20+ Construtores de Agentes de IA: Microsoft, CrewAI, LangGraph e Mais

Após revisar a documentação e passar várias horas testando esses construtores de agentes de IA, compilamos uma lista dos melhores frameworks de código aberto e plataformas low-code/no-code. Para demonstrar os casos de uso dos construtores de agentes de IA, fornecemos um tutorial sobre como construir um agente especialista em produtos com CrewAI.

Plataformas low-code/no-code

Plataformas low-code/no-code com ferramentas pré-construídas são ideais para tarefas de automação de fluxos de trabalho empresariais e implantação rápida.

As plataformas low-code/no-code são software proprietário.

Creatio

Creatio permite que equipes de negócios criem agentes de IA sem recursos de desenvolvimento, com foco em automação de vendas, marketing e serviços.

Recursos do Construtor de Agentes de IA: Os agentes de IA do Creatio lidam com interações com clientes, automatizam processos e analisam dados. A plataforma usa modelos pré-construídos para cenários comuns, por exemplo, qualificação de leads, respostas de atendimento ao cliente e processamento de pedidos, que você personaliza por meio de configuração visual em vez de código.

O construtor de agentes integra-se diretamente aos dados de CRM do Creatio. Um agente de IA pode acessar o histórico do cliente, obter informações de pedidos, verificar o status do inventário e acionar fluxos de trabalho, tudo na mesma plataforma onde os dados da sua empresa estão.

Automação de Fluxo de Trabalho: O designer de processos de arrastar e soltar cria fluxos de trabalho com várias etapas. Conecte agentes de IA aos processos de negócios: quando um lead atinge determinados critérios, o agente o qualifica automaticamente, atribui aos representantes de vendas e agenda acompanhamentos.

Vertex IA Builder

Um construtor de agentes no-code para casos de uso empresariais que permite criar modelos de resposta. Suporta integração com frameworks de código aberto como o LangChain. Uma limitação é que a API da Vertex, da autenticação aos endpoints, é complexa de trabalhar.

Beam IA

Microsoft Copilot Studio Agent Builder

Um construtor de agentes de IA low-code para um ambiente SaaS oferece mais de 1.200 conectores de dados. Ideal para:

• Automatizar tarefas como enviar notificações.
• Criar chatbots internos.
• Ou operações de negócios, como gerenciamento de pedidos

A plataforma introduziu o Construtor de Agentes em 2026, permitindo a criação de agentes em linguagem natural, na qual os desenvolvedores descrevem os requisitos e o sistema gera automaticamente prompts, seleciona ferramentas, configura subagentes e define habilidades.¹

As melhorias de 2026 incluem a capacidade de copiar agentes criados no Microsoft 365 Copilot para o Copilot Studio para desbloquear fluxos de trabalho de várias etapas e integrações personalizadas.² A plataforma adicionou recursos de human-in-the-loop por meio de uma ação de “solicitação de informações” que pausa os fluxos do agente para coletar detalhes de revisores designados pelo Outlook e, em seguida, retoma a execução usando as respostas deles como parâmetros dinâmicos.

Lyzr Agent Studio

Pode ser usado por desenvolvedores, empresas e usuários de negócios. É modular e útil para prototipagem. Ideal para automatizar fluxos de trabalho em finanças, RH, cadeia de suprimentos e experiência do cliente.

Glide

Oferece no-code temas pré-desenhados, layouts e componentes para criação de agentes. Ideal para automatizar fluxos de trabalho em vendas de campo, inspeções, ordens de serviço, inventário, CRM, painéis e portais.

Postman IA Agent Builder

Ideal para prototipar e construir agentes de IA em um ambiente colaborativo. Oferece ferramentas como o cliente Postman, Collection Runner e Postman Flows para testar respostas, prompts e entradas de LLM.

UiPath Agent Builder

Uma ferramenta de desenvolvimento de agentes low-code que faz parte do UiPath Studio.

String

Um construtor de agentes de IA que permite aos usuários criar agentes específicos para tarefas sem programação. Os agentes são criados usando modelos pré-desenhados e uma interface visual de arrastar e soltar. Conecta-se a ferramentas como SharePoint, Salesforce e APIs internas para automatizar fluxos de trabalho. A privacidade dos dados é garantida por conformidade de nível empresarial, e os agentes podem ser executados tanto na nuvem quanto em ambientes locais.

