Building Effective Enterprise Agents - Briefing do Grupo de Plataformas de IA da BCG
Navegação Rápida
Tags
Compartilhar os slides
Building Effective Enterprise Agents - Briefing do Grupo de Plataformas de IA da BCG
Visualização detalhada de cada página de slide, incluindo layout, conteúdo principal e elementos visuais.
Slide de título: Apresentação do BCG AI Platforms Group, Novembro de 2025. Autores: Tom Martin, David Heurtaux, Caitlin Barber e outros 8.
Fundo escuro sangrado com forma orgânica verde-água, logotipo do BCG AI Platforms Group, título e lista de autores
Define o contexto: a maioria das orientações sobre agentes de AI são teóricas ou ignoram a complexidade empresarial. Este briefing tem como objetivo abordar como construir agentes de AI confiáveis e seguros na empresa com os padrões, plataformas, técnicas e capacidades corretas.
Layout dividido: texto à esquerda com frases-chave em negrito, imagem de robô gerada por AI à direita olhando para a infraestrutura legada
Quatro capítulos: (01) Por que é difícil construir agentes na empresa? (02) Como projetar um agente empresarial? (03) Como construir um agente empresarial? (04) Como montar uma plataforma de agentes?
Quatro cards com código de cores em uma linha: verde, ciano, amarelo, rosa
Divisória de seção para o Capítulo 1.
Fundo escuro com marcador de seção e título verde/verde-água
Três questões-chave que os líderes enfrentam: Como manter a AI focada no valor (impacto em P&L), como manter a AI sob controle (confiabilidade, segurança, custo) e como escalar de forma confiável. 75% dos líderes de tecnologia temem falhas silenciosas.
Layout dividido: perguntas de liderança à esquerda com cards verdes, imagem da paisagem MAD AI e estatística de 75% à direita
Estudos de caso mostrando a promessa do agente (redução de 30-50% no tempo/custo, aumento de produtividade de mais de 30%) vs. checklist da realidade de mais de 15 desafios de implementação. O BCG entregou mais de 300 agentes em clientes.
Layout dividido: a esquerda mostra estudos de caso e estatísticas do BCG, a direita mostra expectativa vs realidade com um longo checklist
Benchmark METR mostrando a complexidade da tarefa de engenharia de software tratada por LLMs ao longo do tempo (GPT-2 até GPT-5.1-Codex-Max). Agentes restritos funcionam agora; agentes profundos são a próxima fronteira.
Layout dividido: gráfico de dispersão à esquerda mostrando a progressão do LLM, texto de perspectiva futura à direita
Os fatores limitantes não são LLMs, mas sistemas legados: (1) Integrações Brownfield, (2) Dados empresariais não confiáveis, (3) Falta de avaliações, (4) Sobrecarga de governança e auditoria, (5) Fricções de OpModel e escala.
Layout de cinco colunas com cabeçalhos verde-água numerados e descrições detalhadas
Cinco horizontes: H0 Agentes restritos (em escala), H1 Agentes únicos (adoção crescente), H2 Agentes profundos (adoção crescente, foco aqui), H3 Agentes baseados em função (muito cedo), H4 Malha de agentes (R&D inicial). Selo de verificação da realidade incluído.
Linha do tempo horizontal com cinco cards de horizonte, selos de maturidade e diagramas arquitetônicos
O BCG adapta o clássico Double Diamond para agentes empresariais: Diamond 1 (Descobrir + Definir) para design, Diamond 2 (Desenvolver + Implementar) para construção. Quatro fases: Obter ideias, Decomposição de metas, Construir capacidade, Implementar e iterar.
Duas formas de diamante lado a lado com fases numeradas e descrições abaixo
Divisor de seção para o Capítulo 2.
Fundo escuro com marcador de seção ciano
Matriz 2x2: Complexidade de Objetivo e Ambiente vs Risco, Ética e Governança. Quadrantes: Automação Tradicional, Fluxos de Trabalho Agênticos, Liderado por Humanos com vários níveis de suporte. Insight principal: se regras claras funcionam, evite construir agentes por construir.
Layout dividido: matriz 2x2 à esquerda com exemplos, texto explicativo à direita
Design com foco no resultado usando o exemplo de Processamento de Solicitação de Empréstimo. Comece com os objetivos de negócios, decomponha em árvores de dependência com pontos problemáticos e, em seguida, priorize as oportunidades de agentes. Mantra principal: resultados, não saídas.
O lado esquerdo mostra o exemplo da árvore de decomposição, o lado direito tem três princípios-chave
Três níveis de design de agente: Agente único (loop de raciocínio único), Agente profundo simples (orquestrador + subfluxos), Agente profundo complexo (orquestração multiagente com agentes especializados).
