Por Jeff Loucks, Gillian Crossan, Baris Sarer, China Widener e Ariane Bucaille (Estados Unidos)
Os agentes autônomos de IA generativa (GenAI, na sigla em inglês) – também chamados de “IA agêntica” – são soluções de software que podem concluir tarefas complexas e atingir objetivos com pouca ou nenhuma supervisão humana. A IA agêntica é diferente dos chatbots e copilotos atuais, que são frequentemente chamados de “agentes”. A IA agêntica tem o potencial de tornar os profissionais focados em atividades intelectuais mais produtivos e de automatizar processos de várias etapas em funções de negócios. A Deloitte prevê que, em 2025, 25% das empresas que usam a GenAI lançarão pilotos ou provas de conceito de IA agêntica, aumentando para 50% em 2027[1]. Alguns aplicativos de IA agêntica, em alguns setores e para alguns casos de uso, poderão ter uma adoção real nos fluxos de trabalho existentes em 2025, especialmente na segunda metade do ano.
Esses esforços estão sendo auxiliados por startups e empresas de tecnologia estabelecidas que desenvolvem IA agêntica, ambas as quais veem o potencial da tecnologia para estimular o crescimento de receita. Investidores direcionaram mais de US$ 2 bilhões para startups de IA agêntica nos últimos dois anos, concentrando seus investimentos em empresas voltadas para o mercado corporativo[2]. Enquanto isso, muitas empresas de tecnologia, provedores de nuvem e outros estão desenvolvendo suas próprias ofertas de IA agêntica. Essas organizações também estão fazendo aquisições estratégicas e, cada vez mais, licenciando a tecnologia de IA agêntica de startups e contratando seus funcionários, em vez de comprar as empresas diretamente[3].
Os chatbots e copilotos de GenAI são sofisticados; eles podem interagir intuitivamente com humanos, sintetizar informações complexas e gerar conteúdo. Mas eles não têm o grau de agência e autonomia que a IA agêntica promete. Embora os chatbots e os agentes compartilhem a mesma base – modelos de linguagem ampla (LLM, na sigla em inglês) –, tecnologias e técnicas adicionais permitem que os agentes ajam de forma independente, dividam um trabalho em etapas distintas e concluam seu trabalho com o mínimo de supervisão ou intervenção humana. Os agentes de IA não apenas interagem. Eles raciocinam e agem de forma mais eficaz em nome do usuário.
Como o próprio nome sugere, a IA agêntica tem “agência”: a capacidade de agir e de escolher quais ações tomar[4]. Agência implica autonomia, que é o poder de agir e tomar decisões de forma independente[5]. Quando estendemos esses conceitos da IA agêntica, podemos dizer que ela pode agir por conta própria para planejar, executar e atingir uma meta – ela se torna “agêntica”[6]. As metas são definidas por humanos, mas os agentes determinam como cumpri-las.
Um exemplo pode ilustrar a diferença entre a IA agêntica, os copilotos e os chatbots. Os copilotos que auxiliam os desenvolvedores de software testando e sugerindo códigos são um dos casos de uso de GenAI mais bem-sucedidos até o momento[7]. Eles podem tornar os engenheiros de software experientes mais produtivos e aumentar a eficácia dos programadores juniores. Eles podem converter solicitações de linguagem natural (em vários idiomas) em sugestões de código e testar a consistência do código. Mas esses copilotos só respondem às solicitações dos engenheiros e não demonstram agência. Com a IA agêntica, o “engenheiro” de software dá um passo adiante. Um programador humano pode inserir ideias de software por meio de um prompt, e o “engenheiro de software” da IA agêntica converte essas ideias em código executável, um processo que automatiza várias etapas do processo de desenvolvimento de software.
