40+ Casos de Uso de IA Agêntica com Exemplos Reais

Agentes de IA generativa autônomos executam tarefas complexas com pouca ou nenhuma supervisão humana. A IA agêntica difere dos chatbots e copilotos.

Diferentemente da IA tradicional, especialmente da IA generativa, que frequentemente exige intervenção humana em fluxos de trabalho complexos, a IA agêntica visa navegar e otimizar processos de forma autônoma graças às suas capacidades de tomada de decisão e ao comportamento orientado a objetivos. Os agentes de IA atuam como:

Agentes de IA como desenvolvedores

1. Criando aplicativos

Editores de código de IA como Cursor IA Editor, Windsurf Editor e Replit visam criar e implantar aplicativos (por exemplo, aplicativo de lista de tarefas) por meio de:

• Selecionando as ferramentas certas para o trabalho, como Flask para APIs ou React para frontends.
• Gerando código no idioma escolhido (por exemplo, Python, JavaScript) com base em prompts simples.
• Automatizando fluxos de trabalho com integrações como GitHub Actions para testes e implantação.

Como funciona:

Um desenvolvedor usou o Operator da OpenAI e o IA Agent da Replit para criar um aplicativo inteiro em 90 minutos. Dois agentes trocaram credenciais de forma autônoma e executaram testes. Essa colaboração entre agentes foi integrada ao ChatGPT Atlas Agent Mode, expandindo a capacidade do agente para além dos ambientes de desenvolvimento, como e-commerce, reservas de viagens e fluxos de trabalho web corporativos.¹

O modo Composer do Cursor visa gerar um jogo da velha completo a partir de um único prompt:“Gere um jogo da velha em HTML, CSS e JavaScript para 2 jogadores.”

Cursor é capaz de codificar em vários arquivos, executar comandos e determinar automaticamente qual contexto precisa (sem necessidade de adicionar arquivos).

Exemplo real: Building applications case study

Rakuten reconstruiu seu fluxo de trabalho de desenvolvimento usando o Anthropic’s Claude Code em testes unitários, simulação de APIs, construção de componentes, correção de bugs e documentação. Rakuten alcançou:

• Tempo de lançamento de recursos reduzido em 79%
• Execução de até cinco tarefas em paralelo
• Compreensão de bases de código complexas e decisões arquiteturais.⁴

Explore mais sobre construção de agentes

Se você está explorando a infraestrutura que alimenta os sistemas de IA agêntica, recomendamos conferir nossos benchmarks mais recentes:

• Navegadores remotos: Como a infraestrutura de navegador permite que os agentes interajam com a web com segurança.
• MCP benchmark: Principais servidores MCP para uso de ferramentas e acesso web.

2. Crie sua própria API com codificação por IA

Editores de código de IA automatizam a criação de APIs transformando especificações em código funcional. Veja como o processo normalmente funciona:

• Integrando a saída ao ambiente do desenvolvedor para testes, controle de versão e implantação.
• Ingerindo especificações de API (por exemplo, arquivos OpenAPI/Swagger).
• Gerando código de backend com base nos endpoints, métodos e esquemas documentados.

Como funciona:

Fluxos de trabalho de API No-Code para agentes de IA com n8n.

Aqui está uma abstração de alto nível de um fluxo de trabalho de API:

3. Edição de código em linguagem natural

Você pode selecionar trechos de código e emitir comandos em inglês simples, como:

“Dobre o tamanho do tabuleiro. Deixe-o verde – como um Apple 2e.” (veja o exemplo real abaixo).

Como funciona:

Agentes de codificação como Cursor identificam a intenção, modificam o código relevante em arquivos e aplicam as alterações.

Exemplo real: Natural language code editing

Coinbase migrou para um modelo de engenharia focado em agentes baseado no Cursor, redesenhando o planejamento de sprints e expandindo o uso paralelo de agentes, o que levou a:

• 90% de redução no tempo da ideia à produção
• 55% de aumento nas pull requests mescladas por engenheiro.⁷

4. Criando sites

Criadores de sites com IA como v0 da Vercel, Bolt, Lovable e CerebrasCoder visam criar plataformas complexas como sites de e-learning, gerando páginas-chave como:

• Páginas iniciais
• Páginas de listagem de cursos
• Painéis personalizados para estudantes

Da mesma forma, editores de código de IA como Replit constroem sites e utilizam APIs.⁶

Como funciona:

Aqui está o fluxo de trabalho de automação:

5. Gerando um painel de CRM

Os agentes são capazes de gerar a interface de front-end, configurar a lógica de back-end e configurar interações com o banco de dados.

Como funciona:

Roo Code usa o modelo DeepSeek para construir de forma autônoma painéis de CRM completos.

6. Codificação recursiva

Embora a codificação básica seja normalmente uma tarefa para LLMs, os fluxos de trabalho de codificação recursiva, nos quais um agente melhora/estende iterativamente o código em várias camadas, são inerentemente agênticos.

Os agentes reescrevem de forma autônoma grandes blocos de código, aplicam alterações de configuração e testam resultados em ciclos até que uma meta seja alcançada.

Como funciona:

GT Edge IA converte código COBOL legado em Java moderno.¹⁰

Persistent fornece um framework multiagente usado para migrar de forma autônoma código COBOL para Java, funcionando da seguinte forma:¹¹

Exemplo real: Codificação recursiva

Uma empresa global de logística usou o IBM watsonx Code Assistant durante seu programa de modernização de mainframe. A ferramenta escaneou o parque, capturou um modelo estrutural e funcional da aplicação e isolou serviços de negócio específicos para conversão em Java. Dessa forma, a IBM ajudou a empresa a alcançar:

• 60% de aumento na produtividade dos desenvolvedores na transformação de COBOL para Java
• Java gerado validado com testes unitários automatizados confirmando saídas idênticas ao COBOL original¹²

7. Refatoração de código

Ao usar codificação recursiva, os agentes de IA melhoram continuamente o design do código sem alterar seu funcionamento, tornando-o mais fácil de entender e manter.

