Automação de workflows com IA agêntica: o que a McKinsey revelou sobre as empresas que estão vencendo
Automação de workflows deixou de ser tendência e virou questão de sobrevivência no mundo corporativo. Nos últimos três anos e meio, desde que o ChatGPT apareceu para a maioria das pessoas, o jogo mudou de forma irreversível. A inteligência artificial saiu do laboratório, atravessou a fase de machine learning e chegou em um novo estágio: a IA agêntica, capaz de automatizar processos inteiros de ponta a ponta, sem precisar de intervenção humana a cada etapa. E as empresas que entenderam isso mais cedo estão saindo na frente de maneira significativa.
Não estamos falando de vantagem marginal. Estamos falando de 20% de aumento médio no EBITDA, retorno de três dólares para cada um investido e uma velocidade de execução que deixa os concorrentes olhando para trás sem entender o que aconteceu. A McKinsey acaba de lançar a segunda edição do Rewired, seu framework para transformação tecnológica em grandes empresas, e os números são difíceis de ignorar. O que mudou, quem está acertando na prática e o que separa as organizações que colhem resultado das que ficam para trás é exatamente o que vamos destrinchar aqui. 🚀
Por que a McKinsey revisitou o Rewired agora
A primeira edição do Rewired ofereceu aos líderes empresariais uma estrutura clara sobre como as organizações poderiam se empoderar com tecnologia e inteligência artificial. Mas o mundo não deu escolha sobre a necessidade de escrever uma segunda versão, como explicou Rob Levin, um dos responsáveis pelo projeto. A tecnologia avançou rápido demais. A IA migrou de modelos de machine learning para a IA agêntica, essa nova capacidade de automatizar workflows completos de ponta a ponta.
O time por trás do framework quis olhar para a receita que havia sido estabelecida três anos antes e perguntar de forma honesta: a abordagem para empresas tradicionais se organizarem, alinharem, construírem, adotarem e escalarem IA ainda funciona? A resposta veio acompanhada de uma citação do poeta grego Arquíloco que traduz bem o momento: não subimos ao nível das nossas expectativas, caímos ao nível do nosso treinamento. E isso continua sendo verdade tanto para o momento atual da IA quanto para a tese central do Rewired.
O ponto central é que a maioria das empresas em um determinado setor concorda sobre onde a IA pode gerar valor, quais domínios podem ser transformados e quais são os grandes casos de negócios. Mas as empresas só performam de fato no nível das suas capacidades internas. E a grande descoberta dessa segunda edição foi exatamente essa: as companhias que construíram capacidades sólidas durante a fase inicial da IA, o chamado AI 1.0, tiveram um sucesso muito maior na transição para a IA generativa e agêntica do que aquelas que não investiram nessa base.
O que a IA agêntica tem de diferente
Durante anos, quando as pessoas falavam em inteligência artificial no contexto empresarial, o que estava em mente era basicamente um assistente muito sofisticado: você perguntava, ele respondia. O modelo funcionava bem para tarefas pontuais, mas tinha um limite claro. Sempre que o processo precisava avançar para a próxima etapa, um humano tinha que estar ali para acionar o botão. Isso criava gargalos, atrasava entregas e limitava o real potencial da tecnologia. A novidade que a IA agêntica traz para a mesa é exatamente a capacidade de quebrar esse ciclo.
A IA agêntica não espera ser chamada. Ela age. Em termos práticos, isso significa que um agente de IA pode receber um objetivo, planejar as etapas necessárias, executar cada uma delas de forma sequencial ou paralela, adaptar o plano conforme os resultados intermediários e entregar o produto final sem que nenhuma pessoa precise intervir no meio do caminho. Isso muda radicalmente a lógica dos workflows corporativos, porque o gargalo humano que sempre existiu entre as etapas de um processo simplesmente desaparece ou, pelo menos, é drasticamente reduzido.
Esse salto não aconteceu do nada. Ele é resultado de uma combinação entre o avanço dos grandes modelos de linguagem, a melhoria na capacidade de raciocínio contextual dessas ferramentas e a chegada de infraestruturas de orquestração que permitem conectar múltiplos agentes trabalhando em conjunto. Quando você coloca tudo isso junto, o resultado é um nível de automação que vai muito além do que qualquer empresa conseguia imaginar há cinco anos. E o mais importante: esse nível já está acessível agora, não é algo para o futuro.