Relevance IA

Ideal para equipes de operações que desejam criar agentes de IA para gerenciamento de incidentes sem depender de recursos de desenvolvimento. Não é necessário conhecimento técnico.

Lindy

É especializada em automatizar várias operações comerciais, incluindo documentação médica, atendimento ao cliente, recursos humanos e vendas. Com o Lindy, você pode criar um “agente personalizado” para cada tarefa, anexá-lo a ferramentas como Gmail ou Slack e vê-lo funcionar automaticamente por meio de gatilhos.

Bricklayer IA

Um sistema de IA autônomo para criar agentes que automatizam Centros de Operações de Segurança (SOCs). Pode aprimorar várias tarefas de SOC, como triagem de alertas, resposta a incidentes e análise de inteligência de ameaças. Permite que os SOCs criem fluxos de trabalho multitarefa, semelhantes aos playbooks de SOAR.

Vonage IA Studio

Um construtor visual de agentes no Vonage IA Studio permite criar fluxos de design automatizados para chatbots ou assistentes de voz em canais de mensagens e voz sem precisar escrever código.

Trilex IA

Um construtor de agentes no-code que permite que agentes autoconscientes trabalhem juntos como uma equipe. É focado em interface e não está pronto para uso empresarial.

Frameworks de código aberto

Frameworks agênticos geralmente são ideais para projetos complexos, orientados por IA, em ambientes de desenvolvimento que exigem personalização e programação. Alguns (por exemplo, Crew IA, AutoGen) também podem oferecer recursos low-code.

O LangGraph é software proprietário, mas ele fornece uma biblioteca de código aberto para desenvolvimento de agentes.

LangGraph

O LangGraph 1.0 é confiável para empresas como Uber, LinkedIn e Klarna para cargas de trabalho em produção.³ Ele serve como um framework de orquestração de baixo nível para construir fluxos de trabalho de agentes duráveis e com estado, com persistência automática de estado; se um servidor reiniciar no meio da conversa, os fluxos de trabalho retomam exatamente de onde pararam. O framework oferece suporte de primeira classe a API para padrões de human-in-the-loop, permitindo que os agentes pausem a execução para revisão, modificação ou aprovação humana.

O LangGraph oferece maior controle e é adequado para fluxos de trabalho agênticos complexos, especialmente ao usar Geração Aumentada por Recuperação (RAG) ou orquestrar tarefas de IA em APIs externas ou bancos de dados.

O LangGraph introduziu integrações plugáveis de sandbox, incluindo langchain-modal, langchain-daytona e langchain-runloop, para ambientes seguros de execução de código.⁴ O framework adicionou perfis de modelos que expõem recursos e capacidades suportados por meio de um atributo .profile, permitindo uma tomada de decisão mais consciente do contexto. A sumarização do histórico de conversas agora ocorre no nó do modelo por meio de eventos wrap_model_call, retendo o histórico completo de mensagens no estado do grafo para uma contagem de tokens mais precisa.

Integração com LangChain: O LangChain v1.1.0 agora aproveita o runtime do LangGraph para permitir ramificações, fluxos de trabalho de agentes duráveis e habilitados para memória, com mais de 100 integrações plug-and-play por meio de abstrações padronizadas, suporte a middleware e observabilidade OpenTelemetry.⁵

AutoGen / Microsoft Agent Framework

O AutoGen entrou em modo de manutenção em outubro de 2025 e foi incorporado ao Semantic Kernel como parte do novo Microsoft Agent Framework. O AutoGen continua disponível e receberá correções críticas de bugs e patches de segurança, mas não novos recursos.⁶ Os desenvolvedores devem migrar para o Microsoft Agent Framework para recursos futuros.