Como funciona:

Desenvolvedores de uma startup de tecnologia criaram um agente que refatora seu código em 25+ linguagens de programação.¹³

Exemplo real: Refatoração de código

Cognition publicou uma análise de desempenho de 18 meses do Devin com base no uso em produção em sua base de clientes, que inclui Goldman Sachs, Santander e Nubank, relatando os seguintes números de velocidade e taxa de merge para trabalhos de migração e refatoração:

• A migração de cada arquivo foi concluída em 3–4 horas, contra 30–40 horas para um engenheiro humano, uma melhoria de aproximadamente 10x
• Quando a Oracle encerrou o suporte legado a uma versão do Java, o Devin migrou cada repositório em 14x menos tempo do que um engenheiro humano
• Cerca de 67% das pull requests do Devin agora são mescladas, acima de aproximadamente 34%
• Centenas de milhares de pull requests mescladas em toda a base de clientes.¹⁴

8. Gerando sugestões de código no seu IDE

O GitHub Copilot oferece um modo de agente autônomo capaz de realizar tarefas de codificação em várias etapas, executar comandos e iterar no código de forma independente no VS Code e nos IDEs JetBrains, indo além das sugestões em tempo real e do auto-completar.¹⁵

Exemplo real: Gerando sugestão de código

A Accenture implementou o GitHub Copilot para seus desenvolvedores em um ensaio controlado randomizado, com um grupo recebendo acesso e um grupo de controle sem acesso. Os resultados medidos pela própria telemetria DevOps da Accenture incluem:

• 8,69% de aumento nas pull requests por desenvolvedor
• 15% de aumento na taxa de merge das pull requests
• 84% de aumento nas builds bem-sucedidas, indicando que a vazão aumentou sem comprometer a qualidade
• Cerca de 30% das sugestões do Copilot foram aceitas, com 88% dos caracteres gerados retidos no editor
• 90% dos desenvolvedores relataram sentir-se mais realizados no trabalho, e 95% disseram que gostaram mais de codificar.¹⁷

9. Monitoramento e otimização de pipelines de CI/CD

Agentes de IA gerenciam infraestrutura em ambientes nativos em nuvem como Kubernetes. Esses agentes DevOps visam:

• Identificar controladores de ingresso em execução ou outras cargas de trabalho
• Identificar pods em execução
• Interpretar comandos de alto nível, como “derrubar o pod NGINX”

Como funciona:

Quando conectado ao Kubernetes por meio de ferramentas ou wrappers, o Claude pode atuar como um agente DevOps para consultar o estado do cluster. “Verifique se tenho algum pod em execução.”.

Exemplo real: Monitoramento e otimização de pipelines de CI/CD

A NVIDIA estendeu o Cursor além da geração de código para depuração, revisão de código, geração de testes e QA, e configurou regras personalizadas para automatizar todo o seu fluxo git.

• 3x mais código commitado entre 30.000 desenvolvedores
• Regras personalizadas automatizam criação de branches, commits de código, depuração de CI e rastreamento de issues
• Cursor usado em praticamente todas as áreas de produto e em todas as etapas do ciclo de vida de desenvolvimento de software
• Particularmente eficaz para encontrar e resolver bugs raros e persistentes, com agentes enviados para corrigi-los.¹⁹

Agentes de IA como assistentes de SecOps

10. Inteligência de ameaças

Os agentes coletam e correlacionam TTPs de agentes de ameaças (táticas, técnicas, procedimentos) a partir de feeds de código aberto e proprietários, e integram os resultados em fluxos de trabalho de detecção.

Como funciona:

O Security Copilot da Microsoft inclui um Agente de Briefing de Inteligência de Ameaças especializado que coleta, filtra e resume dinamicamente a inteligência de ameaças.

Exemplo real: Inteligência de ameaças

A TÜV SÜD e a Elanco implementaram o Microsoft Security Copilot para acelerar a investigação e a análise de ameaças em ambientes globais de TI.

• A TÜV SÜD analisa ameaças 60–70% mais rápido
• A Elanco reduziu os tempos de resposta em até 50%
• Analistas podem consultar vetores de ataque que nunca encontraram antes e obter respostas utilizáveis sem trabalhar manualmente em feeds de inteligência.²¹

11. Detecção e triagem

Essas ações ocorrem no estágio de ingestão inicial de sinais para reduzir ruído e organizar dados de alerta antes de uma análise mais profunda.

• Desduplicação de alertas: Remove eventos idênticos ou quase idênticos de várias fontes para reduzir ruído.
• Supressão de falsos positivos: Suprime alertas benignos recorrentes usando padrões de resolução anteriores.
• Agrupamento/clusterização de alertas: Agrupa alertas relacionados (mesmo usuário, host ou tática) em um único incidente.

Como funciona:

Charlotte IA realiza detecção e triagem autônomas por meio de:

• Identificação de comportamento malicioso com base em TTPs conhecidos.
• Referência cruzada de padrões de execução e caminhos de arquivo.
• Fornecimento de uma explicação de veredito legível por humanos.

Exemplo real: Detecção e triagem

A CrowdStrike treinou o Charlotte IA Detection Triage em milhões de decisões reais de triagem tomadas por seus próprios analistas Falcon Complete MDR e, em seguida, liberou-o sob autonomia limitada definida pelo cliente, para que as organizações definam quais ações ele pode realizar sem intervenção humana.

• Taxa de concordância superior a 98% com as decisões de triagem dos especialistas humanos do Falcon Complete
• Mais de 40 horas de trabalho manual de triagem eliminadas por semana, em média
• Filtra automaticamente falsos positivos e fecha alertas de baixo risco antes que um analista os veja
• Cálculo divulgado: média de alertas triados multiplicada por um tempo manual de triagem de cinco minutos por alerta²³

12. Enriquecimento contextual e atribuição de ameaças

Realizado após a triagem inicial, este passo adiciona profundidade e contexto aos alertas.

Sistemas automatizados de atribuição de atacantes ingerem feeds de CTI, extraem características comportamentais e temporais e calculam pontuações de similaridade entre incidentes. Algoritmos de clusterização então mapeiam intrusões para atores de ameaça conhecidos (como, por exemplo, APT41, Mozi ou Lazarus) com base na sobreposição de padrões.

Como funciona:

Os agentes de IA do Google Chronicle + Mandiant + Gemini ingerem telemetria e feeds de CTI, enriquecem alertas com contexto de IOC (por exemplo, reputação de IP, hashes de malware) e cruzam padrões comportamentais com táticas de atores de ameaças conhecidos do framework MITRE ATT&CK.