Comparação de três colunas mostrando diagramas de arquitetura de agente de complexidade crescente
Quatro padrões de interação humano-agente: Assistido por agente (semelhante ao ChatGPT), Humano no loop (semelhante ao Claude Code), Humano no loop (semelhante ao Crew AI), Humano fora do loop (autônomo). Cada um com diferentes mecanismos de gatilho e aprovação.
Layout de quatro colunas com diagramas de fluxo de trabalho e exemplos para cada padrão
Framework padronizado para descrever e documentar agentes. Mostra o fluxo ilustrativo do Agente de Empréstimo: criação do contexto inicial, loop de raciocínio do agente, invocação de ferramenta, resposta final com aprovação humana e rastreamento LLMOps.
Diagrama de fluxo detalhado do agente com componentes codificados por cores: geral, engenharia de contexto, modelo de IA, estado/memória, ferramentas, erros
Estrutura ADC: Objetivo Alcançável do Agente (Agent-Achievable Goal), Métricas, Entradas/Saídas, Habilidades/Ferramentas/Capacidades, comportamento de fallback, tipo de Gatilho do Agente (Reativo/Proativo, Liderado pelo Usuário/Liderado pelo Sistema). Cinco princípios para ADCs eficazes.
Layout dividido: cinco princípios à esquerda, cartão ADC de exemplo à direita para Processamento de Solicitação de Empréstimo
De ADCs concluídos à arquitetura da plataforma. Princípios-chave: avalie primeiro o stack atual, deixe que os cartões de design orientem as escolhas de capacidade, priorize o MVP da plataforma thin, projete para produção (guardrails, observabilidade), estenda seletivamente.
Layout dividido: cartões ADC empilhados e diagrama de arquitetura da plataforma à esquerda, cinco princípios à direita
Divisor de seção para o Capítulo 3.
Fundo escuro com marcador de seção amarelo
Visão geral de 14 componentes: (1) Ciclo de vida de desenvolvimento do agente, (2) Plataforma de dados, (3) Memória, (4) Avaliação, (5) Orquestração do agente, (6) Ajuste de prompt, (7) Construção da plataforma do agente, (8) Engenharia de contexto, (9) AI Gateway, (10) Design do ambiente, (11) Código baixo vs profissional, (12) LLMOps empresarial, (13) Modos de falha, (14) Regulamentação e conformidade.
Layout de grade com 14 cartões numerados, cada um com imagem em miniatura e breve descrição
Ciclo de vida de desenvolvimento de agentes em seis fases, baseado nos ciclos de vida de ML & SWE: (1) Enquadrar o agente, (2) Projetar a estrutura e a lógica do agente, (3) Preparar avaliações e ambiente, (4) Projetar política e prompts, (5) Testar e ajustar, (6) Lançar, monitorar e evoluir.
Pipeline hexagonal horizontal com seis fases, cada uma com bullet points detalhados
Quatro tipos de plataforma: Soluções agentic independentes (turnkey), Plataformas agentic incorporadas (integradas em suítes empresariais), Plataformas de construção de agentes (low/no-code), Plataformas de agentes construídas sob medida (controle total).
Comparação em quatro colunas com ilustrações e bullet points
Arquitetura de plataforma de dados para agentes: camada de recuperação (busca híbrida, GraphRAG, Text-to-SQL), camada de armazenamento (vector DBs, knowledge graphs, OLAP/OLTP), processamento de entrada (chunking, embedding, enriquecimento de metadados).
Diagrama de arquitetura mostrando camadas da plataforma de dados com fontes de dados não estruturadas e estruturadas
Arquitetura de Model Gateway: registro central, monitoramento de token/latência, políticas de roteamento de modelo, rastreamento de custos FinOps e proteções de segurança. Cinco capacidades principais detalhadas.
Diagrama de fluxo mostrando tenants através do Model Gateway para provedores terceirizados, com caixas de FinOps e Segurança
Dois modelos de implantação: Nível de ambiente (isolado por ambiente, experimentação mais rápida) vs Nível de projeto (banco de dados compartilhado, gerenciamento central em escala). LLMOps deve fornecer gerenciamento de prompt, avaliações de agentes e observabilidade.
Comparação dividida: dois diagramas de modelo de implantação lado a lado com prós/contras
Framework de avaliação: desempenho do agente (resultado final, planejamento e trajetória, precisão de etapa única) e segurança e red-teaming do agente (segurança de interação, controle de agência, integridade do ciclo de vida). Ciclo contínuo de coletar-testar-implantar-monitorar.