Principais recursos:

• Fluxos de trabalho multiagente com estado durável e compartilhamento persistente de contexto em tarefas de longa duração
• Suporte a padrões abertos, incluindo Model Context Protocol (MCP), mensagens Agent-to-Agent (A2A) e integração OpenAPI para portabilidade entre runtimes
• Salvaguardas integradas de IA responsável: Adesão à Tarefa (mantém os agentes alinhados às tarefas), Detecção de PII (alerta quando agentes acessam dados sensíveis) e Prompt Shields (protege contra injeção de prompts)
• Suporte multilíngue para Python e .NET com arquitetura assíncrona e orientada a eventos

Implantação Empresarial: O framework suporta experimentação local com implantação no Foundry Agent Service do Azure IA Foundry, que fornece orquestração de fluxos de trabalho multiagente, tratamento de erros, repetições e recuperação em escala. Organizações como a KPMG o utilizam para conectar agentes especializados a dados corporativos, mantendo a conformidade regulatória.⁷

CrewAI

Uma das ferramentas mais fáceis para começar, oferecendo modelos de agentes prontos (por exemplo, agente de preparação de reuniões) e uma curva de aprendizado mínima com opções no-code.

O CrewAI se destaca como um framework multiagente enxuto, autônomo e de alto desempenho que é completamente independente do LangChain, oferecendo execução mais rápida e menores requisitos de recursos.⁸

O framework agora oferece duas abordagens complementares: CrewAI Crews para agentes de IA autônomos e colaborativos, e CrewAI Flows para controle granular orientado a eventos sobre a orquestração de tarefas, suportando tanto Crews nativamente quanto chamadas únicas de LLM para execução precisa.⁹

O framework adicionou utilitários de execução de tarefas Agent-to-Agent (A2A), permitindo que os agentes deleguem dinamicamente tarefas em fluxos de trabalho estruturados, capacidades de manipulação multimodal de arquivos e ordenação de eventos por meio de hierarquias pai-filho, garantindo execução determinística de fluxos de trabalho.¹⁰ Os recursos empresariais incluem autenticação Keycloak SSO e armazenamento de arquivos aprimorado com cache de memória de fallback.

A contrapartida é que pode ser mais difícil ajustar dinamicamente funções ou delegar tarefas a outros agentes no meio do fluxo de trabalho, porque a abordagem de Crews do CrewAI usa funções e tarefas predefinidas, que são rígidas. Os Flows oferecem mais flexibilidade para padrões complexos de orquestração.

OpenAI Swarm

Uma solução leve, ainda está em estágio experimental e ainda não está “pronta para produção”. A OpenAI descreve explicitamente o Swarm como um framework educacional e um livro de receitas para explorar padrões multiagente, e não como um produto oficial, e não será mantido para uso em produção.¹¹

Status de 2026: O OpenAI Swarm permanece na fase experimental até fevereiro de 2026, sem cronograma anunciado para lançamento em produção. Ele não fornece soluções prontas para todos os casos de uso, mas permite que os desenvolvedores criem e personalizem aspectos como orquestração de fluxos de trabalho e interações entre agentes por meio de funções leves de “handoff”. É adequado para prototipagem e teste de ideias, e é mais adequado para casos de uso simples ou para quem deseja integrar processos agênticos em um pipeline de LLM existente.

Limitação principal: Swarm é um sistema completamente sem estado que trata cada nova tarefa como uma folha em branco, sem memória de interações anteriores. Embora isso ofereça previsibilidade e depuração mais fácil, tem o custo da adaptabilidade a longo prazo.

Camel

Um framework de agentes multiagente de interpretação de papéis low-code que permite que agentes de IA se comuniquem. Ideal para automação de fluxos de trabalho e geração de dados sintéticos. Oferece mais de 20 integrações com plataformas de modelos.

ChatDev

Inclui agentes de IA (como designers, desenvolvedores, testadores e documentadores) que interagem e trabalham juntos para realizar tarefas complexas. O ChatDev fornece um visualizador baseado em navegador para estudar as interações de cada agente dentro de seu papel e ambiente.

Pydantic IA

Um framework de agentes Python não exige aprender uma nova linguagem específica de domínio. Útil para manipulação de dados estruturados e prototipagem. Integra-se a ferramentas de log, como o LogFire, para visualização de dados em tempo real.

Agent Zero

Um framework autônomo de agentes de IA hospedado no GitHub. Pode ser usado para geração de aplicativos full-stack, programação e RAG. Interage com várias ferramentas e APIs por meio de comandos em linguagem natural.