Nesta configuração agêntica:

• Detecção: Um agente de IA detecta movimento lateral usando contas de serviço.
• Enriquecimento: Ele enriquece automaticamente o alerta com dados de logs do Chronicle, inventário de ativos e inteligência de ameaças da Mandiant.
• Atribuição: Um segundo agente agrupa essa atividade com cadeias de intrusão históricas atribuídas a um grupo conhecido (por exemplo, APT41).

13. Escalação e transferência

• Tradução/simplificação de alertas: Converte alertas técnicos em resumos amigáveis para analistas.
• Abertura automática de tickets e atribuição de analistas: Cria tickets e encaminha incidentes para o nível ou equipe apropriada.

Como funciona:

Torq’s Socrates, um orquestrador SOC agêntico, coordena subagentes especializados (agentes de Runbook, Investigação, Remediação e Gestão de Casos) ao longo do ciclo de vida de casos de Nível 1.

Na escalação e transferência, o Socrates:

• Cria casos automaticamente em plataformas ITSM (por exemplo, ServiceNow, Jira), pré-preenchidos com os observáveis relevantes, enriquecimento e dados estruturados.
• Atribui analistas com base na carga de trabalho e nos horários de turno.
• Escala seletivamente, especificamente quando a confiança é baixa, o incidente é ambíguo ou o impacto potencial é alto.
• Anexa o enriquecimento completo na transferência, para que os analistas recebam um arquivo de caso pronto para agir em vez de um alerta bruto.

Exemplo real: Estudo de caso de escalação e transferência

A Carvana implantou o Torq HyperSOC com o Socrates coordenando subagentes especializados ao longo do ciclo de vida de casos de Nível 1, desde a verificação do usuário até a criação de casos e atribuição de analistas.

• 100% dos alertas de segurança de Nível 1 da Carvana agora são tratados pelo sistema agêntico
• 41 runbooks separados automatizados em um mês de implantação
• Analistas liberados para se concentrar em alertas com potencial impacto organizacional significativo.²⁷

14. Ações de resposta proativas

Em SecOps, os agentes isolam endpoints, desativam contas ou encerram processos maliciosos. Esses sistemas visam:

• Consultar logs automaticamente usando linguagem natural ou gatilhos contextuais
• Executar playbooks automatizados para investigações e escalações
• Adaptar fluxos de trabalho em tempo real com base em novas evidências ou lógica pivotada
• Gerar infraestrutura como código (por exemplo, Terraform, Pulumi) para remediação
• Elaborar e modificar regras de detecção com base em insights de investigação

Como funciona:

O Google desenvolveu o agente SOC Manager, que aproveita vários subagentes para executar um Plano de Resposta a Incidentes estruturado para detecção de malware.²⁸

Estrutura do projeto agêntico:

Na etapa final do plano de resposta a incidentes (Etapa 5: Conclusão), os IOCs (Indicadores de Comprometimento) foram bloqueados proativamente pelo agente SOC Manager executando um runbook automatizado de contenção (veja abaixo).

Exemplo real: Resposta proativa

A Deepwatch, uma provedora de detecção e resposta gerenciadas, substituiu um SOAR legado que falhava pelo Torq Hyperautomation para agilizar a análise e a triagem nas stacks de segurança de seus clientes.

• Mais de 90% das tarefas de Nível 1 e Nível 2 automatizadas
• Anos de automações SOAR legadas acumuladas recriadas em poucas semanas
• Onboarding de clientes mais rápido do que a empresa havia alcançado anteriormente, com fluxos de trabalho criados sob demanda.³⁰

15. Caça a ameaças

Os agentes na caça a ameaças visam:

• Escaneamento contínuo de anomalias em logs de identidade, rede e nuvem
• Automatização de caças repetitivas, como buscas de IOC ou detecção de padrões
• Sinalização de ameaças desconhecidas comparando o comportamento com linhas de base históricas e atividades de pares

Como funciona:

Pesquisadores desenvolveram um sistema de caça a ameaças orientado por MITRE ATT&CK automatizado por LLM local, no qual agentes de IA colaboram para gerar regras Sigma para detecção de ameaças.

Neste exemplo, um usuário insere uma solicitação (por exemplo, “Por favor, gere uma regra Sigma para caçar Kerberoasting”) por meio de uma interface web.

O Agente 1 recupera métodos de detecção relevantes do MITRE ATT&CK, enquanto o Agente 2 usa essa entrada para gerar regras Sigma contextualizadas usando um modelo de linguagem.³¹

16. Testes automatizados de software e aplicações

Agentes de teste de IA criam e executam testes unitários, de integração, de vulnerabilidade e de desempenho sem intervenção manual extensa. No entanto, construir esses sistemas de IA exige muitos recursos, pois eles requerem poder computacional significativo.

Como funciona:

O Copilot da Pcloudy fornece scripts de teste Selenium e encontra navegadores disponíveis para testar e executar os casos de teste.³²

Exemplo real: Testes automatizados

A Uber construiu o AutoCover, um sistema de geração de testes multiagente que se integra ao sistema de build para descobrir artefatos de código e dependências, e o implementou em toda a organização de engenharia.

• Implantado para todos os engenheiros da Uber entre setembro de 2024 e setembro de 2025
• Agora gera cerca de 11% de todos os novos testes revisados e adicionados à base de código da Uber
• Produz centenas de milhares de testes por mês no modo IDE e dezenas de milhares no modo headless
• Orquestra cinco agentes especializados cobrindo preparação, síntese, execução, validação e reparo de testes.³³

Leia mais: construtores de agentes de IA e agentes de IA de código aberto.

Agentes de IA como personagens de jogos semelhantes a humanos

Agentes de IA melhoram NPCs e outros processos agênticos no mundo dos jogos realizando comportamentos de NPC, gameplay e adaptabilidade, e geração procedural de conteúdo.

17. Personagens não jogáveis (NPCs) agênticos

Agentes de IA totalmente autônomos em jogos fornecem comportamento e jogabilidade semelhantes aos humanos para personagens não jogáveis (NPCs).

Exemplo real: NPCs

Pesquisadores criaram uma pequena cidade virtual povoada por IA construindo um ambiente sandbox semelhante ao The Sims com 25 agentes chamado “Stanford AI Village”.

