Governança de IA agêntica: como medir o que a maioria das empresas ainda não sabe medir
Um agente de IA já está triando chamados no Jira, respondendo clientes ou consolidando relatórios que antes levavam dias. A pergunta que poucas empresas respondem é outra: quanto isso vale em receita, tempo ganho ou risco evitado? Um levantamento da ABES com a IDC mostra que IA generativa e agentes de IA lideram a agenda de investimento de mais da metade das empresas brasileiras em 2026. O mesmo estudo aponta que a maturidade para medir esse retorno não acompanhou a velocidade da adoção. Isso não é detalhe técnico. É onde a governança de IA agêntica trava antes de provar valor.
O que o estudo da ABES e da IDC revela sobre governança de IA agêntica no Brasil
Os números confirmam uma corrida real. Segundo o estudo Mercado Brasileiro de Software, produzido pela ABES em parceria com a IDC, IA generativa e agentes de IA são hoje o tema prioritário de investimento para 53% dos executivos brasileiros, à frente de segurança da informação, infraestrutura de nuvem e big data. Um levantamento mais recente detalha essa divisão por iniciativa de TI: a IA agêntica já aparece entre as principais prioridades para 23% das organizações, enquanto a IA generativa lidera para 37%. Quatro em cada dez empresas já investem em projetos de agentes e outro terço pretende começar nos próximos doze meses. Na prática, sete em cada dez companhias brasileiras estão, de alguma forma, construindo um caminho para a IA agêntica.
O mesmo levantamento mostra o outro lado dessa curva. Entre os principais obstáculos apontados pelos próprios executivos estão a dificuldade de medir o ROI dos projetos, a qualidade dos dados disponíveis, a modernização de sistemas legados, a governança e a escassez de profissionais especializados. Ou seja, a barreira não é mais convencer a liderança a investir. É provar, com número, o que esse investimento está gerando.
Construir um agente ficou fácil. Provar valor, não.
Hoje, colocar um agente de IA para funcionar em um fluxo de atendimento, em uma triagem de chamados ou em um relatório automatizado exige menos esforço técnico do que exigia há dois anos. Ferramentas como Copilot e Rovo já vêm embutidas em plataformas que muitas empresas já usam no dia a dia, o que reduz drasticamente a barreira de entrada.
O problema é que a maior parte das empresas trata cada agente como uma ferramenta isolada, não como um serviço operacional. Um serviço tem dono, tem custo conhecido, tem expectativa de resultado e tem um responsável quando algo sai do previsto. Um agente de IA implantado sem essa estrutura vira uma peça solta: ninguém sabe ao certo quanto ele custa para manter, quem responde quando ele erra e, principalmente, o que mudou de fato na operação depois que ele entrou em produção. Sem essa resposta, qualquer decisão sobre escalar, ajustar ou desligar o agente vira palpite.
Na prática, governança de IA agêntica significa justamente isso: tratar cada agente como um serviço, com dono, custo mapeado e resultado esperado definidos antes de entrar em produção, e não como uma ferramenta que alguém simplesmente ligou e deixou rodando.
Framework prático: como definir indicadores antes de começar o projeto
A diferença entre empresas que conseguem provar retorno e empresas que só acumulam pilotos de IA está, quase sempre, no momento em que a métrica entra no projeto. Quem define o indicador depois que o agente já está no ar está, na prática, tentando justificar uma decisão já tomada. Quem define antes consegue comparar o antes e o depois com dados reais.
Alguns pontos costumam separar um projeto que gera número confiável de um que só gera boa vontade:
- Escolher um caso de uso com retorno isolável, e não um indicador guarda-chuva de "produtividade geral" que ninguém consegue atribuir a uma causa específica;
- Registrar a baseline atual, tempo, custo, volume e taxa de erro, antes de ligar o agente, não depois;
- Atribuir um dono de negócio para o resultado, além do dono técnico responsável pela ferramenta;
- Definir o que conta como sucesso em número, com prazo de revisão marcado, em vez de deixar essa avaliação para "quando der".