Diagrama de fluxo de trabalho circular à esquerda, categorias de avaliação no centro, melhores práticas à direita
Caso de cliente de seguros: pontuação F1 de extração de entidade melhorou de ~50 para 75 (+25%) em 6 sprints por meio de engenharia de contexto iterativa (prompts, RAG, ferramentas). Traduzido em impacto de milhões de dólares na receita.
O lado esquerdo mostra o processo de extração de entidade, o centro tem um gráfico de barras de pontuação F1, o lado direito mostra a tabela de progressão de sprint
Cinco camadas de integração: Camada de negócios inteligente, Camada de transação central (use MCP), Camada de AI (projetar para async), Camada de dados (use IAM), Camada de infraestrutura (abstrair complexidade). Chave: tratar agentes como atores do sistema com limites claros.
Diagrama hub-and-spoke com agente no centro, cinco camadas circundantes com descrições
Divisor de seção para o Capítulo 4.
Fundo escuro com marcador de seção rosa
Três eras: 2023-24 agentes fortemente acoplados (código+dados+implantação na mesma stack), 2025 plataformas de agentes desacopladas (lógica separada do backend), 2026+ interoperabilidade entre plataformas com protocolos compartilhados.
Linha do tempo de três colunas com diagramas arquitetônicos mostrando a evolução
Arquitetura de referência completa da plataforma: (1) AI Guardrails, (2) LLMOps, (3) MCP & Agent Registry, (4) Model Gateway, (5) Construtores no/low-code, (6) Agent Framework, (7) Agent Runtime, (8) Memória, (9) Monitoramento/Logging/FinOps, (10) Plataforma de Dados.
Diagrama detalhado da arquitetura da plataforma com 10 componentes numerados e descrições
Três estratégias de plataforma: Unificada (fornecedor único, rápida, mas limitada), Híbrida (flexibilidade equilibrada com complementos direcionados), Customizada/modular (alta diferenciação, alta complexidade). As empresas convergirão para a híbrida.
Comparação de três colunas com diagramas de blocos empilhados
Ecossistema de agentes de três níveis: Orquestração Empresarial (governança entre plataformas), Orquestração de Domínio (colaboração operacional entre pessoas e agentes), Cenário de Dados e Ferramentas (conectores compartilhados, versão/monitoramento/desativação).
Diagrama de arquitetura em camadas de três níveis com exemplo de processamento de empréstimos
Árvore de decisão: Primeiro avalie a diferenciação e a complexidade (se não houver diferenciação → Comprar/Adotar), depois a capacidade de execução (se os recursos forem limitados → Comprar e Configurar/Adaptar), se for capaz → Construir/Montar. A híbrida é inevitável para a maioria das empresas.
Árvore de decisão à esquerda, três opções (Adotar/Adaptar/Montar) à direita com descrições
Cinco fatores de gravidade para a seleção da plataforma: (1) Gravidade dos Dados (força mais forte), (2) Gravidade dos Sistemas (lock-in de ERP/CRM legados), (3) Governança/Segurança/Conformidade, (4) Valor e Diferenciação, (5) Complexidade da UI/UX. O acesso aos dados é a atração mais forte.
Diagrama orbital mostrando cinco fatores de gravidade com implantações de agentes, descrições à direita
Cinco conclusões: (1) Desenhe para resultados, não para saídas, (2) Comece de forma simples com design orientado por avaliação, (3) Construa sobre fundamentos empresariais compartilhados, (4) Escolha a plataforma certa com base na gravidade dos dados/sistema, (5) Projete confiança, conformidade e resiliência por padrão. Olhando para o futuro: 2026 será o ano em que os agentes entregarão valor real.
Cinco cartões numerados de conclusões à esquerda, texto Olhando para o Futuro à direita
Links para quatro recursos da BCG: Tech Foundation for GenAI Success, AI on BCG.com, Latest thinking on Agents, Executive Perspective Series.
Quatro miniaturas de cartões de visualização em uma grade 2x2 com fundo escuro
18 fotos de rosto de membros da equipe com nomes: Vladimir Lukic, Nicolas De Bellefonds, Gene Sheenko, Djon Kleine, Tom Martin, Julien Marx e outros 12.
Três fileiras de seis fotos circulares de rosto com nomes
Aviso legal padrão da BCG sobre os materiais estarem sujeitos aos Termos Padrão da BCG, não constituírem aconselhamento jurídico/contábil/fiscal, confidencialidade e nenhuma opinião de imparcialidade.
Layout dividido: texto grande de Isenção de responsabilidade à esquerda, texto legal completo à direita
Slide de encerramento com o logotipo da BCG.