Os números que a McKinsey trouxe e por que eles importam
O framework Rewired, na sua segunda edição, não é um documento teórico cheio de buzzwords. É um compilado de dados reais de grandes organizações que já colocaram a transformação digital orientada por IA em prática e mediram os resultados com rigor. Kate Smaje, uma das líderes do estudo, compartilhou três números que deixam o cenário bastante claro, todos baseados em uma coorte de 20 empresas que realmente aplicaram o framework de forma completa. 📊
O primeiro número: essas 20 empresas registraram um aumento médio de 20% no EBITDA. Para colocar isso em perspectiva, estamos falando de um indicador que grandes corporações perseguem por anos inteiros com programas de eficiência operacional, cortes de custo e reestruturações. A IA está entregando isso em janelas de tempo muito menores.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
O segundo número: em média, leva de um a dois anos para que o investimento se torne acumulativo em caixa. E um detalhe interessante é que dois terços dessa coorte conseguiu isso focando em três ou menos áreas de transformação. Ou seja, essas empresas não estão espalhando IA por toda a organização como manteiga de amendoim. Elas estão sendo cirúrgicas na escolha de onde direcionar recursos.
O terceiro número: para cada dólar de investimento, o retorno médio é de três dólares. Esse dado é relevante porque quebra um argumento que ainda circula muito nos conselhos de administração, o de que o custo de implementação é alto demais para justificar o projeto. Quando o ROI médio chega a 3x, o argumento do custo perde força muito rapidamente.
O que o Rewired deixa claro é que esses resultados não são universais. Eles pertencem especificamente às empresas que aplicaram a metodologia de forma integrada. As demais, que tentaram elementos isolados sem construir essa musculatura organizacional, ficaram aquém desses números. O risco real não está em investir, mas em não investir enquanto os concorrentes avançam.
Casos reais: Freeport-McMoRan, DBS e LATAM Airlines
A teoria só ganha credibilidade quando tem exemplos concretos por trás. E o Rewired traz alguns que valem a pena conhecer.
A Freeport-McMoRan, gigante do setor de mineração, é um caso emblemático. Na primeira edição do livro, a empresa já tinha destaque por ter construído um gêmeo digital de todo o seu concentrador de cobre, criando eficiências de ponta a ponta no processo de extração do metal da rocha. Os resultados foram expressivos. Quando a IA generativa surgiu, a empresa direcionou essa mesma capacidade para outra área do negócio: a lixiviação, que é o processo químico final para extrair o minério da rocha, e gerou uma nova camada significativa de valor. Esse é um exemplo perfeito de como as capacidades construídas durante a fase inicial da IA continuam servindo as empresas incrivelmente bem à medida que a tecnologia evolui.
O DBS, banco sediado em Singapura, é outro caso que o estudo revisita com destaque. Durante três a quatro anos, o DBS fez investimentos pesados em fundações tecnológicas. Quando a IA generativa e agêntica chegaram, o banco conseguiu se mover com uma velocidade impressionante. O resultado tangível e verificável foi de cerca de um bilhão de dólares singapurenses em benefícios gerados pela IA. Mas o número que talvez seja ainda mais revelador é o de velocidade: quando o DBS começou a trabalhar com IA, levava 18 meses para colocar o primeiro modelo em produção. Hoje, o banco coloca um novo modelo em produção a cada dois meses. Essa aceleração é a capacidade diferenciada que permite fazer mais e ir mais rápido de forma contínua.
A LATAM Airlines aparece como referência em engenharia agêntica. Segundo o estudo, a companhia aérea está provavelmente um ano à frente da maioria das empresas em termos de adoção e incorporação de engenharia agêntica, não apenas para codificação, mas para o ciclo completo de desenvolvimento de software. E a velocidade resultante está sendo notável. 🛫
Onde a automação de workflows está gerando mais impacto
Quando olhamos para os casos de uso que mais se destacam na prática, alguns setores e funções aparecem com mais frequência. Operações financeiras, atendimento ao cliente, cadeia de suprimentos, geração de conteúdo e análise de dados são as áreas onde a automação baseada em IA tem entregado os resultados mais expressivos. E o padrão que se repete nesses casos não é o da substituição total de equipes, mas sim o da transformação do papel das pessoas dentro do processo. Os times passam a trabalhar em cima de exceções, decisões estratégicas e melhorias contínuas, enquanto a IA cuida do volume operacional. 🤖
No varejo, por exemplo, a área de previsão e planejamento é onde a IA costuma gerar maior impacto. Em seguros, o processamento de sinistros é o alvo mais comum. Em manufatura pesada, o foco tende a ser rendimento ou throughput. Essa especificidade é fundamental, porque uma das armadilhas mais comuns é tentar aplicar IA em tudo ao mesmo tempo, diluindo recursos e tornando impossível medir o impacto real em qualquer área.
