©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Hiperautomação

Governança dos agentes, a bola da vez

A próxima fase da hiperautomação não será decidida pela velocidade dos agentes, mas pela capacidade das empresas de coordenar as regras que sustentam decisões, exceções e autonomia da IA agêntica.A empresa não pode orientar um agente apenas para velocidade, redução de custo ou cumprimento de SLA

Erich Silva

13 de julho de 2026

6 min de leitura

A promessa dos agentes de inteligência artificial é tentadora: fazer mais, em menos tempo e com menos esforço manual. Diferente de um chatbot tradicional, que responde perguntas, um agente pode consultar sistemas, buscar informações, preencher dados, abrir chamados, recomendar decisões e, em alguns casos, executar tarefas sozinho.

Esse avanço traz ganhos importantes de produtividade. Mas também cria um novo tipo de risco. Quando a IA deixa de apenas responder e passa a agir em nome da empresa, a governança é mais do que essencial.

Um estudo recente da McKinsey ajuda a mostrar o tamanho desse desafio. A consultoria conduziu a 2026 AI Trust Maturity Survey entre dezembro de 2025 e janeiro de 2026, com cerca de 500 organizações de diferentes setores e regiões. A pesquisa avaliou a maturidade das empresas em temas como estratégia, gestão de riscos, dados, tecnologia, governança e controles específicos para IA agência. O resultado mostra que apenas cerca de 30% atingem alto nível de governança para agentes de IA.

Ou seja, muitas empresas já estão adotando ou testando agentes, mas poucas têm estrutura madura para controlar o que esses sistemas podem fazer, quando devem parar, quem responde por suas ações e como corrigir desvios antes que eles virem problema.

Em uma operação tradicional, muitos riscos são contidos por camadas humanas que nem sempre aparecem no desenho formal do processo. Por exemplo, um líder segura uma aprovação porque entende que o momento do mercado mudou. Uma área de risco pede uma segunda análise porque a decisão pode afetar um cliente estratégico. Ou um gestor interrompe uma ação porque percebe que o ganho de curto prazo pode gerar desgaste reputacional. Esses freios nem sempre estão escritos como regra, mas fazem parte da proteção do negócio.\

Com agentes de IA, essa lógica precisa ser desenhada de maneira explícita. O sistema não entende, por padrão, que uma decisão pode ser tecnicamente correta e estrategicamente ruim. Ele executa com base nos objetivos, dados e permissões que recebeu. Se esses limites forem mal definidos, a empresa pode ganhar velocidade exatamente onde deveria ter mais cautela.

Esse risco não está apenas no erro evidente. Está também na decisão eficiente, mas incompleta. Um agente pode recomendar a melhor ação para reduzir custo, mas ignorar o impacto em um fornecedor estratégico. Pode priorizar clientes com maior chance de conversão imediata, mas deixar de lado contas que sustentam receita de longo prazo. Pode acelerar uma análise de crédito, mas não considerar sinais de mercado que ainda não foram transformados em regra. Pode automatizar uma etapa de RH, mas tratar como simples uma situação que exigiria sensibilidade humana.

Nesses casos, o problema não é a incapacidade da tecnologia. O problema é o objetivo mal definido. Quando a empresa orienta um agente apenas para velocidade, redução de custo ou cumprimento de acordo de nível de serviço (SLA), ele tende a otimizar exatamente isso. Mas uma empresa não vive apenas de eficiência. Vive também de margem, confiança, reputação, experiência do cliente, continuidade operacional e responsabilidade.

Um caso conhecido ajuda a ilustrar esse ponto. A Amazon chegou a desenvolver uma ferramenta de IA para apoiar recrutamento, atribuindo notas a candidatos. O projeto acabou sendo abandonado depois que a empresa identificou que o sistema reproduzia vieses contra mulheres, porque havia aprendido com históricos de contratação marcados por predominância masculina em determinadas áreas. O caso mostrou que a IA não apenas automatiza decisões; ela também pode reproduzir, acelerar e dar aparência técnica a distorções que já existiam nos dados.

A lição é direta para os agentes de IA. Se uma empresa automatiza um processo sem revisar seus critérios, seus dados e seus pontos de controle, ela pode escalar problemas antigos com uma velocidade nova. O agente não corrige sozinho a lógica de negócio. Ele executa a lógica que recebeu. Por isso, governança não pode ser uma etapa posterior. Precisa nascer junto com o desenho da automação.

Antes de dar autonomia, a empresa precisa definir exatamente o que o agente pode fazer, quais objetivos ele deve otimizar, em quais situações deve parar, quando precisa chamar uma pessoa, quais ações devem ser registradas e quem responde pelo resultado final.

Agentes agora fazem parte da execução da empresa. Por isso, precisam ser discutidos por quem cuida de operação, receita, risco, experiência do cliente, reputação, compliance e continuidade do negócio.

A pesquisa da McKinsey mostra que a maioria das empresas ainda está no começo dessa jornada. O desafio agora é transformar governança em prática de gestão. Não basta ter uma política de uso de IA. É preciso ter controle sobre decisões, permissões, exceções, riscos, métricas e responsabilidades.

As empresas mais preparadas não serão necessariamente aquelas com os agentes mais autônomos. Serão aquelas que conseguirem acelerar a hiperautomação com governança e alta maturidade.