Colegas de IA: o que 60 mil agentes em operação revelam para o decisor

A conversa sobre IA vive de previsão: quando chega a superinteligência, qual modelo lidera, o que acontece com os empregos. Falta o que importa para quem decide hoje: dado de empresa de verdade, operando agentes em escala, longe do material de marketing de quem vende a tecnologia. Esse dado acaba de aparecer. Em maio de 2026, a Prosus, uma das maiores companhias de tecnologia de capital aberto da Europa, publicou um relatório raro: a análise de mais de 60 mil agentes de IA construídos pelos seus 40 mil funcionários em cerca de dezoito meses. Não é um laboratório vendendo modelo nem uma consultoria vendendo projeto; é uma operadora contando o que viu na própria casa. Vale ler com atenção, porque os padrões que ela encontrou dizem mais sobre o seu próximo passo com IA do que qualquer manchete sobre AGI.

O dado independente que faltava

O relatório começa com uma queixa que todo decisor reconhece: existe pouquíssimo dado independente sobre o que os agentes de IA de fato fazem e quanto valor entregam. O que circula vem, em boa parte, de laboratórios de modelo e de empresas que vendem serviços de IA, o que torna difícil separar a evidência do material de venda disfarçado. Essa falta de dado confiável é uma das razões de a diretoria hesitar em investir de verdade.

A Prosus se propôs a preencher essa lacuna com a própria experiência. São 40 mil funcionários espalhados por um portfólio global de empresas, que construíram mais de 60 mil agentes de IA numa plataforma interna, em cerca de dezoito meses. O ponto que dá peso ao relatório é simples: o negócio principal da Prosus não é vender IA para terceiros. Ela é uma operadora em escala contando o que aprendeu, não uma fornecedora descrevendo o que gostaria de vender. Para uma empresa de médio porte tentando entender o próprio caminho, é a diferença entre ouvir quem dirige o carro e quem fabrica o folheto.

A regra dos 2%: a power law dos agentes

A descoberta central é que a velha “power law” dos negócios vale também para agentes de IA. Segundo o relatório, cerca de 2% dos agentes ativos geram uma fatia desproporcional do impacto. A maioria dos agentes vive num aglomerado de uso modesto, e um punhado de exceções concentra o valor. A implicação prática é direta e contraintuitiva: a primeira prioridade de qualquer organização não é multiplicar agentes, é encontrar e cultivar os poucos que importam.

Há um corolário útil. A Prosus relata que cerca de 13% dos agentes mais ativos são de “alto potencial”, ou seja, dão sinais de que podem entrar no grupo do topo se receberem atenção. Isso transforma a gestão de agentes numa disciplina de portfólio: olhar os dados, identificar os candidatos promissores e investir neles, em vez de tratar todos por igual. É o oposto de soltar centenas de agentes e torcer. O valor não está na quantidade, está em reconhecer cedo quais merecem virar peça central da operação.

Agentes têm níveis de senioridade, como gente

O título do relatório, “a era dos colegas de IA”, não é licença poética. A Prosus classificou os agentes em quatro níveis de complexidade que espelham a senioridade de funcionários: do estagiário, que faz tarefas simples com poucas ferramentas, ao sênior, que lida com tarefas muito complexas usando muitas ferramentas, passando por júnior e pleno. Os agentes mais avançados concentram o maior número de usuários, mas, no uso diário, a divisão entre agentes simples e complexos fica perto de meio a meio. Ou seja, os agentes simples carregam um peso enorme da rotina, mesmo sem brilhar.

Esse enquadramento importa porque muda a forma de pensar a IA na empresa. Um colega de IA não é uma ferramenta que você liga, usa e desliga; é uma capacidade que ocupa um papel, acumula contexto e fica melhor com o tempo, como um colaborador que ganha experiência. Tratar agentes como descartáveis, que nascem, executam e somem, é desperdiçar exatamente o que os torna valiosos. Os dados da Prosus reforçam o que defendemos: a transformação agêntica não é trocar pessoas por scripts, é montar uma constelação em que agentes e gente ocupam, cada um, o lugar onde rendem mais.

Onde o valor aparece: as três faixas de retorno

Quando o ganho é medido em horas poupadas, o relatório encontra três faixas bem distintas. A leitura escaneável está na tabela abaixo, e a lição é que a maior parte do valor financeiro se concentra na ponta.

Faixa de agentes	Retorno em horas por mês	Perfil típico
A maioria (cerca de 82%)	Até 20 horas	Assistente pessoal de um funcionário
A faixa intermediária (cerca de 17%)	De 20 a 173 horas, perto de uma pessoa	Tarefa automatizada que redireciona esforço humano
A ponta (menos de 1%)	Milhares de horas	Agente que reescreve a economia de um processo

A faixa de baixo, que poupa poucas horas, costuma ser o assistente pessoal de cada funcionário: útil, porém difícil de medir e pouco interessante de quantificar um a um. A faixa do meio já automatiza tarefas e redireciona o esforço humano para trabalho de maior valor, liberando o equivalente a quase uma pessoa por mês. E a ponta, menos de 1% dos agentes, opera em outra escala, entregando o equivalente a milhares de horas mensais.

