A IA Agentic foi escalada como a próxima grande onda de inovação tecnológica que transformará fundamentalmente como o trabalho é feito. Alimentado por uma nova classe de modelos de raciocínio cada vez mais precisos e confiáveis, os agentes da IA automatizarão uma grande quantidade de tarefas que atualmente exigem o toque humano, informamos. A história parece atraente, mas quanto disso é actual versus uma fantasia tecnológica?
Não há dúvida de que as empresas estão investigando a IA e investindo grandes somas em projetos de IA. Alguns desses projetos estão tendo sucesso, mas a maioria não está tendo sucesso. Isso não é, por si só, causa de alarme, pois muitas novas tecnologias enfrentam desafios durante os estágios iniciais de adoção. A grande questão é a rapidez com que superaremos esses desafios e como a adoção da IA ficará na empresa.
Neste ponto, se você é um fornecedor de TI ou um consultor de TI e a IA não faz parte da sua estratégia, é provável que você não tenha muitas chamadas devolvidas.
“A IA está na frente e no centro de todas as nossas discussões”, diz Ram Palaniappan, CTO em Teksystemuma consultoria de TI com US $ 7 bilhões em receita international. “Se você está se posicionando sem uma primeira abordagem da IA, os clientes não querem ouvi -lo … eles sentem que você está em algum lugar legado.”
A Teksystem está trabalhando com muitas grandes empresas globais para ajudá -las a construir seus sistemas de IA. Grande parte do trabalho envolve o uso de grandes modelos de idiomas (LLMS) para fornecer experiências mais personalizadas em áreas como atendimento ao cliente, diz ele. A consultoria usa ferramentas como Langchain e Llama Index para automatizar alguns desses fluxos de trabalho de IA generativos.
No entanto, alguns clientes já estão pedindo assistência no desenvolvimento de agentes de IA. Esse espaço não é tão bem definido quanto o espaço LLM, diz ele, e levará algum tempo para que as ferramentas amadurecem.
(A-Picture/Shutterstock)
“O que estamos vendo é que o uso da IA agêntica está evoluindo lentamente, as ferramentas nesse espaço estão evoluindo. As integrações, os padrões abertos para comunicação – essas coisas estão evoluindo”, diz Palaniappan ao Bigdatawire em uma entrevista. “Eu diria que existem alguns indicadores líderes principalmente da perspectiva de adoção, mas ao mesmo tempo há um jogo de recuperação para atender a esses requisitos”.
Julian Laneve, o CTO de Astrônomotambém notou um aumento na discussão sobre a IA Agentic. Como empresa por trás do Apache Airflow, o astrônomo é obter dados para onde precisa ir, seja um knowledge warehouse para análise advert hoc ou para um modelo de raciocínio para uma previsão e uma ação.
No entanto, Laneve não está convencido de que alguns desses casos de uso de IA agênticos precoces valem o tempo e a despesa para trabalhar com tecnologia complexa e propensa a erros. Por exemplo, um dos CTOs de um cliente de astrônomo disse a ele que queria criar “um enxame multi-agente” para ajudar a automatizar o sistema de bilheteria de suporte. Isso atingiu Laneve como um exagero.
“Tudo o que você precisa fazer é classificar o ticket de suporte e, em seguida, rascuar automaticamente uma resposta para ele.“ É um fluxo de trabalho simples ”, diz ele.“ É fácil ficar empolgado com o que esses LLMs podem fazer. Mas é como se as pessoas saltassem direto para tentar obter o máximo potencial delas antes de fazer a coisa simples e óbvia. ”
Laneve entende o grande benefício que os LLMs nos trazem em comparação com como o processamento de linguagem pure (PNL) costumava ser feito. Em vez de criar uma equipe de aprendizado de máquina e treinar um modelo personalizado em termos comuns nessa empresa, é muito mais barato e mais fácil usar um LLM pré-construído para classificar e até potencialmente responder a coisas como suportar ingressos.
“O exemplo mais simples é o acorrentado”, ele diz Bigdatawire. “Assim, você pode usar um LLM como a primeira etapa do oleoduto e a segunda etapa do pipeline e a terceira etapa e, eventualmente, faz algo com ele. Um bom exemplo disso é Llamaindex ou Langchain ou algo assim.”
Mas, em alguns casos, mesmo ferramentas como Langchain e Llamaindex podem ser exageradas, diz ele. A Laneve viu muitos clientes de astrônomos criarem fluxos de trabalho de IA sólidos usando o fluxo de ar Apache.
“É uma plataforma flexível de orquestração de fluxo de trabalho suficiente que você esteja pedindo ferramentas de dados, ferramentas de ML, ferramentas de IA, os princípios ainda são os mesmos”, diz ele. “Vimos muitas pessoas produzindo essas coisas com pouco ou nenhum esforço. Vi equipes cuspindo novos fluxos de trabalho LLM várias vezes ao dia, e isso aumenta tremendous rapidamente. Cada fluxo de trabalho de LLM particular person pode, por si só, não ser tão interessante. Talvez seja um pouco mais específico. rapidamente.”
A repentina obsessão por cargas de trabalho Agentic AI Strikes Laneve como um caso clássico de tecnólogos ficarem obcecados com novas tecnologias, em vez de analisar como as tecnologias podem resolver problemas de negócios reais. Como todos os LLMs e modelos de raciocínio são propensos a alucinações, você também aumenta as probabilities de erros que surgem em seus fluxos de trabalho quando você tira os seres humanos completamente do loop, como muitos querem fazer com a IA Agentic.
“Eu não diria que sou anti -agente, a longo prazo”, diz ele. “Mas estou anti -começando com agentes antes de você obter valor actual desses casos de uso de fluxo de trabalho único”.
Itens relacionados:
Pocket book do repórter: hype e glória da AI no NVIDIA GTC 2025