Por exemplo, a Cognition Software lançou o “Devin” em março de 2024 com o objetivo de criar um engenheiro de software autônomo capaz de raciocinar, planejar e concluir tarefas complexas de engenharia que exigem milhares de decisões[8]. O Devin foi projetado para realizar trabalhos de programação sem assistência, com base em comandos de linguagem natural de programadores humanos. Essas tarefas incluem projetar aplicativos completos, testar e corrigir bases de código e treinar e ajustar LLMs[9]. Concorrentes como a Codeium, que se concentra no desenvolvimento de software corporativo, e versões de código aberto do Devin, chegaram ao mercado em 2024[10].
Os engenheiros de software de IA agêntica compartilham capacidades e vulnerabilidades semelhantes[11]. Uma vulnerabilidade é que atualmente eles cometem muitos erros para realizar trabalhos completos, ou mesmo parciais, sem supervisão humana. Em um teste de benchmarking recente, o Devin foi capaz de resolver quase 14% dos problemas do GitHub de repositórios de código do mundo real – duas vezes melhor que os chatbots com base em LLM[12], mas não totalmente autônomo. As grandes empresas de tecnologia[13] e as startups estão se esforçando para tornar os engenheiros de software de IA agêntica mais autônomos e confiáveis, para que os programadores humanos – e seus empregadores – possam confiar neles para lidar com partes de sua carga de trabalho (infográfico 1).
Os engenheiros de software de IA agêntica são apenas um exemplo de como os agentes autônomos de GenAI poderiam transformar a forma como o trabalho é feito (consulte a seção abaixo “Casos de uso promissores para agentes autônomos de GenAI”). Com o aprimoramento da IA agêntica, seu impacto pode ser enorme. Há mais de 100 milhões de profissionais focados em atividades intelectuais nos EUA e mais de 1,25 bilhão desses profissionais em todo o mundo[14]. A produtividade total dos fatores[15], um indicador útil desse tipo de trabalho, estagnou nos Estados Unidos, crescendo 0,8% de 1987 a 2023 e apenas 0,5% de 2019 a 2023[16]. Na maioria dos países da OCDE, a história é a mesma[17]. As tentativas de aumentar a produtividade do trabalho focado em atividades intelectuais por meio da automação de tarefas tiveram sucesso apenas parcial. Muitas empresas também precisam de mais profissionais focados em atividades intelectuais. Persiste o déficit de representantes de atendimento ao cliente, engenheiros de semicondutores e, aparentemente, de tudo o que está entre eles. Quando novos funcionários começam a trabalhar, eles precisam ser produtivos rapidamente.
Os sistemas especializados e a automação de processos robóticos (RPA, na sigla em inglês) podem falhar quando os processos são ambíguos ou exigem várias etapas. Os sistemas com base no machine learning tradicional exigem treinamento extensivo, que é adaptado para fins específicos. Criada com base em LLMs, a IA agêntica pode ser mais flexível e abordar uma gama mais ampla de casos de uso do que a aprendizagem automática ou a aprendizagem profunda.
A IA agêntica pode melhorar significativamente os recursos dos LLMs e pode justificar os investimentos que as empresas estão fazendo na GenAI. O lançamento público das ferramentas de GenAI chamou rapidamente a atenção dos executivos. Foi fácil imaginar como suas organizações poderiam usar a tecnologia. No entanto, o valor comercial quantificável da GenAI tem sido muitas vezes ilusório. Desafios com bases de dados, políticas de risco e governança e lacunas de talentos dificultam que as empresas ampliem as iniciativas de GenAI[18]. Apenas 30% dos pilotos de GenAI chegam à produção total[19]. A falta de confiança nos resultados da GenAI e as possíveis consequências no “mundo real” dos erros dela fazem com que os executivos hesitem[20].
As empresas que desenvolvem e implementam a IA agêntica precisam considerar os desafios da GenAI, além da complexidade de criar bots que possam raciocinar, agir, colaborar e criar. O mais importante é que todos os tipos de agentes de GenAI precisam ser confiáveis para que as empresas os utilizem – fazer o trabalho direito na maior parte do tempo não é suficiente. Há alguns casos de uso e aplicativos no final de 2024 que mostraram sinais encorajadores de serem confiáveis o suficiente para serem adotados em 2025.
