Cerca de 90% das grandes organizações já usam IA para desenvolvimento de código, e 86% delas já têm essa tecnologia em produção, segundo o relatório State of AI Agents, publicado pela Anthropic em janeiro de 2026. O desafio que agora define a IA enterprise está na distância entre atividade com IA e retorno gerado pela IA. A tecnologia funciona, mas a maioria das organizações ainda não tem o modelo operacional necessário para converter capacidade de engenharia em resultados mensuráveis para o negócio.
Essa foi a questão central em todas as sessões do Applied AI Symposium, realizado no escritório da Indicium AI em Londres no dia 14 de maio de 2026, com patrocínio da Anthropic e da AWS. O evento reuniu cerca de 150 líderes seniores para discutir esse desafio, incluindo C-levels, Heads de Dados e IA, diretores de engenharia e líderes de produto e estratégia de empresas como JPMorganChase, NatWest Group, Citi e EDF.
Ralph Ramos, da Anthropic, abriu o evento com a keynote The Agentic Revolution. Em seguida, o painel de Serviços Financeiros reuniu líderes da Experian, Schroders, Howden e AWS. O painel de Energia e Utilities trouxe representantes da Shell, AWS e o consultor independente Damien Buie. O dia terminou com uma conversa com Louis Joubert, da London Stock Exchange Group (LSEG), Anna Bratton, da Anthropic, e Steve Bryen, CTO da Indicium AI.
Ao longo das quatro sessões, os mesmos temas apareceram de forma recorrente.
1. A unidade de trabalho da IA ficou maior
Ralph abriu sua apresentação com um gráfico que reposicionou a forma como líderes enxergam produtividade com IA. Ele mostrou como a “unidade de trabalho” executada pela IA evoluiu ano a ano: de uma linha de código, em 2023, para uma função, em 2024; uma feature, em 2025; e um projeto inteiro, em 2026. A cada avanço, os modelos passaram a assumir mais da execução, enquanto os desenvolvedores assumiram um papel maior de direção, revisão e supervisão.
Os exemplos apresentados mostram a escala dessa mudança. O Spotify reportou 90% de economia no tempo de engenharia em migrações. A Rakuten executou uma refatoração autônoma em uma base com 12,5 milhões de linhas de código em sete horas, já em produção. A Stripe converteu 10 mil linhas de Scala para Java em quatro dias, diante de uma estimativa inicial de dez semanas de engenharia, e hoje leva 1.200 pull requests para produção por semana. Para Ralph: “A questão não é mais se sua empresa vai adotar IA. A questão é se o restante da empresa vai conseguir acompanhar seus engenheiros.”
Na conversa executiva, Louis Joubert, da LSEG, trouxe o contraponto essencial: cada linha de código gerada por IA também passa a ser uma linha que precisa ser mantida. Esse crescimento de código representa um risco real para grandes empresas. À medida que a alavancagem dos desenvolvedores aumenta, a superfície de manutenção também cresce.
2. A restrição deixou de estar no modelo. Agora está na organização.
Se a unidade de trabalho da IA cresceu, a principal restrição também mudou. O painel de Serviços Financeiros foi direto: a corrida por qualidade dos modelos passou a avançar de forma mais incremental. O que agora limita o impacto é a estrutura que envolve o modelo: contexto de domínio, camadas de MCP (Model Context Protocol), bibliotecas de habilidades e a forma como a organização conecta tudo isso aos seus fluxos de trabalho.
Durante anos, o mantra enterprise foi que “dados são o diferencial competitivo”. Agora, a tese evoluiu: contexto é o diferencial. Isso inclui lógica de processos, memória institucional e metadados de domínio, elementos que determinam se a IA entrega algo apenas competente ou realmente valioso para o negócio. Mathias Athwal, da AWS, reforçou esse ponto no painel: o contexto precisa ser tratado como um ativo do negócio, e o processo em torno dele se tornou a nova restrição. Documentação, camadas de MCP e bibliotecas de habilidades deixaram de ser atividades de suporte. Elas passaram a compor a propriedade intelectual estratégica da empresa.
Ralph trouxe números para a mesma discussão. Cerca de 65% do dia de um profissional do conhecimento está no “meio” do trabalho que a IA consegue comprimir: buscar dados, conciliar planilhas, resumir conversas e criar primeiras versões. Planejamento e decisões que poderiam ser questionadas por um regulador continuam sob responsabilidade humana. A alavancagem é enorme. Mas capturá-la exige redesenhar como os times operam, não apenas comprar mais capacidade de modelo.
Richard Bruckshaw, da Schroders, trouxe um exemplo concreto: um ciclo de desenvolvimento de software agêntico, no qual a IA é incorporada às etapas de construção, teste e revisão, substituindo testes manuais por automação. Como Richard resumiu, o ganho de velocidade exige controles mais explícitos, não menos.