Nessa vila, os usuários podem observar e interagir com os agentes enquanto eles compartilham notícias, constroem relacionamentos e organizam atividades em grupo. ³⁴

Aqui está uma visão geral dos principais componentes e ideias por trás desses conceitos:

• Scripts comportamentais: Os agentes da Stanford AI Village usam scripts predefinidos para ações e reações. Isso pode incluir comportamentos básicos, como engajar-se positivamente com outros NPCs.
• Comportamento dinâmico: NPCs usam IA para ajustar seu comportamento com base nas ações do jogador, tornando o mundo do jogo mais responsivo.
• Pathfinding: NPCs usam algoritmos para navegar efetivamente no mundo do jogo, encontrando caminhos ao redor de obstáculos e perseguindo o jogador.

18 Jogabilidade

Agentes de IA jogam videogames ou auxiliam jogadores humanos a alcançar objetivos específicos aproveitando:

• Pathfinding e navegação: Agentes de jogo exploram ambientes de jogo, usando tentativa e erro para encontrar estratégias ideais. Por exemplo, eles aprendem rotas de navegação em labirintos complexos refinando continuamente seu processo de tomada de decisão.
• Emulação de entrada: Agentes de jogo emulam entradas, como pressionamentos de teclado, movimentos de mouse ou controles de gamepad. Isso permite que eles interajam com o jogo como um jogador humano faria.
• Adaptabilidade de gameplay: Os agentes analisam o estilo de jogo do jogador e adaptam o mundo do jogo, as interações e o design das missões de acordo. Por exemplo, um jogador furtivo pode encontrar menos desafios de combate direto.

Exemplo real: jogabilidade

Google DeepMind’s Scalable Instructable Multi-Agent (SIMA) navega e interage com situações de jogo. O SIMA visa jogar títulos como No Man’s Sky e Goat Simulator.

Agente GenAI para ambientes virtuais 3D³⁶

19. Geração procedural de conteúdo

Os agentes de IA são altamente capazes de gerar vastas quantidades de conteúdo de jogo algoritmicamente, como:

• Terrenos e paisagens
• Cenários de combate
• Designs de personagens
• Paisagens sonoras e músicas

Como funciona:

No Man’s Sky, um jogo de aventura, usa geração procedural para criar planetas inteiros com:

• Topografias variadas (por exemplo, montanhas, vales, cânions).
• Biomas únicos (por exemplo, desertos, florestas, oceanos).
• Padrões climáticos dinâmicos (por exemplo, tempestades, chuvas).³⁷

Agentes de IA como criadores de conteúdo

Agentes de IA automatizam a criação, edição e publicação de conteúdo, auxiliando redatores humanos. Algumas aplicações de assistentes de escrita com IA incluem:

20. Escrita narrativa automatizada

Agentes de IA escrevem uma narrativa delineando capítulos, redigindo conteúdo e lapidando a prosa.

Exemplo real: Escrita narrativa automatizada

Em um projeto de agente de IA no GitHub, 10 agentes de IA especializados trabalharam autonomamente para escrever um romance de 100.000 palavras (~300 páginas) sem nenhuma escrita humana.³⁸ Alguns exemplos desses 10 agentes incluem:

• Agente de especificações: Analisa os requisitos da história e mantém a consistência narrativa.
• Agente de produção: Gera conteúdo e implementa mudanças criativas.
• Agente de gestão: Coordena entre agentes e acompanha o fluxo criativo.
• Agente de duplicação: Previne redundância e duplicações de conteúdo.

Aqui está uma transmissão ao vivo mostrando como os agentes criam o romance:

21. Redação de relatórios técnicos ou propostas

Agentes de IA redigem autonomamente relatórios técnicos, incluindo:

• Relatórios de engenharia
• Propostas de projeto
• Artigos de pesquisa
• Especificações de produto

Como funciona:

ParagraphAI, um assistente de escrita com IA, redige relatórios técnicos de engenharia delineando o cronograma, o orçamento e os recursos e pessoal necessários.⁴⁰

22. Geração de artigos baseados em conhecimento

Os agentes extraem informações de bases de conhecimento como Wikipédia, manuais de produtos ou revistas acadêmicas para criar uma visão geral abrangente de um tópico específico.

Como funciona:

Perplexity Pages transforma resultados de busca de IA generativa em páginas estruturadas da Wikipédia.⁴¹

23. Geração de dashboards e diagramas

Os agentes geram componentes de UI/UX, diagramas de sistema e fluxogramas com base em prompts de texto, agilizando o processo de design.

Como funciona:

FigJam IA usa prompts de texto para gerar:

• Dashboards para reuniões e exercícios de equipe
• Diagramas e fluxogramas
• Linhas do tempo visuais e gráficos de Gantt⁴²

Agentes de IA como assistentes de seguros

Os agentes automatizam a revisão, aprovação e detecção de fraudes em sinistros, agilizando todo o ciclo de vida do processamento de sinistros. Por exemplo, uma seguradora de grande porte automatiza ~90% dos sinistros individuais de automóveis integrando agentes de IA personalizados ao seu fluxo de trabalho de sinistros. ⁴³

Fornecedores corporativos, como Oracle e SAP, implantaram IA agêntica em gestão da cadeia de suprimentos, operações financeiras, RH e experiência do cliente. Esses agentes podem lidar com otimização de inventário, automação de compras e reconciliação financeira.

24. Processamento de sinistros de ponta a ponta

Depois que um sinistro é enviado, os sistemas de IA agêntica extraem dados relevantes dos formulários enviados, verificam os detalhes em bancos de dados existentes e sinalizam quaisquer inconsistências ou possíveis sinais de fraude.

Como funciona:

Power Platform da Microsoft – automatiza um formulário de sinistro de seguro:

Aqui, Power Platform da Microsoft:

• Documentos de formulário de sinistro capturados, como seleções de caixas de seleção e textos.
• Formulário de sinistro enviado ao SharePoint, aplicativo de gestão de conteúdo.
• Dados extraídos do formulário de sinistro, como ID do sinistro e valores de caixas de seleção (por exemplo, tipo de sinistro, número da apólice).
• Integração com Dataverse para armazenamento de dados para salvar os dados extraídos (incluindo valores de caixas de seleção) no Microsoft Dataverse.
• Fluxos de trabalho processados em formulários, por exemplo, uso de agentes do Power Apps para aprovar ou negar sinistros.

25. Subscrição

A IA agêntica automatiza a subscrição com agentes especializados, incluindo um agente de avaliação de risco para avaliação da probabilidade de sinistros e um agente de precificação para ajustes dinâmicos de prêmios, etc.