No entanto, a possível recompensa vale o esforço, e os primeiros resultados parecem promissores. As empresas estão aprendendo a aumentar o desempenho do LLM combinando esses modelos com outras tecnologias de IA e técnicas de treinamento. Embora o objetivo seja ter agentes autônomos e confiáveis, os aumentos incrementais na precisão e na independência podem ajudar as empresas a atingir suas metas iniciais de produtividade e eficiência para a GenAI no geral[21]. Com sua variedade de aplicações – tanto horizontais quanto verticais – e objetivos comerciais claros, a IA agêntica se parece mais com as soluções de GenAI que os executivos talvez tenham esperado em primeiro lugar.
Os agentes de IA generativa podem dividir uma tarefa complexa em uma série de etapas, executá-las e superar barreiras inesperadas. Eles podem sentir seu ambiente, que, dependendo do caso de uso, pode ser virtual, físico ou uma combinação dos dois. Para concluir uma tarefa, a IA agêntica pode determinar quais ações tomar, recrutar assistência de ferramentas, bancos de dados e outros agentes e fornecer resultados com base em suas metas definidas por humanos.
A IA agêntica é uma tecnologia emergente e continua a evoluir, mas tem algumas características e recursos comuns:
Alguns dos modelos mais recentes empregam funções de cadeia de pensamento que, embora sejam mais lentas e deliberativas do que os modelos anteriores de larga escala, permitem um raciocínio de ordem superior em problemas complexos[27]. A análise de dados multimodais pode tornar a IA agêntica mais flexível, expandindo os tipos de dados que podem ser interpretados e produzidos. A IA multimodal também mostra que a IA agêntica pode ser ainda mais avançada quando combinada com outros tipos de tecnologias de IA, como visão computacional (reconhecimento de imagem), transcrição e tradução[28]. Assim como os próprios agentes, a IA multimodal ainda está em desenvolvimento.
Os verdadeiros sistemas multiagentes, nos quais o trabalho é orquestrado entre uma rede de agentes autônomos, estão sendo desenvolvidos agora, com alguns pilotos lançados no final de 2024[29]. Os modelos multiagentes geralmente superam os sistemas de modelo único ao distribuir tarefas, especialmente em ambientes complexos[30]. As startups e as grandes empresas de tecnologia estão desenvolvendo sistemas de GenAI multiagentes, incluindo ferramentas que podem ajudar as organizações a criar seus próprios agentes personalizados[31].
Grandes empresas de tecnologia e startups estão desenvolvendo soluções em estágio inicial que podem automatizar parcialmente funções como desenvolvimento de software, vendas, marketing e conformidade normativa. O que se segue é uma amostra dos exemplos atuais, não uma lista exaustiva de aplicativos. Alguns têm como base provas de conceito e demonstrações que são promissoras, mas não estão prontas para a implementação corporativa. Embora esses exemplos sejam intersetoriais, também estão surgindo aplicativos agênticos específicos por setor.
Atendimento ao cliente: o atendimento ao cliente é um trabalho essencial – e muitas vezes estressante – com uma taxa de rotatividade anual de 38%[32]. A automação eficaz de partes do fluxo de trabalho de apoio ao cliente poderia reduzir o estresse e o tédio da equipe e ajudar as empresas a atender mais pessoas[33]. A IA agêntica pode lidar com consultas mais complexas dos clientes do que os atuais chatbots de suporte e pode agir de forma autônoma para resolver problemas. Em um exemplo, uma empresa de áudio está usando a IA agêntica para ajudar seus clientes a configurar novos equipamentos, um processo de várias etapas que normalmente requer um agente humano. Se for necessário um agente humano, a IA agêntica compila informações relevantes e resume o problema antes de transferir o cliente[34]. A próxima onda de agentes de suporte ao cliente provavelmente integrará dados multimodais, como voz e vídeo, além do bate-papo com base em texto.