Agentes Automáticos

Um framework leve para criar pipelines e aplicações de IA agêntica. Ao contrário de frameworks como AutoGen e Crew IA, que usam abstrações de alto nível, o Atomic Agents adota uma abordagem modular de baixo nível. Isso dá aos desenvolvedores controle direto sobre componentes como manipulação de entradas, integração de ferramentas e gerenciamento de memória, tornando cada agente mais controlável.

Bee Agent Framework

Um kit de ferramentas no-code de código aberto desenvolvido pela IBM Research. Implementado em TypeScript e Python. Oferece execução de código em sandbox para segurança, gerenciamento flexível de memória para otimizar o uso de tokens (especialmente para modelos como Llama 3.1) e controles de fluxo de trabalho, permitindo ramificações complexas, pausa/retomada de estado e tratamento contínuo de erros.

O que são agentes?

“Agente” pode ser definido de várias maneiras:

1. IA tradicional define agentes como sistemas que podem perceber seu ambiente e agir sobre esse ambiente.
2. Algumas empresas de análise definem agentes como sistemas totalmente autônomos que operam de forma independente por longos períodos, utilizando ferramentas como funções ou APIs para interagir com seu ambiente e tomar decisões com base em contexto e objetivos.¹²
3. Outros usam o termo para descrever implementações mais prescritivas que seguem fluxos de trabalho predefinidos.¹³

Em vez de fornecer uma definição estrita, categorizamos essas variações como sistemas agênticos, mas fazemos uma distinção arquitetural fundamental entre fluxos de trabalho e agentes:

1. Fluxos de trabalho são sistemas nos quais LLMs e ferramentas são organizados por meio de caminhos de código predefinidos.
2. Agentes são sistemas nos quais os LLMs de forma independente:
   • Gerenciam seus processos e o uso de ferramentas.
   • Decidem quando usar as ferramentas fornecidas de forma iterativa para atingir o objetivo principal e determinar
   • Como concluir tarefas.

Por que usar construtores de agentes de IA?

Construir agentes do zero é uma tarefa complexa devido aos seguintes problemas:

• Confiabilidade: Encadear várias etapas de IA pode agravar as alucinações da IA, especialmente em tarefas que exigem resultados exatos.
• Capacidade de integração: Vários casos de uso exigem que agentes acessem armazenamentos de dados ou aplicações externas.
• Orquestração: Os agentes precisam operar no momento certo e na ordem correta para atingir um objetivo comum, exigindo sincronização complexa.
• Gerenciamento de estado: É complexo garantir que os agentes acompanhem o status uns dos outros e que mudanças no estado de um agente não perturbem os demais.

Os construtores de agentes facilitam isso ao permitir que os desenvolvedores se concentrem na lógica da aplicação, em vez de lidar com alucinações de IA, integrações de ferramentas, orquestração etc.

Os construtores trazem os componentes necessários para criar agentes de IA mais confiáveis e capazes, incluindo:

• Frameworks que definem uma especialização (por exemplo, gerenciamento de fluxo de trabalho) do modelo de IA agêntica.
• Modelos de dados que ajudam a aumentar a probabilidade de um modelo de IA gerar saídas exatas, reduzindo alucinações.
• Armazenamentos de dados que permitem acesso a dados externos, bancos de dados SQL e NoSQL para armazenamento e consulta de dados.
• Ferramentas de orquestração integradas (por exemplo, protocolos de comunicação etc.) que coordenam vários agentes.
• Componentes de gerenciamento de estado para permitir que os agentes se lembrem de interações passadas e ajustem seu comportamento em ambientes dinâmicos.

Leia mais

Se você está analisando a infraestrutura que alimenta a IA agêntica com capacidade web, aqui estão nossos benchmarks mais recentes:

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

Tutorial: criação de um agente com CrewAI

Neste tutorial prático, criaremos um agente de IA com o CrewAI para recomendar notebooks adaptados às necessidades específicas de um CTO.

Cenário: Recomende os 3 melhores notebooks para um Chief Technology Officer (CTO) que trabalha principalmente com e-mail e realiza desenvolvimento de software extensivo baseado em Python.

Instalação

Vamos começar instalando as bibliotecas necessárias:

Por que precisamos da OpenAI API?