Como funciona:

Os agentes da Akira AI automatizam a subscrição de seguros e a avaliação de riscos por meio do sistema multiagente, cada um especializado em um aspecto crítico da subscrição:

• Agente de coleta de dados: Coleta dados estruturados e não estruturados.
• Agente de avaliação de risco: Analisa dados históricos e detalhes do solicitante para prever a probabilidade de sinistros.
• Agente de detecção de fraude: Detecta anomalias ou padrões suspeitos em sinistros e solicitações.
• Agente de precificação: Sugere um preço com base em fatores como condições de mercado, preços da concorrência e comportamento do cliente.⁴⁵

Exemplo real: Subscrição

A equipe de Middle Market dos EUA da Zurich North America implantou o Sixfold, que destila milhares de páginas de dados de exposição, históricos de sinistros e relatórios de risco em uma narrativa concisa de subscrição que os subscritores podem ajustar antes de aplicar seu próprio julgamento.

• 80% das submissões tratadas por 16 subscritores foram processadas com o Sixfold durante a implantação inicial
• Estima-se uma economia média de 60 minutos por submissão
• Lançado com quatro escritórios de Middle Market em janeiro de 2025, agora em expansão para dezenas de escritórios em todo o país
• O Sixfold entrou na Zurich por meio do Zurich Innovation Championship de 2024, que venceu na categoria de seguros comerciais.⁴⁶

26. Resolução personalizada de apólices

Os agentes comunicam o status do sinistro e os próximos passos ao segurado, incluindo qualquer documentação adicional necessária, atualizações de aprovação/negação ou detalhes de pagamento.

Exemplo real: resolução personalizada de apólices

IA Jim da Lemonade comunica os resultados do sinistro diretamente ao segurado. Quando um sinistro é registrado, o IA Jim:

• Recebe o Primeiro Aviso de Sinistro (FNOL), um pequeno vídeo ou texto do cliente.
• Realiza triagem conversacional, fazendo perguntas esclarecedoras para orientar o cliente durante o processo.
• Verifica os detalhes da apólice e da cobertura com verificações baseadas em regras.
• Executa algoritmos antifraude antes de aprovar o sinistro.
• Envia instruções de pagamento ao banco e notifica o segurado de que o sinistro foi aceito.

Agentes de IA como assistentes de recursos humanos (RH)

As operações de RH geralmente envolvem inúmeras tarefas repetitivas, como triagem de currículos, que podem ser automatizadas. Aqui estão exemplos importantes de IA agêntica nas operações de RH:

27. Triagem de currículos

Fluxos de trabalho agênticos automatizam o processo de triagem, filtram habilidades relevantes e atribuem automaticamente pontuações com base em critérios predefinidos.

Como funciona:

A PepsiCo usa ferramentas de IA para classificar candidatos de acordo com o quão bem eles atendem aos requisitos da vaga.⁴⁸

Exemplo real: Triagem de currículos

A Chipotle implantou a IA conversacional da Paradox como um membro virtual da equipe chamado “Ava Cado”, que conversa com candidatos, responde perguntas sobre a empresa, coleta informações básicas, agenda entrevistas e envia ofertas quando um gerente seleciona um candidato.

• O tempo da candidatura à data de início caiu de 12 dias para quatro, uma redução de até 75%
• A taxa de conclusão de candidaturas subiu de 50% para mais de 85%
• O volume de candidaturas dobrou
• Implantado em mais de 3.500 restaurantes na América do Norte e Europa
• Opera em inglês, espanhol, francês e alemão.⁴⁹

28. Agendamento de entrevistas

Os agentes podem lidar com o agendamento de entrevistas e coordenar entre candidatos e gerentes de contratação para encontrar horários ideais.

Como funciona:

O LinkedIn HR Assistant realiza tarefas do dia a dia, como sintetizar descrições de vagas, buscar candidatos e fazer ligações básicas de triagem.⁵⁰

Exemplo real: Agendamento de entrevistas

A ISS North America usou a IA conversacional da Paradox para lidar com a camada administrativa de agendamento entre candidatos e gerentes de contratação em um ambiente de contratação distribuído e de alto volume.

• 85% de redução no tempo de contratação
• Aproximadamente 10.000 horas economizadas anualmente
• Na mesma plataforma, o Great Wolf Lodge economiza $700,000 anualmente e um varejista devolveu mais de 40.000 horas por semana aos líderes de loja
• Um cliente reduziu o tempo médio de contratação de mais de 10 dias para menos de cinco imediatamente após a implantação.⁵¹

29. Automação de folha de pagamento

Os agentes no processamento da folha de pagamento calculam salários, processam deduções e lidam com retenções de impostos. Eles se integram a sistemas de informações de recursos humanos (HRIS) e softwares de contabilidade para garantir precisão e conformidade com os padrões de folha de pagamento.

Explore mais sobre soluções de automação financeira, como:

• Casos de uso e ferramentas de RPA financeiro
• Benchmark de ferramentas de LLM para finanças
• Ferramentas de IA agêntica para finanças

Como funciona:

O sistema multiagente de folha de pagamento da Akira AI automatiza todos os aspectos do ciclo da folha de pagamento. O sistema usa vários agentes, incluindo:

Aqui, o sistema multiagente de folha de pagamento da Akira AI usa vários agentes, incluindo:

• Agente de ingestão e pré-processamento de dados: Usa métodos de extração de dados para limpar dados de sistemas de RH e finanças.
• Agente de cálculo de folha de pagamento: Automatiza cálculos da folha, incluindo salários, deduções e bônus.
• Agente de relatórios de conformidade: Detecta problemas de conformidade usando aprendizado de máquina.
• Agente de resolução de consultas: Resolve problemas de folha de pagamento usando RAG.

Agentes de IA como assistentes de atendimento ao cliente

Chatbots tradicionais lidam com consultas simples, mas têm dificuldades com solicitações complexas. Ferramentas agênticas de atendimento ao cliente resolvem isso:

• Interpretando consultas com nuances, mesmo quando as perguntas são vagas ou complexas
• Operando de forma contínua em canais de chat, voz e e-mail enquanto recuperam dados de perfis de clientes, histórico de pedidos e bases de conhecimento
• Retendo contexto de interações anteriores, permitindo respostas mais informadas e personalizadas
• Engajando-se proativamente, por exemplo, enviando lembretes para check-ups ou acompanhamentos antes de o cliente iniciar o contato

30. Atendendo chamadas de clientes:

Quando um cliente liga com uma dúvida, os agentes de IA processam a chamada com linguagem natural.