Segurança cibernética: os especialistas em segurança cibernética resumem a escassez de profissionais focados em atividades intelectuais – globalmente, há um déficit de quatro milhões atualmente[35]. Enquanto isso, os agentes mal-intencionados estão usando a GenAI para se infiltrar nos sistemas de segurança cibernética. Os sistemas emergentes de segurança cibernética agêntica podem tornar os especialistas humanos mais eficientes, automatizando aspectos de seu trabalho. Eles podem detectar ataques e criar relatórios de forma autônoma, melhorando a segurança do sistema e reduzindo a carga de trabalho dos especialistas humanos em até 90%[36]. A IA agêntica também pode ajudar as equipes de desenvolvimento de software a detectar vulnerabilidades em novos códigos. Ela pode executar testes e se comunicar diretamente com os desenvolvedores para explicar como corrigir um problema – algo que os engenheiros humanos precisam fazer manualmente hoje em dia[37].
Conformidade regulatória: empresas de todos os setores, incluindo serviços financeiros e de saúde, são obrigadas a realizar revisões periódicas de compliance regulamentar. O aumento do tamanho e da complexidade das regulamentações relevantes e a escassez de profissionais de compliance tornam esse processo um desafio cada vez maior. As startups estão desenvolvendo IA agêntica que pode analisar regulamentos e documentos corporativos e determinar rapidamente se a empresa está em conformidade. O agente pode citar regulamentações específicas e fornecer proativamente análises e orientações a profissionais humanos da área de regulamentação[38]. As empresas que usam a GenAI hoje citam a compliance regulamentar como a principal barreira para o desenvolvimento e a implementação da IA generativa, à frente de questões como a falta de talentos técnicos em IA e desafios de implementação[39]. A incerteza regulamentar desempenha um papel importante, assim como o alcance e a complexidade das novas regulamentações. Ao ajudar as empresas a entender e cumprir as regulamentações à medida que elas são promulgadas, uma solução de IA mais agêntica poderia ajudar a acelerar a adoção mais ampla da GenAI nas empresas.
Criadores e orquestradores de agentes: estão surgindo soluções de IA agêntica para ajudar a automatizar outros fluxos de trabalho específicos de vários setores e áreas. No entanto, as empresas talvez não precisem esperar pelo mercado. Elas podem criar seus próprios agentes e sistemas multiagentes. Com o Vertex do Google, as empresas podem usar ferramentas sem código para criar agentes para tarefas específicas, como a criação de material de marketing com base em campanhas de marketing anteriores[40]. A LangChain usa tecnologia de código aberto para ajudar as empresas a construir sistemas multiagênicos. Por exemplo, a startup Paradigm lançou uma “planilha inteligente” na qual várias IAs agênticas se associam para coletar dados de diversas fontes, estruturá-los e concluir tarefas[41].
A IA agêntica tem um enorme potencial para ajudar a aumentar a produtividade dos profissionais focados em atividades intelectuais, automatizando fluxos de trabalho inteiros e tarefas discretas. Sua capacidade de realizar ações independentes, como agentes individuais ou em conjunto com outros agentes, a diferencia dos chatbots e copilotos atuais. No entanto, a IA agêntica está nos estágios iniciais de desenvolvimento e adoção. Por mais impressionantes que sejam os primeiros exemplos agênticos, esses agentes podem cometer erros e ficar presos em loops. Em sistemas multiagentes, as “alucinações” podem se espalhar de um agente para outro; elas podem persuadir outros agentes a tomar as medidas erradas e dar respostas incorretas[42]. Embora a IA agêntica possa ser principalmente autônoma, o fato de ter um ser humano revisando as decisões depois que elas são tomadas pode tornar a IA agêntica mais adequada para a implementação atual. Quando os agentes de GenAI ficam presos, eles podem consultar especialistas humanos que os ajudam a resolver o desafio e seguir em frente. Nesse modelo, a IA agêntica é como um funcionário júnior que pode aprender com a experiência enquanto realiza um trabalho valioso[43].