Na área de operações e cadeia de suprimentos, o impacto é igualmente expressivo. Workflows que antes envolviam múltiplas aprovações manuais, troca de e-mails entre departamentos e dias de espera agora são executados em minutos. Um agente de IA pode monitorar estoques, identificar riscos de ruptura, consultar fornecedores alternativos, comparar preços e acionar pedidos automaticamente, tudo dentro de um único fluxo orquestrado. Esse tipo de capacidade operacional era impensável sem uma equipe dedicada e cara. Hoje, é infraestrutura.
Um ponto levantado no estudo que merece atenção especial é o caso de uma grande empresa automotiva que reinventou completamente sua cadeia de suprimentos. Tão difícil quanto a transformação tecnológica em si foi o trabalho seguinte: convencer centenas de fornecedores a operar da forma que o gêmeo digital da cadeia indicava como ideal. Esse tipo de desafio de adoção, que vai muito além da parte técnica, é frequentemente tratado como detalhe e acaba se tornando o principal obstáculo ao sucesso.
A revolução silenciosa no desenvolvimento de software
Um dos pontos mais impactantes que o Rewired aborda é a mudança radical na produtividade de desenvolvimento de software. Estamos falando de um aumento de até 20 vezes na produtividade de criação de código, impulsionado por ferramentas de IA. Isso não é uma projeção futura. Já está acontecendo.
Essa mudança está colapsando o modelo tradicional dos times de desenvolvimento. O conceito do time de duas pizzas, popularizado por empresas de tecnologia como a Amazon, que pressupõe cerca de oito pessoas trabalhando juntas em um projeto, está sendo reduzido para dois profissionais: um dono de produto que sabe definir o que precisa ser feito e como o resultado ideal deve parecer, e um engenheiro full-stack que consegue trabalhar com sistemas de geração de código, depurar resultados e integrar tudo à arquitetura existente. Essa é uma mudança gigantesca na dinâmica de trabalho e no tipo de talento que as organizações precisam buscar. ⚙️
Ao mesmo tempo, o cenário de tecnologia nunca foi tão complexo para tomar decisões de arquitetura. Cada fornecedor em cada camada da stack está se posicionando como o centro de gravidade da sua estratégia de IA, e muitos desses fornecedores vêm com custos operacionais contínuos elevados. A tentação de adotar soluções pontuais ou plataformas de agentes para cada função do negócio é real, mas quando você dá um passo para trás e olha o todo, o resultado pode ser uma arquitetura frágil, ineficiente e menos segura.
O que diferencia quem acerta de quem fica preso no piloto
Existe um fenômeno muito comum nas grandes empresas que está sendo chamado de piloto eterno: a organização faz um projeto de IA, obtém resultados promissores em escala pequena, e aí trava. O projeto não escala, não se integra ao negócio real e vira uma vitrine interna que não gera resultado financeiro mensurável. Isso acontece por razões muito específicas, e entendê-las é o primeiro passo para não cair nessa armadilha.
A principal razão é a falta de integração entre a estratégia de negócios e a estratégia de IA. Quando o projeto de automação nasce dentro de um departamento isolado, sem conexão com os objetivos financeiros da empresa e sem patrocínio executivo real, ele dificilmente vai além da fase de demonstração. A transformação de verdade acontece quando a liderança da empresa enxerga a automação de workflows como uma alavanca estratégica, não como um experimento tecnológico.
Um dos primeiros erros identificados pelo estudo é o mindset de que o papel da liderança executiva é ouvir propostas sobre IA, alocar recursos e depois delegar a execução para o time de tecnologia. Essa abordagem replica um paradigma antigo de trabalhar com TI que simplesmente não funciona mais. A transformação precisa ser liderada pelo negócio e distribuída por toda a equipe de liderança.
Outro fator determinante é a construção de capacidades internas. As empresas que dependem exclusivamente de fornecedores externos para operar seus sistemas de IA ficam reféns de prazos, custos e limitações de customização. As que investem em formar times internos com conhecimento real sobre como os agentes funcionam, como os workflows são orquestrados e como os modelos podem ser ajustados para o contexto do negócio têm uma vantagem enorme em velocidade de iteração e custo de longo prazo.
Quem deve liderar essa transformação
Uma pergunta inevitável surge quando todos esses pontos convergem: quem é o dono dessa transformação? Onde está a responsabilidade final? A resposta, segundo o estudo, é que precisa ser ao mesmo tempo de cima para baixo e distribuída. Em todas as centenas de transformações estudadas, nenhuma foi bem-sucedida sem que o projeto estivesse entre as prioridades número um ou dois do CEO.