Os agentes medidos por receita ou redução de custo seguem o mesmo formato de poucos campeões. A maioria entrega valor anual modesto, uma faixa intermediária gera de US$ 1 a 10 milhões, e um número minúsculo de exceções chega a dezenas de milhões de dólares por ano. Os exemplos do relatório são concretos: um agente que apoia a “cauda longa” de pequenos restaurantes numa plataforma de delivery elevou os pedidos dessa categoria em 119% e a retenção dos pequenos em 73%; um agente que responde dúvidas específicas sobre aluguéis de temporada elevou a taxa de reserva em 138,3%; um agente de insights para a área de mercearia poupa, em média, 46 dias úteis por ano por funcionário. Num caso, um conjunto de agentes passou a operar um marketplace de afiliados que não era economicamente viável antes da IA, com projeção de US$ 83 milhões de receita anual nova.

O teste “apaga hoje à noite”

Nem todo agente tem ROI fácil de calcular, e o relatório oferece um atalho desarmante para esses casos. Em vez de montar uma planilha sofisticada, a Prosus pergunta ao líder da área: o que aconteceria com a receita ou o custo se este agente fosse permanentemente apagado hoje à noite? Enquadrada assim, a pergunta quase sempre faz o líder produzir uma estimativa tangível, em horas, receita ou custo. É um teste honesto porque mede dependência real, não entusiasmo.

Esse é exatamente o sinal de operação que defendemos. Um projeto de IA cruzou da demonstração para a produção quando a operação passa a depender dele e sente falta quando ele cai. Contagem de acessos e relatório de uso podem maquiar a realidade; a pergunta “e se sumisse?” não. Ver uma operadora do tamanho da Prosus chegar ao mesmo critério, de forma independente, é uma boa confirmação de que o teste comportamental vale mais que qualquer métrica de vaidade.

O custo é volátil, então a decisão é da linha de negócio

Um dos trechos mais úteis para o decisor trata de custo, e contraria a expectativa de previsibilidade. O relatório afirma que o custo de operar agentes é volátil e difícil de prever, porque depende de combinações de modelo, infraestrutura e uso de ferramentas que variam muito. Não há relação simples entre o tamanho de uma pergunta e o custo que ela gera. Diante disso, a Prosus parou de tentar prever de cima e passou a empoderar cada linha de negócio a decidir o próprio gasto.

Na prática, a empresa adotou dois níveis: qualquer um usa IA livremente até um limite de uso; acima dele, é preciso aprovação da área, porque a própria linha de negócio é quem está em melhor posição para julgar se o benefício compensa o custo. Essa é, no fundo, a mesma lógica econômica da transformação agêntica que praticamos: a decisão de quanto investir em automação é tomada função por função, comparando o que cada caminho entrega. Não existe regra única para a empresa toda; existe a conta de cada processo, feita por quem conhece o processo.

Como sair do experimento para a escala

A segunda metade do relatório é um manual de adoção, e ele importa porque a maioria das empresas trava justamente na passagem do experimento para a escala. A Prosus descreve o caminho de zero a 60 mil agentes em três fases. A primeira é estabelecer a iniciativa: patrocínio no nível executivo, com a adoção de IA virando meta de verdade, mais o trabalho de integração e padronização e papéis dedicados para sustentar o crescimento. Sem essa base, a iniciativa morre por inércia e disputa de prioridade.

A segunda fase é cultivar os primeiros adeptos. A adoção começa devagar, e o segredo é achar e treinar os primeiros usuários avançados de cada área, com oficinas pequenas, treino de como conversar com o agente e material que ensine o resto a construir. A terceira fase é escalar: cadência frequente com os executivos para revisar os dados de adoção e reforçar o que funciona, incentivo interno para engajar a empresa toda e uma forma de transformar os melhores agentes em modelos que qualquer um copia. O ponto que mais conversa com a nossa prática é o primeiro: nada disso funciona sem patrocínio executivo e sem escopo, e é por isso que recomendamos começar pequeno, por um processo, com método, antes de prometer transformar a empresa inteira.

O próximo salto: a organização reconstruída em torno de IA

O relatório termina olhando além do presente, e a previsão é sóbria. O que a Prosus vê hoje é transformação, não disrupção total: indivíduos e times montando agentes para trabalhar melhor, empresas convergindo nos mesmos casos de uso de retorno rápido, e os poucos agentes campeões virando vantagem competitiva. O salto mais profundo, porém, ainda está à frente: organizações de fato reconstruídas em torno da IA, em que funções inteiras são coordenadas por redes de agentes, com supervisão humana mínima.