Embora algumas empresas estejam investindo bilhões para criar uma IA agêntica consistente e confiável, não está claro quando isso ocorrerá ou em que circunstâncias. A IA agêntica será amplamente adotada em 2025 ou nos próximos cinco anos? A onipresença exigirá inovação revolucionária ou ajustes nas tecnologias atuais de IA e nos métodos de treinamento? Se as grandes empresas e as startups que estão desenvolvendo a IA agêntica forem bem-sucedidas, o jogo mudará rapidamente. Imagine agentes autônomos de GenAI que possam processar dados multimodais, usar ferramentas, orquestrar outros agentes, lembrar e aprender e executar tarefas de forma consistente e confiável. Imagine ainda que os agentes personalizados possam ser desenvolvidos de forma rápida e fácil pelas empresas em “ambientes sem código” usando apenas prompts de texto de conversação.
Como a visão da IA agêntica é convincente e a tecnologia está evoluindo rapidamente, as empresas devem se preparar agora. Ao se prepararem, elas devem considerar as seguintes abordagens.
Priorize e reprojete fluxos de trabalho para a IA agêntica: considere quais tarefas e fluxos de trabalho são adequados para a execução da IA agêntica, com base nos recursos da tecnologia e onde está o maior valor para sua empresa. Redesenhe-os para remover etapas desnecessárias. Certifique-se de que as soluções de IA agêntica tenham um objetivo claro e acesso aos dados, ferramentas e sistemas necessários. Embora esses agentes possam ajudar outros agentes a navegar em seu ambiente, processos desordenados e sub-otimizados podem gerar resultados decepcionantes.
Concentre-se na governança de dados e na segurança cibernética: para que a IA agêntica agregue valor, ela deve ter acesso a dados empresariais valiosos e potencialmente confidenciais, bem como a sistemas internos e recursos externos. As empresas devem implementar uma forte governança de dados e segurança cibernética antes de começar a usar agentes autônomos de GenAI. Para os primeiros a adotar a GenAI, as principais áreas em que estão aumentando o investimento em TI são o gerenciamento de dados (75%) e a segurança cibernética (73%)[44]. Apesar desses investimentos, 58% estão muito preocupados com o uso de dados confidenciais em modelos e com o gerenciamento da segurança dos dados. E apenas 23% afirmam estar altamente preparados para gerenciar o risco e a governança da GenAI. Em resumo, muitos dos atuais líderes de GenAI parecem não estar preparados para o advento da IA agêntica. Se esses líderes não estão prontos, as empresas que ainda estão à margem da GenAI certamente ainda têm muito a avançar.
Equilibre o risco e a recompensa: ao começar com a IA agêntica, as empresas devem considerar o nível de autonomia e o acesso aos dados permitido aos agentes. Casos de uso de baixo risco com dados não críticos e supervisão humana podem ajudar as empresas a desenvolver o gerenciamento de dados, a segurança cibernética e a governança para aplicativos seguros de IA agêntica. Uma vez que esses elementos estejam implementados, as empresas devem considerar casos de uso de maior valor que utilizem dados estratégicos, acesso a mais ferramentas e mais autonomia.
Mantenha um ceticismo saudável: a IA agêntica está evoluindo e provavelmente será mais capaz no próximo ano, além de ser aplicada a casos de uso mais horizontais e verticais específicos. Espere demonstrações, simulações e anúncios de produtos impressionantes ao longo de 2025. Mas os desafios que observamos podem levar algum tempo para serem resolvidos. Até que esses desafios sejam resolvidos, é improvável que o desempenho da IA agêntica em ambientes controlados proporcione um melhor desempenho empresarial. Avalie e questione cuidadosamente.