O CrewAI usa um LLM, como os modelos GPT da OpenAI, para alimentar o raciocínio e as respostas do agente. O agente interpreta tarefas e gera saídas, exigindo uma chave de OpenAI API.

Nota: A chave de API é necessária para acessar modelos da OpenAI, como o GPT-4. O CrewAI também pode trabalhar com modelos de código aberto, como o Llama 3.

Definindo o agente

Criaremos um agente especialista em produtos: um assistente de IA com conhecimento sobre produtos de tecnologia. Como nosso cenário envolve apoiar um usuário técnico (um CTO), precisamos de um agente com forte conhecimento de produtos e habilidades analíticas.

O CrewAI define um agente com base em sua relação com tarefas. Para cada agente, devemos esclarecer seu papel, objetivo, histórico e as ferramentas que ele pode usar:

• papel: A área de especialização que o agente representa; neste caso, um especialista em produtos com conhecimento técnico.
• objetivo: Um objetivo claro e específico para o agente.
• histórico: Dá ao agente caráter, profundidade e conhecimento de domínio.

Definindo a tarefa

Nesta parte, atribuímos ao agente a tarefa de recomendar três notebooks adequados para o CTO, incluindo seus preços e um breve resumo de uma frase para cada um.

O CrewAI lida com raciocínio e formatação com base nas suas restrições, conforme especificado pelos parâmetros description, expected_output e agent.

• description: Explica o que o agente deve fazer.
• expected_output: Define a estrutura de saída; isso garante clareza e qualidade.
• agent: Atribui a tarefa ao agente que criamos.

Criando a Crew e executando o fluxo de trabalho

Em seguida, criamos a crew, um sistema no qual os agentes são criados, recebem tarefas e interagem para concluir seus objetivos.

CrewAI em ação: saída de execução do agente

Uma vez chamado o método crew.kickoff(), o CrewAI executa a tarefa usando o agente definido. Abaixo está um exemplo de saída do terminal, mostrando como a tarefa é atribuída, executada e a resposta final retornada pelo agente especialista em produtos:

Em seguida, o agente fornece sua saída da seguinte forma:

Essa saída mostra como um agente, quando definido corretamente, pode fornecer respostas estruturadas, relevantes e de alta qualidade para integração em ferramentas ou fluxos de trabalho do mundo real.

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

O que torna os construtores de agentes de IA diferentes

Escolher entre construtores de agentes de IA não se trata de encontrar a "melhor" ferramenta – trata-se de combinar compensações arquiteturais às habilidades da sua equipe e às necessidades do projeto. Veja o que realmente diferencia essas plataformas.

Controle versus Conveniência

Plataformas low-code (Microsoft Copilot Studio, Beam IA) permitem arrastar e soltar componentes para criar agentes. Nenhuma programação é necessária. A plataforma cuida automaticamente da orquestração, do gerenciamento de estado e do tratamento de erros.

O lado positivo: Equipes não técnicas podem criar agentes funcionais em horas. Perfeito para fluxos de trabalho empresariais padrão, como processamento de pedidos, encaminhamento de atendimento ao cliente ou automação de entrada de dados.

A limitação: Você não pode personalizar a lógica central. Precisa de um padrão de coordenação novo ou de uma otimização específica? Você fica limitado ao que a plataforma oferece. Essas ferramentas funcionam muito bem até que seu caso de uso se afaste dos modelos delas.

Frameworks de código aberto (LangGraph, Atomic Agents) oferecem controle total. Você escreve código que define exatamente como os agentes pensam, coordenam e executam.

O lado positivo: Personalização ilimitada. Crie qualquer padrão de coordenação, otimize para casos extremos, implemente loops de raciocínio personalizados. O gerenciamento de estado explícito do LangGraph funciona para processos complexos de várias etapas. O Atomic Agents permite controlar manipulação de entradas, integração de ferramentas e memória em nível granular.

A limitação: Exige conhecimento sério de desenvolvimento e tempo. O que leva horas em uma plataforma low-code leva semanas em um framework.

Opções híbridas, como o CrewAI, tentam encontrar um meio-termo – modelos para começar rapidamente e personalização em nível de código quando necessário. Mas a estrutura rígida de funções do CrewAI dificulta mudanças dinâmicas no meio do fluxo de trabalho. Você obtém um desenvolvimento inicial mais fácil ao custo da adaptabilidade.

Leitura adicional

• Compare 20 LLM ferramentas de segurança e frameworks de código aberto
• Compare 50+ ferramentas de agentes de IA

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 Sezer, Sena},
  title  = {{20+ Construtores de Agentes de IA: Microsoft, CrewAI, LangGraph e Mais}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/ai-agent-builders}},
  note   = {AIMultiple. Acessado em 27 Março 2026}
}

Registro de alterações

21 atualizações

1. 202627 Mar

   Removido Stack AI da lista de plataformas de baixo código.

2. 11 Fev

   Adicionado Creatio à lista de Construtores de Agentes de IA.

3. 202528 Nov

   Removida a seção 'Leia mais' da seção 'Plataformas low-code/no-code'.

4. 25 Nov

   Expandida a seção "O que torna os construtores de agentes de IA diferentes" com novo conteúdo.

5. 16 Jul

   Adicionado String à lista de plataformas low-code/no-code.

6. 26 Mai

   Adicionado Stack AI à lista de plataformas low-code/no-code.

7. 6 Mai

   Expandido o tutorial CrewAI com trechos de código e saída de exemplo.

8. 2 Mai

   Adicionado um tutorial sobre como construir um agente especialista em produtos com CrewAI.

9. 21 Abr

   Removido o vídeo da seção sobre componentes do construtor de agentes.

10. 26 Mar

    Removida a seção 'Desenvolvimento de agentes: principais desafios e como os construtores de agentes os resolvem'.

11. 6 Mar

    Atualizada a definição de plataformas low-code/no-code na introdução.

12. 28 Fev

    Substituída a comparação de AutoGen, CrewAI e OpenAI Swarm por uma comparação de LangGraph, AutoGen, CrewAI e OpenAI Swarm.

13. 27 Fev

    Removida a seção 'Especializações do construtor de agentes de IA'.

14. 25 Fev

    Expandida a seção 'Por que usar construtores de agentes de IA?' com novo conteúdo sobre capacidade de integração, orquestração e gerenciamento de estado.

15. 21 Fev

    Adicionada uma seção sobre o desenvolvimento de agentes de IA: desafios chave e como os construtores os resolvem.

16. 22 Jan

    Adicionado ChatDev à lista de construtores de agentes de IA.

17. 202418 Dez

    Adicionado Autogen, LangChain e ChatDev à seção de construtores de agentes de IA de código aberto.

18. 22 Nov

    Expandida a entrada do Beam AI com novos casos de uso e um exemplo.

19. 8 Nov

    Removido o formato de lista numerada da seção de aprofundamento do construtor de agentes de IA.

20. 20 Set

    Atualizada a descrição do produto Camel.

21. 23 Ago

    Adicionado Microsoft Copilot Studio, Vertex AI e Vonage AI Studio à lista de construtores de agentes de IA.

Links de referência

1.

January 2026: LangChain Newsletter

LangChain Blog

2.

What's new in Copilot Studio - Microsoft Copilot Studio | Microsoft Learn

3.

LangSmith Cloud changelog - Docs by LangChain

Docs by LangChain

4.

Changelog - Docs by LangChain

Docs by LangChain

5.

LangChain vs LangGraph: When to Use Each & Migration Tutorial

ClickIT DevOps & Software Development

6.

AutoGen Update · microsoft/autogen · Discussion #7066 · GitHub

7.

Introducing Microsoft Agent Framework | Microsoft Azure Blog

Microsoft Azure Blog

8.

crewai · PyPI

9.

GitHub - crewAIInc/crewAI: Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. · GitHub

10.

Solving Scalability and Management Woes: Integrating CrewAI with an MCP Server · Technical news about AI, coding and all

11.

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

12.

AI Agents: What They Are and Their Business Impact | BCG

Boston Consulting Group

13.

AI Agents — Introduction, Workflows and Application | by Sulbha Jain | Medium

Medium

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

Sena Sezer

Analista da Indústria

Siga-nos

Sena é analista da indústria na AIMultiple. Ela concluiu seu bacharelado pela Bogazici University.

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