Como funciona:

Ada IA Agent atende chamadas de clientes:

31. Respondendo a tickets de clientes

Os agentes de IA fornecem respostas específicas ao contexto ou direcionam os clientes para os recursos apropriados para obter assistência adicional.

Exemplo real: Respondendo a tickets de clientes

Fin IA Agent da Intercom resolve tickets de clientes de forma autônoma. Para cada ticket recebido, o Fin:

• Infere a intenção a partir da mensagem do cliente.
• Recupera conteúdo relevante da base de conhecimento, artigos de ajuda e histórico de tickets.
• Redige uma resposta e decide se pode resolver o ticket sozinho ou se precisa escalar.
• Transfere com contexto quando escala, passando a transcrição completa, seu resumo do problema e o motivo pelo qual não conseguiu resolver.

Synthesia e Fundrise implantaram o mesmo agente Fin da Intercom em escala de startup e growth-stage, oferecendo um contraponto aos números corporativos da Klarna.

• Synthesia: mais de 6.000 conversas resolvidas em seis meses, mais de 1.300 horas de suporte economizadas
• Synthesia: taxas de suporte por autoatendimento de até 87%
• Fundrise: mais de 50% do volume total de suporte automatizado em três meses
• Fundrise: 95% de precisão de resposta mantida, picos sazonais de casos reduzidos aproximadamente à metade ano após ano.⁵⁴

32. Enviando SMS de acompanhamento e informativos

Após uma interação, os agentes enviam mensagens SMS para acompanhar os clientes. 42,8% das empresas usam agentes de texto com IA e 33,4% usam agentes de voz com IA para divulgação proativa. ⁵⁵

Como funciona:

O agente de IA E-Care da Toyota conecta-se à eletrônica de bordo do carro e contata os clientes para alertá-los sobre necessidades de reparo ou manutenção e, em seguida, orienta-os no agendamento do veículo em uma oficina. O agente reduz a carga geral de chamadas de serviço recebidas.⁵⁶

Diferentemente de disparos programados, o outbound agêntico se adapta a cada destinatário. Em uma interrupção de serviço público, o agente:

• Identifica quais bairros são afetados, em vez de enviar mensagens para toda a base.
• Verifica o canal preferido de cada cliente (SMS, WhatsApp, voz ou e-mail).
• Envia atualizações personalizadas (por exemplo, “A energia deve ser restabelecida até as 16:15”).
• Acompanha automaticamente se a restauração demorar mais do que o esperado, escalando para um agente humano se o cliente responder com preocupações.

33. Geração e otimização de FAQ

Os agentes:

• Geram e atualizam automaticamente FAQs a partir de interações ao vivo com clientes e histórico de tickets.
• Integram-se a ferramentas de CRM, chat e base de conhecimento para identificar consultas recorrentes.

Como funciona:

O Knowledge Builder da Zendesk analisa tickets dos últimos 30 dias, observando tanto os problemas levantados pelos clientes quanto as soluções fornecidas pelos agentes, e gera uma estrutura de categorias preenchida com artigos de rascunho. O knowledge copilot da Zendesk então mantém a base:

• Identificando lacunas de conteúdo e sugerindo atualizações para artigos que cobrem parcialmente tickets recorrentes.
• Gerando rascunhos de artigos ou procedimentos a partir de dados de tickets.
• Avaliando a saúde do conteúdo em cobertura, atualização (proporção de artigos atualizados recentemente) e legibilidade por IA (proporção de artigos formatados para processamento por IA).
• Destacando tópicos de suporte, sinalizando picos em consultas recorrentes (por exemplo, redefinições de senha) e recomendando novos artigos para a central de ajuda.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Agentes de IA como assistentes de pesquisa

Agentes de IA como assistentes de pesquisa são usados em vários campos para auxiliar na análise de dados, revisão de literatura, geração de hipóteses e design experimental.

Exemplos reais:

1. Deep Research da OpenAI usa raciocínio para sintetizar grandes quantidades de informações online e concluir pesquisas em várias etapas em nível de Ph.D ao executar buscas amplas usando o o3 e o DeepSeek.⁵⁹⁶⁰

Em um experimento em que pesquisadores pediram ao Deep Research para conduzir um projeto real com um prompt detalhado, o Deep Research:

• Fez perguntas de acompanhamento para esclarecer o escopo e os detalhes do projeto de pesquisa antes de começar.
• Sintetizou descobertas de 22 fontes com base em relatórios acadêmicos e do setor.⁶¹

2. O sistema de apoio à decisão clínica (CDS) da ChemicalQDevice foi solicitado a executar um fluxo de trabalho agêntico para descoberta de medicamentos. Neste exemplo, o sistema da ChemicalQDevice:

• Analisou grandes quantidades de literatura clínica de datasets.
• Executou codificação automatizada com ferramentas como GitHub Actions.
• Usou IA generativa (por exemplo, GPT-4 ou modelos personalizados) para gerar hipóteses, sugerir designs experimentais e escrever relatórios de pesquisa.⁶²

3. O sistema de fluxo de trabalho agêntico de ponta a ponta, otto-SR, aproveita LLMs para realizar buscas na literatura, aplicar critérios de inclusão/exclusão, extrair dados estruturados e realizar meta-análises.⁶³

4. O Google implantou um revisor por pares agêntico nas conferências ICML e STOC para automatizar partes do processo de revisão científica em escala. Nessa implantação, o agente:

• Processou aproximadamente 10.000 artigos com tempos de resposta de 30 minutos por manuscrito.
• Detectou 34% mais erros matemáticos do que métodos padrão de prompting de tiro zero.⁶⁴

Deep Research da OpenAI, o sistema da ChemicalQDevice e otto-SR podem ser usados em vários casos de uso agênticos apresentados abaixo:

34. Revisão de literatura e descoberta de conhecimento

Os agentes de IA pesquisam de forma autônoma bases de dados acadêmicas, periódicos e repositórios de pesquisa online (por exemplo, Google Scholar, PubMed) para reunir estudos, artigos e papers relevantes relacionados a tópicos ou hipóteses de pesquisa específicos.