Logotipo da BCG centralizado em fundo gradiente verde-azulado escuro
Divisor de seção para o Apêndice Técnico com slides adicionais de mergulho profundo.
Fundo escuro com o título Apêndice Técnico
Cinco sistemas: (1) Experiência do Usuário e do Agente (apps, APIs, MCP), (2) Ambiente do Agente (recursos, ferramentas), (3) Política do Agente (fluxo de controle, mapeamento contexto-para-ação), (4) Runtime do Agente (plataformas, escalonamento), (5) Operações do Agente (monitoramento, segurança, ciclo de vida).
Cinco barras horizontais verdes com descrições e ilustrações
Componentes detalhados para cada sistema: Ambiente (Browser, APIs, Databases, Terminal, servidores MCP), Política (LLMs, Fluxo de controle, Threads, Input/Output, Memória), Runtime (API Manager, Hosting, FinOps, Guardrails), Operações (PromptOps, Testing, Evals, Monitoring, SIEM).
Tabela de grade com cinco linhas de sistema e seus subcomponentes
Sete desafios fundamentais: (1) Compartilhamento de contexto e alinhamento de objetivos, (2) Complexidade da coordenação, (3) Resolução de conflitos, (4) Planejamento e memória de longo alcance, (5) Atribuição de crédito, (6) Ficar preso em loops, (7) Desvio de tarefa. Requer avanços em CS, não apenas um prompting melhor.
Layout dividido: diagrama de interação multiagente à esquerda, sete desafios numerados à direita
Decomposição de quatro níveis: Resultado → Objetivo Estratégico → Objetivo Tático → Objetivo Atingível pelo Agente. Exemplo de eCommerce: Aumentar o CLV em 25% → Melhorar a retenção para 75% → Identificar clientes em risco → Objetivos do agente (monitorar sinais, acionar intervenções, enviar recomendações, sugerir produtos).
Layout dividido: hierarquia de decomposição à esquerda, árvore de exemplo de eCommerce à direita
Matriz 2x2 de padrões de interação do agente: Timing (Reativo vs Proativo) x Origem do Contexto (Liderado pelo Usuário vs Liderado pelo Sistema). Quatro quadrantes com exemplos: Usuário Pergunta e Agente Responde, Usuário Age e Agente Observa, Sistema Aciona e Agente Responde, Sistema Muda e Agente Observa.
Matriz 2x2 com referência a LangChain Ambient Agents
Quatro tipos de plataforma combinados com cenários: Standalone (rápido, estreito, uma equipe), Embedded (agentes in-suite aproveitando dados nativos), Agent Builder (low/no-code governado), Custom-Built (lógica diferenciada, sob medida). Exemplos: Adobe Firefly, Salesforce Agentforce, Copilot Studio, open source.
Tabela de comparação de quatro colunas com critérios de quando escolher e exemplos de tecnologia
Cinco estratégias: (1) Armazenar o contexto fora da janela, (2) Otimizar o tempo de seleção e recuperação, (3) Compactar o contexto ao longo do tempo, (4) Isolar o contexto em contêineres separados, (5) Gerenciar ativamente o impacto do fluxo de trabalho. Referências de Anthropic, LangChain e Building Manus.
Layout de cinco colunas com ícones e marcadores detalhados, artigos de referência à direita
Arquitetura de memória: STM (janela de contexto temporário com Instruções, Conhecimento, Ferramentas, Capacidade livre) e LTM (persistente entre sessões: Semântica, Procedural, Episódica). A integração não é trivial, com desafios em torno de promoção, compressão e recuperação.
Diagrama de dois níveis mostrando STM e LTM com descrições à direita
Ciclo PromptOps de sete etapas: (1) Configurar loops de feedback, (2) Fixar e versionar prompts, (3) Alterar um elemento de cada vez, (4) Usar saídas estruturadas, (5) Avaliar através de múltiplas camadas, (6) Concluir testes A/B com rollouts canary, (7) Garantir a observabilidade com caminhos de rollback.
Diagrama circular do fluxo de trabalho PromptOps à esquerda, sete práticas recomendadas numeradas à direita
Seis categorias de falha: (1) Falhas de Identidade/AuthN/AuthZ, (2) Falhas na cadeia de suprimentos de dados e conteúdo, (3) Falhas de orquestração/ferramentas/integração, (4) Falhas de objetivo/raciocínio/alinhamento, (5) Falhas de governança e humanas, (6) Falhas operacionais/custo/disponibilidade. Cada uma com exemplos e mitigações.