Os autores gostariam de agradecer a Chris Arkenberg, Duncan Stewart e Ankit Dhameja.
Imagem da capa por: Jaime Austin; Getty Images, Adobe Stock.
[1] De acordo com a pesquisa State of Generative AI in the Enterprise da Deloitte, 23% das empresas que atualmente usam Gen AI estão explorando “agentes de Gen AI” em uma extensão “grande” ou “muito grande”, com outros 42% explorando “até certo ponto”. Considerando o grande interesse em IA agêntica e os produtos e serviços que estão sendo lançados por startups e empresas de tecnologia estabelecidas, esperamos que esse interesse se transforme em ação, pelo menos em escala experimental. Ver no artigo
[2] CB Insights. Gen AI Investment Database, Aug 21, 2024. Esses dados excluem a Open AI. Inclui financiamento para empresas que estão desenvolvendo IA agêntica com “graus variados de autonomia”. Ver no artigo
[3] Kate Clark, “Investors undaunted by spate of AI acqui-hires,” The Information, Aug. 19, 2024. Ver no artigo
[4] Cambridge English Dictionary, “Agency,” accessed Aug. 26, 2024. Ver no artigo
[5] Cambridge English Dictionary, “Autonomous,” accessed Aug. 26, 2024. Ver no artigo
[6] Para os seres humanos, agência e autonomia são conceitos morais e políticos. No contexto dos agentes de Gen AI, estamos falando apenas da extensão em que a tecnologia com base em software tem escopo para projetar e executar tarefas sem a direção humana. Ver no artigo
[7] Faruk Muratovic, Duncan Stewart, and Prashant Raman, “Tech companies lead the way on generative AI: Does code deserve the credit?” Deloitte Insights, Aug. 2, 2024. Ver no artigo
[8] Scott Wu, “Introducing Devin, the first AI software engineer,” Cognition
Software, March 12, 2024. Ver no artigo
[9] Rina Diane Caballar, “AI Coding is going from copilot to autopilot,” IEEE Spectrum, April 9, 2024. Ver no artigo
[10] Jenna Barron, “Codeium’s new Cortex assistant utilizes complex reasoning engine for coding help,” SD Times, Aug. 14, 2024; Aswin Ak, “OpenDevin: An artificial intelligence platform for the development of powerful AI agents that interact in similar ways to those of a human developer,” Marktechpost, July 28, 2024. Ver no artigo
[11] Carl Franzen, “Codium announces Codiumate, a new AI agent that seeks to be Devin for enterprise software development,” VentureBeat, April 3, 2024. Ver no artigo
[12] Cognition Software, “SWE-bench technical report,” March 15, 2024. Ver no artigo
[13] As grandes empresas de tecnologia continuam aprimorando seus copilotos de software para torná-los mais parecidos com agentes de GenAI. Por exemplo, veja: Alex Woodie, “The semi-autonomous agents of amazon Q,” BigDATAWire, May 3, 2024. Ver no artigo
[14] Molly Talbert, “Overcoming disruption in a distributed world: Insights from the Anatomy of Work Index 2021,” Asana, January 14, 2024. Ver no artigo
[15] A produtividade total dos fatores, que mede a
eficiência do uso do capital e da mão de obra, pode ser um indicador da
eficiência do profissional focado em atividades intelectuais. Esse tipo de
trabalho requer acesso à tecnologia de capital intensivo e processos projetados
de forma eficaz. Ver no artigo
[16] US Bureau of Labor Statistics, “Table A. Productivity, output, and inputs in the private nonfarm business and private business sectors for selected periods, 1987-2023,” March 3, 2024. Ver no artigo