A analogia que o relatório usa é a da eletricidade. As fábricas só colheram o maior ganho de produtividade quando reorganizaram todo o processo de produção em torno da energia elétrica, não quando apenas trocaram o motor a vapor por um motor elétrico no mesmo layout antigo. Com IA é igual: o ganho grande vem quando a empresa redesenha a função em torno do resultado desejado, e não quando empilha agentes sobre o organograma de sempre. Esse é um horizonte ambicioso, e mesmo a Prosus diz estar testando, não declarando vitória. Mas a direção é clara, e dá ao decisor de hoje uma régua: cada projeto de IA pode ser só um remendo no processo antigo, ou um primeiro passo para repensar como o trabalho é feito.

O que isso significa para a sua empresa

Tirando o tamanho, quase tudo no relatório se aplica a uma empresa de médio porte, e aponta para o mesmo lugar. A IA não rende por quantidade de agentes, rende por encontrar os poucos de alto impacto e cultivá-los. Agentes são colegas que ocupam papéis e melhoram com o tempo, não ferramentas descartáveis. O retorno se prova com a pergunta honesta de dependência, não com métrica de vaidade. O custo se decide função por função. E a escala depende de patrocínio e método, não de entusiasmo.

Nada disso começa comprando ferramenta. Começa entendendo a própria operação: onde estão os processos de maior impacto, quais merecem um colega de IA dedicado, e qual é a conta de cada um. É por isso que recomendamos abrir qualquer jornada agêntica por um diagnóstico, antes de construir. A Prosus levou dezoito meses e 60 mil tentativas para enxergar a regra dos 2%. A sua empresa não precisa repetir o caminho inteiro: precisa achar, desde o começo, os poucos agentes que vão importar.

Perguntas frequentes

O que é a “power law” dos agentes de IA?

É o padrão, descrito no relatório da Prosus, de que uma fração pequena dos agentes (cerca de 2% dos ativos) gera a maior parte do impacto de negócio, enquanto a maioria entrega ganho modesto. A consequência prática é que vale mais identificar e cultivar esses poucos agentes de alto impacto do que multiplicar agentes parecidos sem critério.

Quantos agentes de IA uma empresa precisa para ter retorno?

Poucos, e bem escolhidos. O relatório mostra que o valor se concentra em uma minoria de agentes, então o número total importa menos que a capacidade de achar os de alto impacto. Para uma empresa de médio porte, começar por um processo certo, com método, tende a render mais do que lançar muitos agentes de uma vez.

Como medir o ROI de um agente de IA?

A Prosus mede de três formas: horas poupadas, aumento de receita ou redução de custo, sempre com estimativa vinda da própria linha de negócio, e não de cima. Quando o cálculo é difícil, usa o teste “apaga hoje à noite”: pergunta o que aconteceria com receita e custo se o agente sumisse. A resposta costuma revelar o valor real.

O que é o teste “apaga hoje à noite”?

É uma pergunta simples para medir a dependência de um agente: o que aconteceria com a receita ou o custo se ele fosse permanentemente desligado hoje à noite? Se a operação sentiria falta de imediato, o agente entrega valor real. É o mesmo sinal comportamental que separa um piloto de uma solução que virou parte da operação.

Quanto custa operar agentes de IA?

O relatório é direto: o custo é volátil e difícil de prever, porque depende de combinações de modelo, infraestrutura e uso de ferramentas. Por isso a Prosus deixa cada linha de negócio decidir o próprio gasto acima de um limite de uso, já que ela conhece melhor a relação entre benefício e custo. A decisão de investir é tomada processo a processo, não por uma regra única da empresa.

Como uma empresa sai do piloto para milhares de agentes?

A Prosus descreve três fases: estabelecer a iniciativa com patrocínio executivo e papéis dedicados; cultivar os primeiros usuários avançados com treino prático; e escalar com cadência de acompanhamento, incentivo interno e modelos de agentes que qualquer um copia. O fator decisivo da primeira fase é o patrocínio do topo, sem o qual a iniciativa perde para o urgente do dia a dia.

O que é uma organização AI-first?

É uma empresa reconstruída em torno da IA, em que funções inteiras são desenhadas a partir do resultado desejado e coordenadas por redes de agentes, com supervisão humana mínima. O relatório compara à eletrificação das fábricas: o maior ganho veio quando o processo foi reorganizado em torno da nova tecnologia, não quando ela só substituiu a antiga no layout de sempre. É um horizonte em teste, ainda não a regra.

Agentes de IA vão substituir os funcionários?

O relatório aponta transformação, não substituição em massa: agentes assumem tarefas e liberam pessoas para trabalho de maior valor, e novos papéis humanos surgem em torno dos resultados. A leitura que defendemos é a da parceria: o futuro é de colegas de IA ao lado de pessoas ampliadas, com a decisão entre um e outro tomada função por função, por critério econômico.

Outros artigos relacionados

• Agentes de IA: o guia para empresas de médio porte
• ROI de agentes de IA: como medir antes de aprovar o projeto
• Plano de implementação agêntica em 90 dias: do piloto ao rollout
• Stellatus em primeira pessoa: como a nossa operação roda em agentes

Fontes e referências

• The Coming Age of AI Colleagues, Prosus
• Building effective agents, Anthropic
• AI Index Report, Stanford HAI