3. Confiança, autonomia e setores regulados
O painel de Energia e Utilities trouxe a discussão sobre IA agêntica para um setor em que o custo de uma decisão ruim não aparece em pontos-base, mas em megawatts, incidentes de segurança e confiabilidade da rede. A tensão é estrutural: regulação pesada, infraestrutura crítica nacional e ciclos de tecnologia e capital que duram anos.
A Ofgem, reguladora de energia do Reino Unido, seu AI sandbox e o EU AI Act estão mudando o cálculo de custo-benefício da IA. O painel foi além: a IA pode redefinir o próprio sistema energético, ao lado de compromissos de sustentabilidade como a meta da Shell de atingir net zero até 2050. Carol Yan, da AWS, resumiu a questão operacional para líderes de energia: a criação de valor acontece de forma descentralizada, mas a aceleração de valor exige coordenação central.
O painel de Serviços Financeiros chegou ao tema da confiança por outro caminho. Conforme consumidores passam a esperar que a IA gerencie partes relevantes de suas vidas financeiras, a confiança em agentes se torna um novo desafio. Uma IA pode agir em nome de uma pessoa e tomar decisões de alto impacto. Ao mesmo tempo, verificação de identidade e detecção de fraude ficam mais complexas quando quem faz uma solicitação também pode ser um agente.
Na conversa executiva, Louis Joubert resumiu a disciplina exigida por ambientes regulados em uma frase: “Não confie até verificar, e continue verificando.” Anna Bratton, da Anthropic, ampliou esse ponto: mesmo com modelos de fronteira cada vez mais capazes, o desvio de comportamento dos modelos continua sendo uma realidade em produção. Empresas ainda precisam desenhar pontos de controle humanos dentro dos fluxos agênticos. A leitura do painel de Serviços Financeiros foi direta: os antigos gates de aprovação sustentavam o controle. O verdadeiro desafio de design agora é reconstruir essa disciplina como um processo automatizado.
4. Do projeto à operação: como fechar o GenAI Divide
O estudo mais citado da tarde foi o GenAI Divide, do MIT, que identificou que 95% dos pilotos corporativos de GenAI não geram impacto mensurável no P&L. A conclusão foi ainda mais importante: essa diferença não parece ser causada pela qualidade dos modelos ou pela regulação, mas pela abordagem de execução.
As organizações que fazem parte dos 5% capazes de gerar retorno mensurável compartilham quatro características: os casos nascem na linha de frente, são medidos por resultados de negócio, têm um líder diretamente responsável e contam com pessoas que já executaram iniciativas desse tipo antes.
Steve Bryen reforçou esse ponto na conversa executiva: “O trabalho não é codificar. É construir sistemas, arquitetura e operações. O trabalho é entregar resultados para o negócio.” A lacuna na maioria das empresas é mais operacional do que técnica. IA em produção é uma operação, muitas vezes 24/7, que exige governança, MLOps, gestão da mudança e estruturas de parceria compatíveis com esse nível de complexidade.
Louis Joubert resumiu os três tipos de prontidão que determinam se a IA enterprise escala além dos pilotos: infraestrutura, dados e operação. Quando uma dessas dimensões falta, “IA em produção” vira um sistema frágil e isolado, não uma capacidade sustentável.
A parceria da LSEG e da Moody’s com dados no Claude aponta para a mesma direção: IA enterprise depende cada vez mais de ecossistemas. Como Anna Bratton destacou, ainda não existe um modelo estabelecido para parcerias nessa escala. O que sustenta esse tipo de colaboração é confiança mútua e expertise profunda de domínio dos dois lados.
Ralph encerrou com o caso da Novo Nordisk. Relatórios de estudos clínicos passaram de dez semanas para dez minutos, com 95% de redução no esforço de verificação, em uma iniciativa criada por um time de 11 pessoas liderado por uma bióloga molecular. Casos vindos da linha de frente, medição por resultado, liderança clara e expertise aplicada. Esse é o perfil que o MIT GenAI Divide associa às empresas que conseguem transformar IA em retorno mensurável.
O que define os próximos passos
1. A restrição mudou. Contexto, governança e arquitetura organizacional agora diferenciam a IA enterprise. A qualidade do modelo deixou de ser o único fator decisivo.
2. A fricção antiga tinha função. Transforme a disciplina dos gates de aprovação em processos automatizados antes que a lacuna apareça em produção.
3. Parta da linha de frente. Iniciativas com dono claro e métricas de negócio superam projetos definidos apenas de forma centralizada.
4. Opere IA como capacidade crítica. IA em produção exige operação 24/7, não ciclos isolados de entrega trimestral.
5. Resolva a confiança agêntica antes do contato com o cliente. Identidade, responsabilidades e supervisão humana precisam entrar no desenho da solução desde o início.
Para avaliar seu modelo operacional de IA ou solicitar um diagnóstico de Transformação por IA, fale com o time da Indicium AI.
