A realização conjunta do Intelligent Automation Summit 2026, em 4 e 5 de agosto, e do AI Strategy Summit 2026, em 6 de agosto, no Hotel Prodigy Santos Dumont, no Rio de Janeiro, colocou em sequência duas etapas que começam a se fundir na transformação digital corporativa: a automação de processos e a utilização de inteligência artificial para interpretar contexto, tomar decisões e executar ações. O próprio IIMA apresentou a programação como uma combinação de “Automação Inteligente + Inteligência Artificial”.
O Intelligent Automation Summit tem como eixo RPA, hyperautomation, automação inteligente e tecnologias para transformação de processos; o AI Strategy Summit amplia a discussão para IA aplicada aos negócios, operações e estratégia organizacional, incluindo copilotos corporativos e agentes de inteligência artificial. Essas informações são da organização do evento.
A conexão entre as duas agendas apareceu na apresentação de Rodrigo Cabot, gerente de Desenvolvimento de Negócios, Alianças e Estratégia Tecnológica da Ecosistemas Global, no AI Strategy Summit, “A era da empresa agêntica: automação cognitiva e governança de IA”.
O executivo apresentou a evolução da automação tradicional – baseada em regras fixas e tarefas repetitivas – para arquiteturas agênticas nas quais agentes de IA podem interpretar objetivos de negócio, analisar o contexto, lidar com situações ambíguas, tomar decisões intermediárias e executar ações
Da automação baseada em regras à automação cognitiva
A questão técnica central é que RPA e automação tradicional funcionam melhor quando o processo pode ser descrito antecipadamente. A lógica é relativamente determinística: uma entrada conhecida desencadeia uma sequência previamente definida de ações.
A arquitetura agêntica trabalha de outra maneira. Em vez de simplesmente seguir um fluxo fechado, o agente pode receber um objetivo, interpretar informações disponíveis, escolher ferramentas, executar etapas intermediárias e reagir a situações que não estavam totalmente previstas no desenho original. O que leva à empresa agêntica, que seria uma evolução de sistemas que apenas repetem instruções para sistemas capazes de interpretar objetivos e adaptar-se ao contexto.
Essa mudança tem implicações importantes para a engenharia de automação. Quando o software deixa de apenas executar uma sequência programada e passa a decidir qual sequência executar, entram em cena requisitos que tradicionalmente não estavam no centro de projetos RPA: observabilidade, rastreabilidade de decisões, controle de acesso, validação de resultados, gestão de modelos e supervisão.
O problema deixa de ser apenas automatizar
Outro ponto destacado no evento foi a necessidade de abandonar a adoção fragmentada de ferramentas. O evento defendeu uma arquitetura que articule talento humano, automação, dados, qualidade de software, segurança e governança. A questão deixa de ser quantas plataformas de IA uma empresa possui e passa a ser como esses componentes funcionam conjuntamente.
Essa abordagem é particularmente relevante para empresas que já passaram pela primeira onda de digitalização. É possível ter RPA, analytics, ERP, CRM, cloud, aplicações de IA generativa e diferentes ferramentas de automação funcionando simultaneamente e, ainda assim, não possuir uma arquitetura integrada. O desafio da próxima etapa é justamente transformar esse conjunto de tecnologias em capacidade operacional coordenada.
Sistemas multiagentes entram no radar.
Também chamou a atenção a discussão sobre sistemas multiagente – nos quais diferentes agentes podem colaborar para resolver processos complexos. A arquitetura abre uma possibilidade diferente daquela do chatbot tradicional: em vez de um único modelo responder a uma solicitação, agentes especializados podem participar de diferentes etapas de uma tarefa. Na prática, isso pode significar um agente responsável pela interpretação da demanda, outro pela consulta de dados, outro pela validação de regras e outro pela execução de determinada ação.
A vantagem potencial está na especialização e na orquestração. O risco está justamente na multiplicação dos pontos de decisão. Quanto maior a autonomia e o número de agentes envolvidos, maior a necessidade de saber quem decidiu o quê, com quais dados, utilizando qual ferramenta e com qual autorização.
MCP aproxima IA dos sistemas corporativos
Outro ponto citado foi o Model Context Protocol (MCP) que tem crescido como mecanismo para conectar agentes de IA a dados, repositórios e ferramentas empresariais de maneira estruturada. A importância desse movimento está na passagem da IA isolada para a IA integrada à infraestrutura corporativa.
Um modelo generativo que apenas responde perguntas tem alcance operacional limitado. Um agente conectado a sistemas corporativos pode consultar informações, utilizar ferramentas e participar de fluxos reais de trabalho. Isso aumenta o potencial de produtividade, mas também aumenta significativamente a superfície de risco.
Para ambientes industriais, essa distinção é ainda mais importante. Uma IA que consulta documentação técnica apresenta um perfil de risco diferente de um agente autorizado a interferir em sistemas operacionais, manutenção, suprimentos ou processos críticos.
Modelos menores também aparecem na equação
A utilização de modelos de linguagem menores e especializados foi outro ponto discutido porque esses modelos podem ser empregados para reduzir latência e melhorar desempenho em determinados contextos operacionais.
Essa tendência é importante porque a arquitetura corporativa de IA não precisa necessariamente depender de um único modelo de grande escala.
Dependendo da aplicação, modelos menores podem oferecer vantagens de custo, velocidade, especialização e controle. Isso abre espaço para arquiteturas híbridas nas quais diferentes modelos são utilizados conforme o tipo de tarefa.
Para a indústria, o conceito pode ser particularmente interessante em aplicações que exigem respostas rápidas, processamento local ou conhecimento especializado.
Governança deixa de ser uma camada administrativa
A relação entre autonomia e governança permeou todos os debates: a adoção de IA agêntica exige integrar automação, dados, segurança, observabilidade e qualidade de software para que a escala não ocorra à custa de rastreabilidade, elevando riscos relacionados à segurança da informação, proteção de dados, vieses, respostas incorretas e ausência de rastreabilidade das decisões automatizadas. Por isso, governança e observabilidade contínua passam a ser componentes da própria arquitetura tecnológica.
A mudança conceitual é relevante: governança não aparece mais como uma etapa posterior à implantação da IA; ela passa a fazer parte do design do sistema.
Qualidade muda com a IA
O quality assurance também foi discutido: sistemas convencionais podem ser submetidos a conjuntos relativamente definidos de testes automatizados; sistemas de IA exigem controles adicionais relacionados a precisão, consistência, comportamento, vieses e desempenho em produção. Isso muda a própria engenharia de software.
Em uma aplicação tradicional, testar significa verificar se determinada entrada produz a saída esperada. Em aplicações generativas e agênticas, também é necessário avaliar como o sistema se comporta diante de situações inesperadas, informações incompletas, diferentes contextos e possíveis desvios.
Para sistemas que apenas geram conteúdo, isso já é relevante. Para agentes autorizados a executar ações, torna-se crítico.
A mensagem que fica
O que efetivamente emerge dos eventos não é simplesmente que “a IA está avançando”. A mensagem mais relevante é outra: a automação está mudando de natureza.
A primeira geração automatizou tarefas. A segunda automatizou processos. A próxima começa a automatizar interpretação, decisão e coordenação. E, nesse cenário, o ativo estratégico não será apenas o modelo de IA. Será a arquitetura que permitirá conectar modelos, dados, processos, sistemas legados, pessoas e agentes com segurança e rastreabilidade.
