Por que a maioria dos agentes são apenas fluxogramas disfarçados, e o que construir em vez disso. Escrevi a maior parte disso em um aeroporto há vários meses e depois o deixei em rascunhos. O barulho só aumentou desde então, então aqui está.
Há alguns meses, no caminho de volta de um workshop com um cliente, estávamos discutindo o escopo do que constitui IA agêntica, e cada um de nós citou exemplos da nossa experiência. Houve uma discussão sobre por que a automação não pode resolvê-lo e como a maioria dos casos de uso de IA agêntica não é nada mais do que automação glorificada. A pergunta era: “Me dê um caso de uso real para um agente.
Não uma demonstração. Não automação. Um real.
Porque tudo o que vi até agora, eu poderia ter construído com um motor de fluxo de trabalho e uma chamada a um modelo.” Todos nós já havíamos participado de conversas sobre IA agêntica por meses nesse ponto. Já havíamos arquitetado esses sistemas. Já havíamos feito pitches deles.
E ainda assim, sentado lá com um chá e vinte minutos à disposição para gastar, tivemos que pensar bastante para chegar a um exemplo que sobrevivesse a trinta segundos de escrutínio. Isso me incomodou o suficiente para escrevê-lo. O teste que cheguei a pensar primeiro Foi meu instinto definir a IA agêntica pela forma do trabalho.
A tarefa exige que o sistema tome decisões durante a execução que não pudessem ser antecipadas no início? Se sim, é um agente. Se não, é automação. Pensei em um exemplo de manutenção de aviação, porque foi onde passei os últimos seis meses.
Um avião A320 pousa com um aviso ECAM, FALHA NO PACOTE DE AR 1. O que a automação faz: dispara uma lista de verificação, notifica o engenheiro de plantão, talvez obtenha a referência do MEL. Concluído.
O que o aprendizado de máquina tradicional faz: prevê a probabilidade de falha de um componente a partir de padrões históricos de falhas, produz uma pontuação de confiança. O engenheiro ainda decide. O que eu acho que um agente faria: começaria com a mensagem ECAM (uma mensagem nos sistemas de cabine da aeronave), consultaria o CFDS (sistema centralizado de exibição de falhas) para obter o histórico de falhas e encontraria que o Pacote 1 lançou a mesma falha três vezes em seis semanas.
Isso muda a situação, então ele puxaria o TSM (manual de solução de problemas) e identificaria quatro causas raiz candidatas. Então verificaria no AMOS (um banco de dados usado na aviação em todo o mundo) se há peças disponíveis e encontraria que duas dessas quatro precisam de uma válvula de controle de fluxo, que não está disponível nessa estação. Então verificaria quais causas podem ser adiadas sob a MEL (lista mínima de equipamentos, o mínimo que uma aeronave precisa ter para ser apta ao voo), encontraria uma que pode ser adiada na Categoria C (uma de muitas categorias) por dez dias, olharia para as próximas dez rotações da aeronave para entender o custo operacional de adiar, e redigiria uma recomendação: adiar na Categoria C, encomendar a válvula de controle de fluxo (FCV) para chegar antes do oitavo dia, e sinalizar para uma inspeção profunda no próximo slot de manutenção de base.
Ninguém pré-programou essa árvore de decisão. O plano surgiu do processo, em vez de precedê-lo. Ainda não me convenci de mim mesmo.
E ao refletir, acredito que estava certo. Por que esse exemplo falha Porque você pode desenhar esse fluxograma. CFDS, depois TSM, depois AMOS, depois MEL, depois as rotações. É um fluxograma complexo com ramificações, mas um engenheiro competente poderia ter especificado isso antecipadamente.
Complexidade não é o mesmo que abertura. Uma árvore com duzentos ramos ainda é uma árvore. Esse é o erro que quase todo pitch deck de IA agêntica comete, incluindo o meu.
Mostramos algo intrincado e esperamos que a complexidade seja evidente como agêntica. Não é. Complexidade é apenas um fluxograma maior, e fluxogramas já têm uma tecnologia, e ela é mais barata, mais rápida e muito mais confiável do que qualquer LLM que você colocaria nesse slot.
Então, onde está a linha real? Desconhecidos conhecidos versus desconhecidos desconhecidos Aqui está a distinção que estabeleci, e ela é mais estreita do que a maioria das pessoas neste mercado está disposta a admitir. A automação lida com desconhecidos conhecidos. Você não sabe se a peça está em estoque, mas sabe que o estoque é algo que você precisa verificar.
Os agentes lidam com desconhecidos desconhecidos. Você não sabe o que precisa verificar, e só descobrirá olhando. Pegue um u...
Fonte: Towards Data Science · Resumido por HeadlinesBriefing