para cada aplicação.

Registro de Habilidades da TrueFoundry é particularmente relevante aqui. Ele fornece um catálogo compartilhado de Habilidades de Agente reutilizáveis e versionadas, com RBAC de repositório, histórico de versões e auditoria. Isso transforma um procedimento útil de uma técnica individual em um artefato organizacional. O mesmo princípio se aplica a agentes registrados, políticas de gateway, regras de roteamento, orçamentos e observabilidade compartilhada.

7. Das descobertas organizacionais a um modelo operacional de agentes

Juntar os cinco temas da HBS sugere um modelo operacional empresarial que não é nem "humanos aprovam tudo" nem "agentes executam tudo". É um sistema de delegação em camadas:

8. O que as empresas devem padronizar agora?

A pesquisa da HBS é organizacional, não uma especificação de arquitetura de software. Mas, uma vez que uma organização aceita a premissa de que a IA operará cada vez mais como um colega de equipe, delegado e participante de decisões, uma série de questões de infraestrutura torna-se inevitável.

1. Padronize o tempo de execução do agente. Defina como as sessões persistem, as ferramentas são descobertas, o contexto é gerenciado, o código é isolado, as aprovações pausam a execução e os eventos são registrados.
2. Separe a política de modelo do código da aplicação. Centralize credenciais de provedores, controle de acesso, roteamento, orçamentos, limites de taxa, guardrails e telemetria de modelos sempre que possível.
3. Coloque ferramentas corporativas sob identidade e políticas explícitas. Preserve o sujeito humano ou a carga de trabalho, identifique o agente executor e aplique a autorização de negócios downstream. Uma ferramenta não se torna segura apenas por falar MCP.
4. Projete o HITL (Human-in-the-loop) como uma transição de estado de tempo de execução com escopo definido. A execução deve pausar antes do efeito colateral, preservar a ação pendente exata, registrar a decisão do revisor e retomar a partir do estado persistido. Aprovações devem expirar ou ser revalidadas após mudanças materiais de estado.
5. Preserve evidências de resultados. Rastros de tempo de execução explicam o que o agente tentou; sistemas de registro provam o que realmente aconteceu.
6. Transforme bons procedimentos em artefatos reutilizáveis. Habilidades, políticas, definições de agentes e avaliações devem ser versionadas em vez de residirem em prompts copiados.
7. Mantenha a responsabilidade de negócios fora do modelo. Proprietários humanos e sistemas autoritativos ainda decidem o que é importante, o que é permitido e o que conta como sucesso.

Um caminho de controle concreto: processando um reembolso

Considere um agente de suporte usando as ferramentas get_ordereprocess_refund da documentação do TrueForge. Um caminho de produção começa persistindo a solicitação do cliente, a sessão e o contexto de identidade. O agente pode recuperar o pedido através do MCP Gateway, mas a acessibilidade da ferramenta é apenas a primeira verificação: a aplicação ou o sistema de pedidos ainda deve confirmar se este cliente — ou o serviço agindo em nome do cliente — pode acessar aquele pedido e se o pedido é elegível para um reembolso.

Se o modelo propuser process_refund, o tempo de execução deve criar uma ação pendente antes de qualquer mutação. Esse registro deve vincular a aprovação ao pedido exato, valor, motivo, ID da operação e à versão da política ou dos dados relevantes. Um revisor aprova aquela ação específica, não a ferramenta em abstrato e nem todo conjunto futuro de argumentos. Se o pedido mudar materialmente enquanto a execução estiver pausada, a ação deve ser revalidada ou enviada novamente para aprovação.

Após a aprovação, o TrueForge pode continuar a sessão encadeada a partir do estado persistido. A solicitação de mutação deve conter uma chave de idempotência ou um ID de operação estável. Se a conexão expirar, o sistema não deve presumir falha e repetir o reembolso cegamente; ele deve reconciliar a operação com o sistema de pedidos ou pagamentos autoritativo e, então, tentar novamente apenas quando o resultado registrado permitir. Essa distinção separa o agente decidiu tentar um reembolso,a chamada da ferramenta foi emitida, eo reembolso foi efetivamente concluído.

Os eventos do TrueForge e os rastreamentos do Gateway podem correlacionar a proposta, as verificações de política, a aprovação, a chamada, a resposta, a latência e o custo. O recibo do sistema de registro permanece como a evidência autoritativa do resultado. Os avaliadores podem então operar sobre o registro consolidado — conjuntos de regressão offline, verificações de trajetória ou de sucesso de tarefas e monitoramento de resultados pós-implantação — sem fingir que o rastreamento por si só estabelece a qualidade. O valor da plataforma reside na coerência dessas fronteiras: o estado de execução, a política do modelo, a política da ferramenta, a identidade, a aprovação e as evidências permanecem conectados, enquanto a autorização de negócios e a verdade final permanecem com o sistema de domínio.

9. O ponto mais profundo: a IA agente é um problema de sistemas organizacionais

A expressão "da adoção à IA agente" é útil porque marca uma mudança real na responsabilidade. Quando a IA é uma ferramenta, o humano realiza o trabalho e a IA auxilia. Quando a IA se torna agente, parte do trabalho é delegada a um sistema que pode escolher etapas intermediárias e interagir com capacidades externas.

É por isso que a arquitetura de agentes corporativos não pode parar na seleção de modelos. A organização precisa de um ambiente de execução (runtime) para o trabalho delegado e planos de controle em torno dos recursos que esse trabalho pode acessar.

TrueForge é o harness de agentes de código aberto da TrueFoundry para esta camada de execução. Gateway de IA,MCP Gateway,Registro de Agentes, eRegistro de Habilidades fornecem controle compartilhado e superfícies de reutilização em torno de modelos, ferramentas, agentes e conhecimento procedimental. Nenhum substitui o julgamento organizacional. Juntos, eles fornecem a infraestrutura para codificar políticas, aplicar acessos, preservar evidências de execução e melhorar o comportamento do agente ao longo do tempo.

Referências

1. HBS Working Knowledge — Como é a liderança em um mundo de IA agente.
2. HBS Working Knowledge — As pessoas aceitam bem a IA assumindo muitos empregos — até certo ponto.
3. HBS Working Knowledge — Quando a IA se junta à equipe, ideias melhores surgem.
4. Organization Science — O colega de equipe cibernético: um experimento de campo sobre IA generativa e trabalho em equipe.
5. HBS Working Knowledge — Quem deve aprovar empréstimos bancários: pessoas ou algoritmos?.
6. PNAS Nexus — Atitudes públicas sobre o desempenho de tomadores de decisão algorítmicos e humanos.
7. HBS Working Knowledge — Vencer com IA começa com a "densidade de talentos".
8. TrueForge — Introdução.
9. TrueForge — Conceitos do SDK.
10. TrueForge — Sandbox.
11. TrueFoundry — Introdução ao AI Gateway.
12. TrueFoundry — MCP Gateway.
13. TrueFoundry — Autenticação e Segurança do MCP Gateway.
14. TrueFoundry — Identidade de Agente (beta).
15. TrueFoundry — Registro de Agentes.
16. TrueFoundry — Registro de Habilidades.

Divulgação editorial: A Harvard Business School, o HBS Working Knowledge e o corpo docente mencionado não são afiliados a este artigo e não endossam a TrueFoundry. A pesquisa da HBS é utilizada como uma estrutura externa; todos os mapeamentos de produtos e conclusões de infraestrutura são análises editoriais da TrueFoundry. As capacidades dos produtos são descritas com base na documentação pública disponível em 1º de setembro de 2026.

‍