35. Geração e teste de hipóteses

Agentes analíticos avançados escaneiam continuamente fluxos de dados para gerar e testar hipóteses de negócios de forma autônoma. Quando uma anomalia como um pico de abandono de carrinho ocorre, o agente testa imediatamente variáveis como latência de página ou códigos promocionais com falha, entregando insights validados aos usuários em minutos, em vez de dias.

36. Mineração e análise de dados

Agentes de IA ingerem dados estruturados e não estruturados de várias fontes, como bases de pesquisa, mídias sociais, patentes ou resultados de ensaios clínicos, fornecendo insights sobre tendências emergentes.

Estudo de caso de mineração e análise de dados: AES

A AES usou agentes construídos no BigQuery e Vertex AI do Google Cloud para sintetizar dados estruturados e não estruturados em todo o seu parque de auditoria interna.

• Custos de auditoria reduzidos em 99% e tempo reduzido de 14 dias para uma hora
• A General Mills economizou mais de $100 milhões ao dar aos funcionários acesso seguro à IA generativa sobre seus dados
• O Departamento de Emprego, Treinamento e Reabilitação de Nevada construiu um assistente de recursos que ajudou os árbitros a decidir 4x mais rápido.⁶⁵

37. Visualização e apresentação de dados

Agentes analíticos compilam automaticamente dados brutos em visuais prontos para apresentação, mapeando tendências complexas em gráficos limpos de análise de coorte e cascatas financeiras usando ferramentas integradas como Tableau ou Power BI.

Agentes de IA como usuários de computador

“Computer Use” visa permitir que a IA interaja com um computador como uma pessoa faria. Isso oferece flexibilidade para executar tarefas digitais sem usar APIs específicas de SO ou web.

Existem duas abordagens para agentes de IA executarem tarefas como humanos:

1. Executar ações na interface gráfica do usuário (GUI) do SO (Anthropic’s Claude, OmniParser da Microsoft, etc).
2. Navegação na web (Operator da OpenAI, Kura IA, Runner H, HyperWriteAI, MultiOn Agent Q, etc).

Exemplos de ferramentas:

1. ChatGPT Atlas com Agent Mode, sucessor da ferramenta Operator, alterna entre aplicativos e conclui tarefas complexas baseadas na web para unificar a GUI.¹
2. Kura IA eRunner H visam concluir tarefas usando navegadores web.⁶⁶⁶⁷
3. HyperWriteAI visa preencher formulários de texto, clicar em botões e selecionar opções de menu para fazer um pedido online.⁶⁸
4. OmniParser da Microsoft melhora a compreensão do agente sobre interfaces visuais para automação de GUI.⁶⁹

38. Preenchimento de formulários e automação web

Os agentes navegam em páginas da web, clicam em campos e preenchem formulários com base em prompts do usuário ou dados estruturados.

Como funciona:

Exemplo real: Preenchimento de formulários

A Danfoss implantou agentes de IA do Google Cloud na manufatura industrial para automatizar o processamento de pedidos por e-mail e alcançou:

• 80% das decisões transacionais automatizadas
• Tempo médio de resposta ao cliente reduzido de 42 horas para quase tempo real.⁷¹

39. Geração e edição de documentos

Os agentes abrem arquivos, fazem edições, renomeiam, organizam e salvam documentos em ambientes locais ou na nuvem.

Como funciona:

Pede-se ao Anthropic’s Claude para “Gerar 25 linhas de despesas de exemplo, salvá-las em uma planilha e depois abrir a planilha”.

Neste exemplo, o Claude:

• Abriu o arquivo CSV no aplicativo LibreOffice Calc.
• Criou um arquivo CSV com 25 linhas de dados de despesas de exemplo.
• Instalou a planilha LibreOffice Calc.⁷²

40. Pesquisa na web e coleta estruturada de dados

Diferentemente de scripts básicos de automação, agentes de pesquisa profunda na web interpretam informações não estruturadas em várias páginas e retornam insights em um formato estruturado.

Como funciona:

O Deep Research da OpenAI, uma nova capacidade agêntica dentro do ChatGPT projetada para pesquisa web em várias etapas e de alto contexto, planeja, navega e sintetiza informações de várias fontes para responder a consultas complexas.

41. Operações de CLI e execução de scripts

Agentes de codificação baseados em CLI, como o Aider, que são projetados para fluxos de trabalho de desenvolvimento em terminal, executam comandos shell, instalam software, lançam scripts e interpretam saídas em interfaces de terminal.

Como funciona:

O Aider, um agente de codificação de IA nativo de CLI, é usado por desenvolvedores para refatorar bases de código e executar comandos shell, como rodar suítes de teste (pytest, npm test). O agente interpreta saídas de terminal, corrige erros iterativamente e faz commits diretamente em repositórios Git.⁷³

Como alternativa ao Aider, a Cognition lançou o Devin 2.0, um engenheiro de software de IA autônomo com uma variante nativa de CLI competindo diretamente com agentes de terminal. O Devin é capaz de refatorar bases de código, executar comandos shell, rodar suítes de teste e fazer commits em repositórios Git.⁷⁴

42. Navegação e coordenação multimodal de aplicativos

Agentes de GUI unificados (por exemplo,Operator da OpenAI protótipos) podem alternar entre aplicativos.

Como funciona:

Para testar um caso de uso de entrega de pedido, forneci uma simples solicitação de compra do Open Operator: Ajude-me a comprar uma capa de almofada estilo boho por menos de $30.

43. Agentes de fluxo de trabalho autônomos (tarefas de longo horizonte)

Agentes de planejamento com memória + uso de ferramentas (por exemplo, Auto-GPT, Agent Q com definição de metas) executam metas de várias etapas em ferramentas variadas (por exemplo, coletar informações, agir, revisar planos), tomando decisões em tempo real.

Como funciona:

Nesta análise de relatório financeiro em várias etapas, o agente de planejamento de IA recebe a tarefa: “Analise o desempenho financeiro do último trimestre e prepare um resumo para a equipe financeira.”

O agente é solicitado a obter:

• Notícias recentes da empresa (3 principais notícias)
• Preço atual das ações da empresa (AAPL)
• Informações da empresa (por exemplo, perfil, valor de mercado, setor)
• Preços históricos das ações (intervalo de 1 dia no último mês)
• Recomendações de analistas (por exemplo, classificações de compra/manutenção/venda)

Aqui está a saída do relatório financeiro:

MultiOn Agent Q reservando um voo.