Tabela de seis colunas com modo de falha, exemplos e linhas de mitigações
A2A define como os agentes conversam, coordenam, negociam e compartilham o estado. A2A lida com o diálogo entre agentes, enquanto o MCP permite a descoberta de ferramentas. Estruturas líderes (Google ADK, CrewAI, LangGraph) estão integrando A2A. Prossiga com curiosidade e cautela.
Layout dividido: Descrição A2A e diagrama de arquitetura à esquerda, comparação A2A vs MCP à direita
Comparação em seis critérios: Velocidade para o primeiro valor (dias vs semanas), Profundidade de personalização (baseado em regras vs flexibilidade total), Integrações (ecossistema rico vs ilimitado), Governança (integrada vs controle total), Observabilidade (básica vs avançada), Custo (entrada mais baixa vs maior inicial).
Tabela de comparação de duas linhas com seis colunas de critérios de decisão
Arquitetura de segurança: SOC no centro com EDR, XDR/SIEM, Application Delivery Controllers, CloudSec, SASE, IAM/PAM, Data Sec/DLP, GRC, Segurança Ofensiva. Três pontos-chave: SOC precisa de telemetria de agentes, os planos de controle devem evoluir, as organizações devem proteger a identidade/dados/conformidade.
Diagrama de arquitetura de operações de segurança com centro SOC, camadas de segurança circundantes e três pontos-chave
Perguntas comuns sobre este slide e o conteúdo da apresentação subjacente.
Este é o briefing abrangente do Grupo de Plataformas de IA da BCG sobre a construção de agentes de IA corporativos eficazes, publicado em novembro de 2025. Ele cobre todo o ciclo de vida, desde o design até a implantação, com estruturas práticas para arquitetura de agentes, seleção de plataforma e governança, com base na experiência da BCG na entrega de mais de 300 agentes.
Os cinco principais bloqueadores são: (1) Integrações Brownfield com sistemas legados, (2) Dados corporativos não confiáveis, (3) Falta de estruturas de avaliação, (4) Sobrecarga de governança e auditoria e (5) Atritos de OpModel e escala. Notavelmente, os fatores limitantes não são as capacidades do LLM, mas os processos e sistemas corporativos.
A BCG define cinco horizontes: Agentes H0 Constrained (em escala hoje), Agentes H1 Single (adoção crescente), Agentes H2 Deep com orquestração (foco atual), Equipes de agentes H3 Role-based (muito cedo) e Malha de agentes H4 (R&D inicial). As empresas devem se concentrar em construir até o Horizonte 2 hoje.
Os 14 componentes são: Ciclo de vida de desenvolvimento de agentes, Plataforma de dados, Memória, Avaliação, Orquestração de agentes, Ajuste e iteração de prompt, Construção de plataforma de agentes, Engenharia de contexto, Gateway de IA, Design de ambiente, Equilíbrio de código baixo versus código profissional, LLMOps corporativo, Gerenciamento de modos de falha e Regulamentação e conformidade.
A BCG recomenda uma árvore de decisão: Se o caso de uso não for diferenciador, compre (Adote). Se você tiver recursos limitados, compre e configure (Adapte). Construa (Assemble) somente quando o caso de uso for diferenciador e você tiver a capacidade de engenharia. A maioria das empresas acabará com uma abordagem híbrida.
Um ADC é o modelo padronizado da BCG para definir o escopo do agente. Ele inclui a meta alcançável pelo agente, métricas de sucesso, entradas/saídas, habilidades e capacidades necessárias, comportamento de fallback e tipo de gatilho (reativo/proativo, liderado pelo usuário/liderado pelo sistema). Os ADCs garantem o alinhamento entre as metas de negócios e a implementação técnica.
O MCP (Model Context Protocol) permite que os agentes descubram e chamem ferramentas e acessem recursos, enquanto o A2A (Agent-to-Agent protocol do Google) lida com o diálogo, a coordenação e o compartilhamento de estado entre os agentes. Eles resolvem diferentes camadas da pilha de tecnologia de IA e são complementares, embora ambos ainda estejam evoluindo.
Ele dedica uma cobertura significativa à segurança, incluindo seis categorias de modos de falha do agente (identidade, dados, orquestração, raciocínio, governança, operacional), uma arquitetura de plano de controle de segurança para integração SOC e mitigações detalhadas para cada tipo de falha. O princípio fundamental é projetar confiança, conformidade e resiliência por padrão.
Create Your Own Slides
Turn your ideas into professional presentations in seconds with 2slides AI.
Referencie designs profissionais, escolha seu estilo e gere slides com renderização de texto perfeita. Alimentado por Nano Banana—comece a criar sua apresentação agora.
Your AI Agent for slides. Save time, shine faster with intelligent presentation creation.
© 2026 2slides. All rights reserved.