[17] Organisation for Economic Co-operation and Development, “Multifactor productivity,” accessed Oct. 30, 2024. Ver no artigo
[18] Jim Rowan, Beena Ammanath, Costi Perricos, Brenna Sniderman, and David Jarvis, State of gen AI in the Enterprise, Q3 report, Deloitte, August 2024. Ver no artigo
[19] Ibid. Ver no artigo
[20] Ibid. Ver no artigo
[21] Ibid. Ver no artigo
[22] James O’Donnell, “Why OpenAI’s new model is such a big deal,” MIT Technology Review, Sept. 17, 2024. Ver no artigo
[23] Janakiram MSV, “AI agents: Key concepts and how they overcome LLM limitations,” The New Stack, June 11, 2024. Ver no artigo
[24] “OpenAI, “Learning to Reason with LLMs,” Sept. 12, 2024. Ver no artigo
[25] Anna Gutowska, “What are AI Agents?” IBM, July 3, 2024. Ver no artigo
[26] Janakiram MSV, “AI agents: Key concepts and how they overcome LLM limitations.” Ver no artigo
[27] Simon Willison, “Notes on OpenAI’s new o1 chain-of-thought models,” Simon Willison’s Blog, Sept. 12, 2024. Ver no artigo
[28] Hamidou Dia, “So much more than gen AI: Meet all the other AI making AI agents possible,” Google Cloud Blog, Aug. 20, 2024. Ver no artigo
[29] Vivek Kulkarni, Scott Holcomb, Prakul Sharma, Edward Van Buren and Caroline Ritter, “How AI agents are reshaping the future of work,” Deloitte AI Institute, November 2024. Ver no artigo
[30] The Economist, “Today’s AI models are impressive. Teams of them will be formidable,” May 13, 2024. Ver no artigo
[31] CB Insights, “The multi-agent AI outlook: Here’s what you need to know about the next major development in genAI,” Aug. 30, 2024. Ver no artigo
[32] Mike Desmarais, “The call center burnout problem,” SQM Group, Feb. 24, 2023. Ver no artigo
[33] É importante equilibrar o trabalho dos agentes humanos. Quando eles recebem apenas os casos mais complicados e difíceis, isso pode levar ao esgotamento. Consulte Sue Cantrell, et al., “Strengthening the bonds of human and machine collaboration,” Deloitte Insights, Nov. 22, 2022. Ver no artigo
[34] Sierra, “Sonos elevates the listener experience,” Feb. 13, 2024. Ver no artigo
[35] Michelle Meineke, “The cybersecurity industry has an urgent talent shortage. Here’s how to plug the gap,” World Economic Forum, April 28, 2024. Ver no artigo
[36] Ken Yeung, “Dropzone AI gets $16.85M for autonomous cybersecurity AI agents that reduce manual work by 90 percent,” VentureBeat, April 25, 2024. Ver no artigo
[37] Simon Thomsen, “Software development cybersec startup Nullify banks $1.1 million pre-seed round,” Startup Daily, June 26, 2023. Ver no artigo
[38] Kyt, Dotson, “Norm Ai raises $27M to help businesses handle regulatory compliance with AI agents,” SiliconANGLE, June 26, 2024. Ver no artigo
[39] Rowan, State of Generative AI in the Enterprise, Q3 report. Ver no artigo
[40] Ron Miller, “With Vertex AI Agent Builder, Google Cloud aims to simplify agent creation,” TechCrunch, April 9, 2024. Ver no artigo
[41] Iris Coleman, “Paradigm utilizes LangChain and LangSmith for advanced AI-driven spreadsheets,” Blockchain.News, Sept. 5, 2024. Ver no artigo
[42] The Economist, “Today’s AI models are impressive.” Ver no artigo
[43] Maria Korolov, “AI agents will transform business processes — and magnify risks,” CIO, Aug. 21, 2024. Ver no artigo
[44] Rowan, State of Generative AI in the Enterprise, Q3 report. Ver no artigo