Ao mesmo tempo, a execução precisa ser distribuída por todo o time de liderança. Kate Smaje descreve isso como um esporte corporativo de equipe. Um sinal revelador de problema, segundo ela, é quando alguém faz uma pergunta em uma reunião de gestão e todos na sala viram para olhar a pessoa que tem IA no título do cargo. Quando isso acontece, é sinal de que a coisa não vai funcionar.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
O CHRO precisa acordar de manhã pensando em como será uma organização agêntica. O CFO precisa reconfigurar os mecanismos de financiamento para permitir reinvestimento contínuo. Os donos das áreas de negócio, que são o coração real da transformação, precisam assumir essa responsabilidade também. A época em que era possível delegar isso para a função de tecnologia e torcer por um bom resultado ficou definitivamente para trás.
A transformação de IA é, antes de tudo, uma transformação de pessoas
Toda transformação de IA, na sua essência, é uma transformação de pessoas. E isso nunca foi tão verdadeiro quanto agora. A densidade de talento nos times importa, especialmente o talento técnico. Ao mesmo tempo, conforme os agentes assumem mais tarefas de coordenação, rotina, execução e tomada de decisão, o papel humano sobe na cadeia de valor.
O estudo sugere que as empresas comecem a pensar sobre o que significa ter funcionários de carbono e silício trabalhando juntos em uma mesma organização. Isso envolve repensar papéis, treinar equipes para trabalhar com agentes e aceitar que a definição de muitas funções vai mudar fundamentalmente. Se você não está pensando na sua transformação de IA como um conjunto de mudanças de pessoas, provavelmente há algo errado no caminho. 👥
- Integração estratégica: a automação precisa estar conectada aos objetivos financeiros e operacionais da empresa, não apenas ao roadmap de TI.
- Patrocínio executivo real: projetos de transformação que não têm apoio da alta liderança dificilmente escalam além do piloto.
- Times internos capacitados: depender só de terceiros para operar IA limita a velocidade de evolução e aumenta o custo no longo prazo.
- Foco em workflows de alto impacto: começar pelos processos que têm maior volume, maior custo ou maior risco de erro é o caminho mais rápido para resultados mensuráveis.
- Pensar em domínios, não em casos de uso: três ou menos áreas de foco que movem o ponteiro são mais eficazes do que dezenas de projetos dispersos.
- Métricas claras desde o início: sem indicadores definidos antes da implementação, fica impossível saber se o projeto está entregando valor real.
- Preparo para adoção e escala: planejar apenas até o MVP não é suficiente. É preciso pensar em produção, repetição e escala desde o início.
Construindo convicção em torno da IA
Um dos últimos pontos abordados no estudo diz respeito a algo que não aparece em nenhuma planilha: a convicção. Como construir convicção sobre IA, tanto para si mesmo como líder quanto para toda a organização?
A melhor maneira de construir essa convicção é focar no valor. Seguir onde o dinheiro está e resolver problemas reais do negócio. Esse é o coração da questão. Não se trata de adotar tecnologia por ser nova ou impressionante, mas de provar que ela resolve problemas concretos que importam para o resultado da empresa.
E depois, um conselho que pode parecer contraintuitivo: dê a si mesmo um pouco de folga. Isso é difícil, e um dos benefícios da IA agêntica é que o custo de iteração caiu. É mais fácil errar, corrigir o rumo e pivotar. O processo está se tornando menos sobre encontrar a resposta perfeita de primeira e mais sobre testar, validar e construir convicção ao longo do caminho. Às vezes, o que fica no chão da sala de edição, e o motivo pelo qual foi descartado, é onde o valor real se esconde. 💡
O momento é agora
O momento que estamos vivendo é raro. A tecnologia avançou rápido o suficiente para que a automação de workflows com inteligência artificial seja viável em escala real, mas ainda existe uma janela de vantagem competitiva para as empresas que moverem primeiro. Essa janela não vai ficar aberta para sempre. À medida que as ferramentas se tornam mais acessíveis e os casos de uso mais conhecidos, a diferenciação vai depender cada vez mais da qualidade da execução e da profundidade das capacidades construídas internamente.
As empresas que estão se destacando não são necessariamente as maiores ou as mais ricas. São as que construíram o músculo organizacional para transformar insight em decisão e decisão em ação com velocidade. Elas operam em uma taxa metabólica diferente, como descreveu Kate Smaje. A latência entre perceber uma oportunidade e capturá-la é fundamentalmente menor. E essa velocidade não é apenas operacional. É cumulativa. Cada ciclo de aprendizado torna o próximo mais rápido e mais eficiente.
Quem começar agora vai chegar no momento de maturidade do mercado com mais experiência, mais dados e mais vantagem. E quem esperar vai enfrentar a realidade de que seus concorrentes já estarão operando em outro patamar. A transformação orientada por IA não é mais uma opção entre muitas. É o caminho.