Construindo agentes de IA

A mudança de aplicações básicas de agentes, como buscas de clima em linguagem natural usando ferramentas como LangChain, para casos de uso autônomos mais complexos, como desenvolvimento de aplicativos (por exemplo, gerar um jogo da velha com o editor de IA Cursor), resultou nos desafios:

Essa mudança apresenta desafios como gerenciar fluxos de trabalho em várias etapas, lidar com loops de erro de API e manter o contexto em grandes bases de código.

• Gerenciando a complexidade na execução de tarefas
  • Padronizando padrões que orientam seu processo de tomada de decisão.
  • Incorporando múltiplas opções e selecionando a ação ideal para executar uma tarefa. (por exemplo, “Devo exibir esta tela ou outra com base na entrada do usuário?”).
• Interagindo com sistemas externos e APIs

44. Gerando agentes de IA personalizados:

Frameworks de construção de agentes de IA ajudam a enfrentar esses desafios fornecendo:

• Frameworks de tomada de decisão e raciocínio (por exemplo, modelos de aprendizado de máquina ou probabilísticos) para padronizar padrões e incorporar múltiplas opções.
• Ferramentas de acesso e integração de dados (por exemplo, conectores de API) para interagir com sistemas externos e APIs.

O ecossistema de desenvolvedores vem adotando ferramentas especializadas de orquestração agêntica como LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK e Claude Agent SDK, pois essas ferramentas oferecem fluxos de trabalho estruturados para coordenação multiagente e tarefas de longo horizonte.

Como funciona:

Criando um agente personalizado de guia de viagem para a Eslovênia com o Microsoft 365:

Exemplo real: Gerando agentes de IA personalizados

A AppFolio migrou seu copiloto de gestão de propriedades Realm-X de uma arquitetura baseada em cadeia para o LangGraph, publicando números de antes e depois sobre o que a mudança proporcionou.

• Melhoria de 2x na precisão das respostas após a migração
• Mais de 10 horas economizadas por semana por gerente de propriedade
• O few-shot prompting dinâmico elevou o desempenho em recursos específicos de 40% para 80%.⁷⁸

Perguntas frequentes

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Casos de Uso de IA Agêntica com Exemplos Reais}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Acessado em 8 setembro 2026}
}

Registro de alterações

20 atualizações

202620252024

1. 26 ago

   Substituído 'Exemplo da vida real' por 'Como funciona' na seção 'Construindo aplicações', clarificando a natureza dos exemplos.

2. 4 ago

   Adicionado um exemplo da vida real à seção 'Resolução de apólices personalizada', oferecendo uma ilustração concreta do conceito.

3. 16 jul

   Removida uma URL específica de país de um exemplo da vida real, tornando o conteúdo universalmente acessível.

4. 8 jul

   Expandido o 'Exemplo da vida real' na introdução, oferecendo uma compreensão mais ampla das capacidades de colaboração entre agentes.

5. 7 jul

   Atualizado o 'Exemplo da vida real' na seção 'Monitoramento e otimização do pipeline CI/CD', fornecendo uma compreensão mais clara do papel de Claude como agente DevOps.

Links de referência

1.

Presentamos Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane!" / X

3.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

4.

Rakuten Claude Code case study | Claude

5.

APIs for AI Agents: The Only Beginner’s Guide You’ll Ever Need (n8n) - YouTube

6.

Replit’s AI agent built my entire website (I just watched) - YouTube

7.

Cursor · Customers

Cursor

8.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

9.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

10.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

11.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

12.

Watsonx Code Assistant for Z is the Rosetta Stone for COBOL - IBM Research

IBM

13.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

14.

Devin's 2025 Performance Review: Learnings From 18 Months of Agents At Work | Cognition

Cognition

15.

Agent mode 101: All about GitHub Copilot’s powerful mode - The GitHub Blog

16.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

17.

Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog

18.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

19.

NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor

Cursor

20.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

21.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

22.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

23.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

24.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

MDPI

25.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

26.

Torq Security Automation Demo | Phishing Response Workflow - YouTube

27.

Torq Expands Agentic AI Capabilities With Powerful New Autonomous, Collaborative Multi-Agent Framework For Security Operations | Torq

Torq®

28.

GitHub - dandye/adk_runbooks · GitHub

29.

Agentic Incident Response - YouTube

30.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

31.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

32.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

33.

Automated Software Test Generation at Industry Scale Using a Multi-Agent Architecture and Workflow Integration | Proceedings of the IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice

34.

Generative Agents: Interactive Simulacra of Human Behavior

35.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

36.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

37.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

38.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

39.

NLR Co-Founder of Mind Protocol on X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

40.

Engineering

41.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

42.

Introducing AI to FigJam | Figma Blog

Figma

43.

Dutch Insurance Provider

44.

Automating an insurance claim form with AI Builder - YouTube

45.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

46.

AI tool brings real-world value to Zurich USMM underwriters

47.

Lemonade - Insurance claims handled instantly - YouTube

48.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

49.

Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox

50.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

51.

Paradox AI recruiting success stories — Paradox

52.

Ada Voice + Aircall - YouTube

53.

A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube

54.

Intercom Claude Platform (API) case study | Claude

55.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

56.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

57.

Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube

58.

Knowledge Builder in action | Zendesk demo video - YouTube

59.

Introducing deep research | OpenAI

60.

Deep Research - Marginal REVOLUTION

61.

Deep Research: First Impressions

UX Tigers

62.

ChemicalQDevice

63.

Automation of Systematic Reviews with Large Language Models | medRxiv

64.

[2606.28277] Towards Automating Scientific Review with Google's Paper Assistant Tool

65.

25 of my favorite ROI+ customer stories | Google Cloud Blog

Google Cloud

66.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

67.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

68.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet." / X

69.

OmniParser

70.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

71.

Google Cloud’s Business Trends Report 2026: Key findings

Google

72.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

73.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

74.

Devin | The AI Software Engineer

Cognition

75.

Creating an AI Agent for Financial Report Analysis - YouTube

76.

MultiOn AI Agent books a flight - YouTube

77.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

78.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017.

O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia líderes como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Hazal Şimşek

Analista do Setor

Siga-nos

Hazal é analista do setor na AIMultiple, com foco em inteligência de processos (incluindo mineração de processos) e automação empresarial (incluindo automação de TI e automação low-code/no-code).

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário