Mais de 40 casos de uso de IA agente com exemplos da vida real.

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

Ao contrário da IA tradicional, particularmente a IA generativa , que muitas vezes requer intervenção humana em fluxos de trabalho complexos, a IA agente visa navegar e otimizar processos de forma autônoma graças às suas capacidades de tomada de decisão e comportamento orientado a objetivos. Os agentes de IA servem como:

• Desenvolvedores
• Assistentes de SecOps
• Personagens de jogos com características humanas
• Criadores de conteúdo
• Assistentes de seguros
• Assistentes de Recursos Humanos (RH)
• Assistentes de atendimento ao cliente
• Assistentes de pesquisa
• Usuários de computador
• construtores de agentes de IA

Agentes de IA como desenvolvedores

1. Aplicações de construção

Editores de código com IA, como o Cursor AI Editor, o Windsurf Editor e o Replit, têm como objetivo criar e implantar aplicativos ( por exemplo, um aplicativo de lista de tarefas ) por meio de:

• Selecionar as ferramentas certas para o trabalho, como Flask para APIs ou React para front-ends.
• Gerar código na linguagem escolhida (por exemplo, Python, JavaScript) com base em instruções simples.
• Automatizando fluxos de trabalho com integrações como o GitHub Actions para testes e implantação.

Exemplo da vida real:

Um desenvolvedor usou o Operator de OpenAI e o AI Agent de Replit para construir um aplicativo completo em 90 minutos . Os dois agentes trocaram credenciais de forma autônoma e executaram testes.

Exemplo da vida real:

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

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

Leia mais

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

• Navegadores remotos : como a infraestrutura do navegador permite que os agentes interajam com a web de forma segura.
• Análise comparativa do MCP : Os melhores servidores MCP para uso de ferramentas e acesso à web.

2. Crie sua própria API com programação de IA.

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

• Integrar o resultado no ambiente do desenvolvedor para testes, controle de versão e implantação.
• Ingestão de especificações de API (por exemplo, arquivos OpenAPI/Swagger).
• Geração de código de backend com base nos endpoints, métodos e esquemas documentados.

Exemplo da vida real:

Fluxos de trabalho de API sem código para agentes de IA com n8n .

Segue abaixo 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. Faça-o verde – como um Apple IIe.” (veja um exemplo real abaixo).

Exemplo da vida real:

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

4. Criação de 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 essenciais como:

• Páginas iniciais
• Páginas de listagem de cursos
• Painéis de controle personalizados para alunos

Da mesma forma, editores de código de IA como o Replit criam sites e utilizam APIs. ⁴

Exemplo da vida real :

Como criar um agente de IA para um site:

Aqui está o fluxo de trabalho de automação:

5. Gerando um painel de controle de CRM

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

Exemplo da vida real:

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

6. Codificação recursiva e modernização de código legado

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

Os agentes reescrevem autonomamente grandes blocos de código, aplicam alterações de configuração e testam os resultados em ciclos até que um objetivo seja atingido.

Exemplos da vida real:

O GT Edge AI converte código COBOL legado em Java moderno. ⁷

A Persistent fornece uma estrutura multiagente usada para migrar código COBOL para Java de forma autônoma, funcionando da seguinte maneira: ⁸

7. Refatoração de código

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

Exemplo da vida real:

Desenvolvedores de uma startup de tecnologia criaram um agente que refatora seu código em mais de 25 linguagens de programação. ⁹

8. Gerar sugestões de código em sua IDE

Agentes como o GitHub Copilot fornecem sugestões de código em tempo real e autocompletar, reduzindo a probabilidade de erros de sintaxe.

9. Monitoramento e otimização do pipeline CI/CD

Agentes de IA gerenciam infraestrutura em ambientes nativos da nuvem, como o Kubernetes. Esses agentes DevOps têm como objetivo:

• Identificar controladores de entrada em execução ou outras cargas de trabalho.
• Identificar pods em execução
• Interpretar comandos de alto nível, como "desligar o pod do NGINX".

Exemplo da vida real:

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

Agentes de IA como assistentes de SecOps

10. Inteligência de ameaças

Os agentes coletam e correlacionam as TTPs (táticas, técnicas e procedimentos) dos agentes de ameaça a partir de fontes abertas e proprietárias, e integram as descobertas aos fluxos de trabalho de detecção.

Exemplo da vida real:

O Security Copilot do Microsoft inclui um Agente de Informação sobre Ameaças Intel especializado que coleta, filtra e resume dinamicamente informações sobre ameaças.

11. Detecção e triagem

Essas ações ocorrem no estágio inicial de ingestão do sinal para reduzir o ruído e organizar os dados de alerta antes de uma análise mais aprofundada.

• Desduplicação de alertas : Remove eventos idênticos ou quase idênticos de múltiplas fontes para reduzir o 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.

Exemplo da vida real:

Charlotte AI realiza detecção e triagem autônomas. por:

• Identificação de comportamentos maliciosos com base em TTPs (Táticas, Técnicas e Procedimentos) conhecidos.
• Cruzamento de padrões de execução e caminhos de arquivos.
• Fornecer uma explicação do veredicto em linguagem acessível a humanos.

12. Enriquecimento contextual e atribuição de ameaças

Realizada após a triagem inicial , esta etapa adiciona profundidade e contexto aos alertas.

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

Exemplo da vida real:

Google Os agentes de IA da Chronicle + Mandiant + Gemini ingerem autonomamente telemetria e feeds CTI , enriquecem alertas com contexto de IOCs (por exemplo, reputação de IP, hashes de malware) e cruzam padrões comportamentais com táticas conhecidas de agentes de ameaças da estrutura MITRE ATT&CK.

Nesse cenário agentivo:

• Detecção: Um agente de IA detecta movimentos laterais usando contas de serviço .
• Enriquecimento: Enriquece automaticamente o alerta com dados dos registros 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. Escalonamento e transferência de responsabilidade

• Tradução/simplificação de alertas : Converte alertas técnicos em resumos fáceis de entender para analistas.
• Sistema automático de emissão de tickets e atribuição de analistas : Cria tickets e encaminha incidentes para o nível ou equipe apropriada.

14. Ações de resposta proativas

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

• Consulte os registros automaticamente usando linguagem natural ou gatilhos contextuais.
• Execute fluxos de trabalho automatizados para investigações e escalonamento.
• Adapte os fluxos de trabalho em tempo real com base em novas evidências ou em uma lógica alterada.
• Gere infraestrutura como código (por exemplo, Terraform, Pulumi) para correção.
• Elabora e modifica regras de detecção com base em insights da investigação.

Exemplo da vida real:

Google desenvolveu o agente SOC Manager , que utiliza vários subagentes para executar um Plano de Resposta a Incidentes estruturado para detecção de malware. ¹⁶

Estrutura do projeto Agentic:

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

Fonte:
Mandiant e Google Segurança na Nuvem ¹⁷

15. Busca por ameaças

Os agentes de busca de ameaças têm como objetivo:

• Analise continuamente os registros de identidade, rede e nuvem em busca de anomalias.
• Automatize buscas repetitivas, como pesquisas de indicadores de comprometimento (IOCs) ou detecção de padrões.
• Identificar ameaças desconhecidas comparando o comportamento com padrões históricos e atividades semelhantes.

Exemplo da vida real:

Pesquisadores desenvolveram um sistema MITRE ATT&CK Driven Threat Hunting Automated by Local LLM , 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 detecção de ataques Kerberoasting" ) por meio de uma interface web.

O Agente 1 recupera os métodos de detecção relevantes do MITRE ATT&CK, enquanto o Agente 2 usa essa entrada para gerar regras Sigma sensíveis ao contexto, utilizando um modelo de linguagem. ¹⁸

16. Testes automatizados de software e aplicativos

Os agentes de teste de IA criam e executam testes de unidade, integração, vulnerabilidade e desempenho sem grande intervenção manual. No entanto, a construção desses sistemas de IA exige muitos recursos, pois requerem poder computacional significativo.

Exemplo da vida real:

O Copilot do Pcloudy fornece scripts de teste Selenium e encontra navegadores disponíveis para realizar os testes e executar os casos de teste. ¹⁹

Saiba mais: Assistentes de IA empresariais , construtores de agentes de IA , agentes de IA de código aberto .

Agentes de IA como personagens de jogos com características humanas

Agentes de IA aprimoram NPCs e outros processos de agentes no mundo do jogo, executando comportamentos de NPCs, jogabilidade e adaptabilidade, e geração procedural de conteúdo .

17. Personagens não jogáveis (NPCs) com poder de ação

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

Exemplo da vida real:

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. ²⁰

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

• Roteiros comportamentais : Os agentes da Stanford AI Village usam roteiros predefinidos para ações e reações. Isso pode incluir comportamentos básicos, como interagir positivamente com outros NPCs.
• Comportamento dinâmico : os NPCs usam IA para ajustar seu comportamento com base nas ações do jogador, tornando o mundo do jogo mais responsivo.
• Navegação : Os NPCs usam algoritmos para navegar pelo mundo do jogo de forma eficaz, encontrando caminhos ao redor de obstáculos e perseguindo o jogador.

18 Jogos

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

• Busca de caminhos e navegação: Os agentes do jogo exploram os ambientes do jogo, usando tentativa e erro para encontrar estratégias ideais. Por exemplo, eles aprendem caminhos de navegação em labirintos complexos, refinando continuamente seu processo de tomada de decisão.
• Emulação de entrada: os agentes do jogo emulam entradas, como pressionamentos de teclado, movimentos do mouse ou controles de gamepad. Isso permite que eles interajam com o jogo como um jogador humano faria.
• Adaptabilidade da jogabilidade: 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 que prioriza a furtividade pode encontrar menos desafios de combate direto.

Exemplo da vida real:

Google O agente multitarefa escalável da DeepMind (SIMA) navega e interage em situações de jogos. O objetivo do SIMA é jogar títulos como No Man's Sky e Goat Simulator.

Fonte: Google ²²

19. Geração de conteúdo processual

Os agentes de IA são altamente capazes de gerar grandes quantidades de conteúdo de jogos algoritmicamente, tais como:

• Terreno e paisagens
• cenários de combate
• Desenhos de personagens
• Paisagens sonoras e música

Exemplo da vida real:

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

• Topografias variadas (ex.: montanhas, vales, cânions).
• Biomas únicos (ex.: desertos, florestas, oceanos).
• Padrões climáticos dinâmicos (ex.: tempestades, chuvas). ²³

Agentes de IA como criadores de conteúdo

Agentes de IA automatizam a criação, edição e publicação de conteúdo. Esses agentes auxiliam escritores humanos e geram conteúdo de forma independente. Algumas aplicações de assistentes de escrita com IA incluem:

20. Escrita narrativa automatizada

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

Exemplo da vida real:

Em um projeto de agentes de IA no GitHub , 10 agentes de IA especializados trabalharam de forma autônoma para escrever um romance de 100.000 palavras (aproximadamente 300 páginas) sem nenhuma intervenção humana. 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 alterações criativas.
• Agente de gestão : Coordena o trabalho entre os agentes e acompanha o fluxo criativo.
• Agente anti-duplicação : Impede a redundância e duplicação de conteúdo.

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

21. Redação de relatórios ou propostas técnicas

Agentes de IA elaboram relatórios técnicos de forma autônoma, incluindo:

• Relatórios de engenharia
• Propostas de projetos
• Artigos de pesquisa
• Especificações do produto

Exemplo da vida real:

O ParagraphAI , um assistente de escrita com IA, redige relatórios técnicos de engenharia, descrevendo o cronograma, o orçamento e os recursos e pessoal necessários. ²⁵

22. Geração de artigos baseada em conhecimento

Os agentes extraem informações de bases de dados de conhecimento como a Wikipédia, manuais de produtos ou periódicos acadêmicos para criar uma visão geral abrangente de um tópico específico.

Exemplo da vida real:

Perplexity O Pages transforma resultados de busca gerados por IA em páginas estruturadas da Wikipédia. ²⁶

23. Geração de painéis e diagramas

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

Exemplo da vida real:

O FigJam AI usa instruções de texto para gerar:

• Painéis de controle para reuniões e exercícios em equipe.
• Diagramas e fluxogramas
• Linhas do tempo visuais e diagramas de Gantt ²⁷

Agentes de IA como assistentes de seguros

Os agentes automatizam a análise, aprovação e detecção de fraudes em sinistros, otimizando todo o ciclo de processamento. Por exemplo, uma grande seguradora automatiza cerca de 90% dos sinistros de automóveis integrando agentes de IA personalizados ao seu fluxo de trabalho. ²⁸

24. Processamento de sinistros de ponta a ponta

Após o envio de uma solicitação, um sistema de IA automatizado extrai os dados relevantes dos formulários preenchidos, verifica as informações em relação aos bancos de dados existentes e sinaliza quaisquer inconsistências ou possíveis indícios de fraude.

Exemplo da vida real:

A plataforma Power Platform (Microsoft ) automatiza o formulário de pedido de indenização de seguro:

Aqui está a plataforma de poder de Microsoft :

• Captura de documentos de formulários de reclamação, como seleções em caixas de seleção e textos.
• Formulário de reclamação carregado no aplicativo de gerenciamento de conteúdo do SharePoint .
• Dados extraídos do formulário de sinistro, como o ID do sinistro e os valores das caixas de seleção (por exemplo, tipo de sinistro, número da apólice).
• Integrado com o Dataverse para armazenamento de dados , salvando os dados extraídos (incluindo os valores das caixas de seleção) no Dataverse Microsoft.
• Os fluxos de trabalho processados em formulários , por exemplo, usavam agentes do Power Apps para aprovar ou negar solicitações.

25. Subscrição

A IA da Agentic automatiza a subscrição de seguros 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.

Exemplo da vida real:

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: Reúne 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 fraudes: Detecta anomalias ou padrões suspeitos em solicitações e pedidos.
• Agente de precificação: Sugere preços com base em fatores como condições de mercado, preços da concorrência e comportamento do cliente. ³⁰

26. Resolução de políticas personalizadas

Os agentes comunicam o status da reclamação e os próximos passos ao segurado, incluindo qualquer documentação adicional necessária, atualizações sobre aprovação/rejeição ou detalhes do pagamento.

Agentes de IA como assistentes de recursos humanos (RH)

As operações de RH frequentemente envolvem inúmeras tarefas repetitivas, como a triagem de currículos, que podem ser automatizadas. Aqui estão alguns exemplos importantes de IA atuante em operações de RH:

27. Triagem de currículos

Os fluxos de trabalho Agentic automatizam o processo de triagem, filtram as habilidades relevantes e atribuem pontuações automaticamente com base em critérios predefinidos.

Exemplo da vida real:

A PepsiCo utiliza ferramentas de IA para classificar candidatos de acordo com o quão bem eles atendem aos requisitos da vaga. ³¹

28. Agendamento de entrevistas

Os agentes podem cuidar do agendamento de entrevistas e da coordenação entre candidatos e gerentes de contratação para encontrar os horários mais adequados.

Exemplo da vida real:

O Assistente de RH do LinkedIn executa tarefas diárias como sintetizar descrições de vagas, buscar candidatos e fazer triagens telefônicas básicas. ³²

29. Automação da folha de pagamento

Os agentes de processamento de folha de pagamento calculam salários, processam deduções e lidam com a retenção de impostos. Eles se integram aos sistemas de informação de recursos humanos (RH) e softwares de contabilidade para garantir a precisão e a conformidade com as normas de folha de pagamento.

Explore mais soluções de automação financeira, como:

• Casos de uso e ferramentas de RPA para o setor financeiro
• Ferramentas de referência para o mestrado em finanças (LLM)
• Ferramentas de IA para finanças com agentes

Exemplo da vida real:

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

Fonte: Akira AI ³³

Neste caso, o sistema de folha de pagamento multiagente da Akira AI utiliza diversos agentes, incluindo:

• Agente de ingestão e pré-processamento de dados : Utiliza métodos de extração de dados para limpar dados de sistemas de RH e financeiros.
• Agente de cálculo de folha de pagamento : Automatiza os cálculos da folha de pagamento, 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 o RAG .

Agentes de IA como assistentes de atendimento ao cliente

Os chatbots tradicionais respondem a perguntas básicas, mas muitas vezes encontram dificuldades quando se trata de realmente ajudar o cliente. As ferramentas de atendimento ao cliente da Agentic mudam isso ao:

• Interpretar perguntas com nuances , mesmo quando as questões são vagas ou complexas.
• Operando perfeitamente em canais de chat, voz e e-mail, enquanto recupera dados de perfis de clientes, histórico de pedidos e bases de conhecimento.
• Reter o contexto de interações anteriores permite respostas mais informadas e personalizadas.
• Adotar uma postura proativa , como enviar lembretes para consultas ou acompanhamentos antes mesmo que o cliente entre em contato.

30. Atendimento telefônico ao cliente:

Quando um cliente liga para fazer uma pergunta, os agentes de IA processam a chamada usando linguagem natural.

Exemplo da vida real:

A agente de IA Ada atende chamadas de clientes:

31. Respondendo a chamados de clientes

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

32. Envio de SMS de acompanhamento e informativos

Após uma interação, os agentes enviam mensagens SMS para dar seguimento ao contato com os clientes.

33. Geração e otimização de perguntas frequentes (FAQ)

Agentes:

• Gera e atualiza automaticamente as perguntas frequentes (FAQs) com base em interações ao vivo com clientes e no histórico de chamados.
• Integre com ferramentas de CRM, chat e base de conhecimento para identificar consultas recorrentes.

Agentes de IA como assistentes de pesquisa

Agentes de IA como assistentes de pesquisa são utilizados em diversas áreas para auxiliar na análise de dados, revisão bibliográfica, geração de hipóteses e planejamento experimental.

Exemplos da vida real:

1. A pesquisa profunda de OpenAI usa o raciocínio para sintetizar grandes quantidades de informações online e concluir pesquisas de várias etapas em nível de doutorado ao executar grandes pesquisas usando o3 e DeepSeek . ^{35 36}

Em um experimento no qual pesquisadores pediram à Deep Research para conduzir um projeto da vida real com instruções detalhadas, a Deep Research:

• Foram feitas perguntas de acompanhamento para esclarecer o escopo e os detalhes do projeto de pesquisa antes de iniciá-lo.
• Resultados sintetizados a partir de 22 fontes, com base em relatórios acadêmicos e da indústria. ³⁷

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

• Analisamos uma vasta quantidade de literatura clínica a partir de conjuntos de dados.
• Execução de codificação automatizada com ferramentas como o GitHub Actions.
• Utilizou-se IA generativa (por exemplo, GPT-4 ou modelos personalizados) para gerar hipóteses, sugerir projetos experimentais e escrever relatórios de pesquisa. ³⁸

3. O sistema de fluxo de trabalho agentivo de ponta a ponta, otto-SR , utiliza LLMs para realizar buscas bibliográficas, aplica critérios de inclusão/exclusão, extrai dados estruturados e realiza meta-análises. ³⁹

O sistema Deep Research ChemicalQDevice e o otto-SR de OpenAI podem ser usados em diversos casos de uso de agentes, conforme descrito abaixo:

34. Revisão da literatura e descoberta de conhecimento

Realizar buscas autônomas em bases de dados acadêmicas, periódicos e repositórios de pesquisa online (por exemplo, Google Scholar, PubMed) para reunir estudos, artigos e trabalhos relevantes relacionados a tópicos ou hipóteses de pesquisa específicos.

35. Geração e teste de hipóteses

Gerar proativamente hipóteses de análise com base em padrões nos dados e testá-las (trabalho que normalmente é realizado por analistas e usuários de negócios).

36. Mineração e análise de dados

Manipulação de dados estruturados e não estruturados de diversas fontes, como bases de dados de pesquisa, redes sociais, patentes ou resultados de ensaios clínicos, proporcionando insights sobre tendências emergentes.

37. Visualização e apresentação de dados

Geração de representações visuais esclarecedoras de conjuntos de dados complexos.

Agentes de IA como usuários de computador

O objetivo do "Uso do Computador" é permitir que a IA interaja com um computador da mesma forma que uma pessoa. Isso proporciona a flexibilidade de executar tarefas digitais sem usar APIs específicas do sistema operacional ou da web.

Existem duas abordagens para que agentes de IA executem tarefas como os humanos:

1. Executando ações da interface gráfica do usuário (GUI) do sistema operacional ( Anthropic's Claude, Microsoft's OmniParser, etc ).
2. Navegação na Web ( OpenAI Operator, Kura AI, Runner H , HyperWriteAI, MultiOn Agent Q, etc) .

Exemplos de ferramentas:

1. A nova ferramenta Operator da OpenAI permite que agentes de IA concluam tarefas em diversos sites, como comprar ração para animais de estimação. ⁴⁰
2. Kura AI e Runner H têm como objetivo concluir tarefas usando navegadores da web. ^{41 42}
3. O HyperWriteAI tem como objetivo preencher formulários de texto, clicar em botões e selecionar opções de menu para fazer um pedido online. ⁴³
4. O OmniParser do Microsoft aprimora a compreensão de interfaces visuais por agentes para automação de GUI. ⁴⁴

38. Preenchimento de formulários e automação web

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

Exemplo da vida real:

39. Geração e edição de documentos

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

Exemplo da vida real:

Claude, do programa Anthropic, recebe a tarefa de "Gerar 25 linhas de despesas de exemplo, salvá-las em uma planilha e, em seguida, abrir a planilha".

Neste exemplo, Claude:

• Abri o arquivo CSV no aplicativo LibreOffice Calc.
• Criei um arquivo CSV com 25 linhas de dados de despesas de exemplo.
• Instalei a planilha LibreOffice Calc. ⁴⁶

40. Pesquisa na Web e coleta de dados estruturados

Diferentemente dos scripts básicos de automação, os agentes de pesquisa da deep web interpretam informações não estruturadas em várias páginas e retornam insights em um formato estruturado.

Exemplo da vida real:

A Pesquisa Profunda (Deep Research) do OpenAI, uma nova capacidade de interação com agentes dentro do ChatGPT, projetada para planos de pesquisa na web de alto contexto e em várias etapas, navega e sintetiza informações de diversas fontes para responder a consultas complexas.

41. Operações de linha de comando e execução de scripts

Agentes de codificação baseados em linha de comando, como o Aider, projetados para fluxos de trabalho de desenvolvimento baseados em terminal, executam comandos de shell, instalam software, iniciam scripts e interpretam saídas em interfaces de terminal.

Exemplo da vida real:

O Aider, um agente de codificação de IA nativo da CLI, é usado por desenvolvedores para refatorar bases de código e executar comandos do shell, como a execução de conjuntos de testes (pytest, npm test). O agente interpreta as saídas do terminal, corrige erros iterativamente e confirma as alterações diretamente nos repositórios Git. ⁴⁸

42. Navegação e coordenação de aplicativos multimodais

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

Exemplo da vida real:

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

Agentes de fluxo de trabalho autônomos (tarefas de longo prazo)

Agentes de planejamento com memória e uso de ferramentas (por exemplo, Auto-GPT, Agente Q com definição de metas) executam objetivos de várias etapas em diversas ferramentas (por exemplo, coletar informações, tomar ações, revisar o plano), tomando decisões em tempo real.

Exemplo da vida real:

Nessa análise de relatório financeiro em várias etapas, o agente de planejamento de IA recebe a seguinte tarefa: “Analisar o desempenho financeiro do último trimestre e preparar 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 (ex.: perfil, valor de mercado, setor)
• Preços históricos das ações (intervalo de 1 dia no último mês)
• Recomendações de analistas (ex.: classificações de compra/manter/vender)

Segue o relatório financeiro:

Exemplo da vida real:

Agente Q da MultiOn reservando um voo.

Construindo agentes de IA

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

• Gerenciando a complexidade na execução de tarefas
  • Padronizar os padrões que orientam seu processo de tomada de decisão.
  • Incorporar múltiplas opções e selecionar a ação ideal para executar uma tarefa (por exemplo, "Devo exibir esta tela ou outra com base na entrada do usuário?").
• Interação com sistemas externos e APIs

43. Geração de agentes de IA personalizados:

As estruturas de construção de agentes de IA ajudam a enfrentar esses desafios, fornecendo:

__21833__
• Estruturas de tomada de decisão e raciocínio (por exemplo, aprendizado de máquina ou modelos 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.

Exemplo da vida real:

Criar um agente de guia de viagens personalizado para a Eslovênia com Microsoft 365:

Perguntas frequentes

Links de referência

1.

Lamar en 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! https://t.co/jIZnqW4fJD" / X

2.

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

3.

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

4.

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

5.

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

6.

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

7.

Local Models & Inference Engines – GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

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

10.

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

11.

https://www.youtube.com/watch?v=vbbP6Q6BY_U&t=591s

12.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

13.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

14.

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

15.

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

Google Cloud

16.

GitHub - dandye/adk_runbooks · GitHub

17.

Agentic Incident Response - YouTube

18.

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

19.

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

20.

Agentes Generativos: Simulacros Interativos do Comportamento Humano

21.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

22.

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

SIMA team

23.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

24.

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

25.

Engineering

26.

Crie uma página rapidamente

27.

Introducing AI to FigJam | Figma Blog

Figma

28.

Fornecedor de Seguros Holandês

29.

Automating an insurance claim form with AI Builder - YouTube

30.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

31.

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

32.

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

LinkedIn Talent Solutions

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

Ada Voice + Aircall

35.

Introducing deep research | OpenAI

36.

Deep Research - Marginal REVOLUTION

37.

Deep Research: First Impressions

UX Tigers

38.

ChemicalQDevice

39.

Automation of Systematic Reviews with Large Language Models | medRxiv

40.

Introducing Operator | OpenAI

41.

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

42.

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

TechCrunch

43.

Agente de IA capaz de usar um navegador web como um humano

44.

OmniParser

45.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

46.

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

47.

Introducing deep research | OpenAI

48.

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

49.

Creating an AI Agent for Financial Report Analysis - YouTube

50.

MultiOn AI Agent books a flight - YouTube

51.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017. A AIMultiple fornece informações para centenas de milhares de empresas (segundo o SimilarWeb), incluindo 55% das empresas da Fortune 500, todos os meses. O trabalho de Cem foi citado por importantes publicações globais, como Business Insider, Forbes e Washington Post, além de empresas globais como Deloitte e HPE, ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia. Você pode ver mais empresas e recursos renomados que mencionaram a AIMultiple. Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor na área. Ele assessorou empresas em suas decisões tecnológicas na McKinsey & Company e na Altman Solon por mais de uma década. Também publicou um relatório da McKinsey sobre digitalização. Liderou a estratégia de tecnologia e a área de compras de uma empresa de telecomunicações, reportando-se diretamente ao CEO. Além disso, liderou o crescimento comercial da empresa de tecnologia avançada Hypatos, que atingiu uma receita recorrente anual de sete dígitos e uma avaliação de nove dígitos, partindo de zero, em apenas dois anos. O trabalho de Cem no Hypatos foi noticiado por importantes publicações de tecnologia, como TechCrunch e Business Insider. Cem participa regularmente como palestrante em conferências internacionais de tecnologia. Ele se formou em engenharia da computação pela Universidade Bogazici e possui um MBA pela Columbia Business School.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.

Nome

Endereço de email

Comentário

0/450

Postar comentário