O ponto mais negligenciado costuma ser o primeiro. Empresas escolhem o caso de uso mais visível ou mais na moda, em vez do caso de uso onde é possível isolar causa e efeito. Um agente que reduz o tempo médio de resolução de um tipo específico de chamado é mensurável. Um agente que promete "mais eficiência geral no atendimento" raramente é.
Um exemplo prático: o que a mudança recente no Jira ensina sobre governança
Em junho, a Atlassian anunciou um novo campo, o "Atlassian Project", que passaria a ser adicionado automaticamente às telas do Jira a partir do release de julho, ligando itens de trabalho aos projetos de nível executivo da plataforma. A reação da comunidade de administradores foi imediata. Empresas com centenas de telas configuradas viram um campo desconhecido aparecer sem aviso prévio, gerando confusão entre times que nunca usaram Atlassian Projects e o risco concreto de uma onda de chamados de suporte interno. Duas semanas depois, a própria Atlassian recuou parcialmente e anunciou que o campo deixaria de ser adicionado por padrão às telas.
O episódio não é sobre um campo de formulário. É um exemplo direto do que acontece quando uma mudança de plataforma chega ao usuário final sem que alguém tenha avaliado antes o impacto. Em um ambiente Jira administrado com disciplina, esse tipo de mudança é acompanhada nos changelogs da plataforma antes de entrar em produção, testada em ambiente controlado e liberada apenas para as telas e projetos onde faz sentido. O usuário final nem percebe que algo mudou.
A mesma lógica vale, ponto a ponto, para IA agêntica. Um agente que passa por uma atualização de modelo, ganha uma nova permissão ou muda de comportamento em um fluxo crítico pode chegar ao cliente final antes que alguém dentro da empresa perceba a mudança. Governar IA agêntica é, em boa parte, isso: ter alguém responsável por antecipar, testar e controlar o alcance de cada mudança antes que ela vire um problema visível para quem está do outro lado.
Como a CSP Tech estrutura projetos de ITSM, Jira e Rovo Agents com essa disciplina
A CSP Tech atua há anos em ambientes onde Jira, Jira Service Management e Confluence sustentam operações críticas, o que exige tratar cada mudança de plataforma, cada automação e cada agente como parte de um sistema vivo, não como um experimento isolado. Isso significa mapear owners para cada fluxo automatizado, acompanhar de perto os releases da Atlassian antes que cheguem ao ambiente de produção do cliente e definir, antes de qualquer projeto de automação ou Rovo Agents entrar em operação, qual indicador vai comprovar que ele funcionou.
É essa disciplina, aplicada à sustentação de ambientes críticos e à implantação de ITSM, que permite escalar agentes de IA sem perder o controle sobre o que eles estão de fato entregando para a operação.
Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo:
A IA que já mora nas suas ferramentas (e que só funciona se o dado estiver governado)
Jira mal implementado: 6 sinais de que a configuração está travando o seu time (e como corrigir)
O primeiro passo é decidir o que vale medir
Empresas não estão travadas por falta de tecnologia. Copilot, Rovo e uma dezena de outras ferramentas de IA agêntica já estão disponíveis, muitas vezes dentro de assinaturas que a empresa já paga. O que trava a maioria dos projetos é a ausência de um indicador definido antes do primeiro agente entrar em produção e de um responsável por revisar esse número com frequência.
Se sua empresa já tem agentes de IA rodando, ou está prestes a colocar o primeiro em produção, vale a pena avaliar com clareza qual é o nível atual de maturidade em IA agêntica antes de escalar mais um caso de uso. A CSP Tech pode ajudar nesse diagnóstico, mapeando onde estão os agentes, os fluxos e as plataformas envolvidas, e estruturando os indicadores que faltam para transformar experimento em resultado comprovado.
Fale com a CSP Tech: www.csptech.com.br/contato
