Agentforce e agentes de IA no México: um sinal real para bancos, seguros e enterprise

Inés Rodríguez, cofundadora da Hábil, participou do Salesforce Agentforce World Tour México 2026, e o sinal foi claro: as empresas já avaliam agentes de IA para além da interface conversacional. Os agentes podem consultar, propor, encaminhar ou executar ações delimitadas; o nível de autonomia é definido pelo risco, com permissões mínimas, aprovação humana quando cabível e meio de reverter.

A conversa mais relevante do evento não foi sobre “mais chat”, mas sobre como conectar pessoas, aplicações, dados e automação no fluxo de trabalho diário. Nesse sentido, a proposta do Agentforce como camada de agentes sobre processos empresariais aponta uma direção interessante: a IA começa a sair do terreno da demonstração para o da operação. O Slack pode ser a interface de colaboração de determinados fluxos; o valor dele depende de que a integração com os sistemas transacionais e de identidade preserve permissões, contexto e trilha.

O problema não é gerar respostas, e sim operar com contexto

No ambiente corporativo, responder bem a uma pergunta isolada resolve pouco. O valor aparece quando um sistema consegue entender o estado de um cliente, ler sinais de várias plataformas, priorizar ações e participar de um fluxo real sem romper rastreabilidade, segurança nem governança.

Aí está a diferença entre uma demonstração atraente e uma implementação séria. Um agente corporativo útil não apenas conversa. Também precisa de acesso controlado aos dados corretos, contexto do processo, integração com os sistemas existentes, regras de negócio, observabilidade e limites claros sobre o que pode e o que não pode fazer. Sem isso, a IA fica reduzida a uma camada bonita sobre dados fragmentados.

Por que tantos pilotos de IA falham na passagem para produção

A passagem de um piloto para produção costuma revelar o que uma demonstração não expõe: qualidade e acesso a dados, integração, responsáveis, controles e operação contínua. A razão em geral não é o modelo em si. O problema quase sempre está na camada ao redor: dados incompletos ou dispersos, processos não padronizados, integrações frágeis, falta de responsável definido, expectativas infladas e ausência de uma arquitetura que sustente a operação real.

Em outras palavras: muitas organizações tentam colocar agentes sobre processos que ainda dependem de acompanhamento manual, de várias ferramentas desconectadas e de conhecimento operacional não documentado. Quando dados, regras e responsáveis são inconsistentes, um agente reproduz os erros em maior velocidade; por isso a preparação operacional vem antes da automação.

Onde vemos valor real

Vemos valor em casos nos quais o contexto, o tempo de resposta e a coordenação entre áreas afetam diretamente a experiência do cliente ou a eficiência. O potencial mais interessante não está em colocar mais um chatbot, mas em orquestrar o trabalho contextual nesses processos.

Em setores como bancos, seguros e grandes empresas, isso pode se traduzir em frentes como atendimento e serviço com contexto unificado; operação interna e produtividade; acompanhamento comercial e experiência do cliente; automação de tarefas repetitivas; e apoio à decisão. Não se trata de substituir o julgamento humano, mas de ajudar as equipes a decidir mais rápido com melhor contexto.

Em indústrias reguladas, não basta que funcione

Para bancos, seguradoras e organizações com operação crítica, a conversa precisa ser mais rigorosa. Não basta que um agente responda bem em um ambiente controlado. Também é preciso responder a perguntas como: de onde veio o dado —a fonte autorizada, a data da consulta, os dados utilizados e o sistema de registro que prevalece em caso de conflito—, que ação o agente executou, quem autorizou essa ação, como ela é auditada, como é limitada e o que acontece quando o contexto está incompleto ou contraditório.

Esse é o ponto em que muitas iniciativas de IA corporativa se separam em dois caminhos: as que geram valor sustentável e as que ficam como vitrine.

No México, o desenho considera, conforme o caso e a entidade, privacidade e sigilo financeiro, disposições de segurança e continuidade aplicáveis a instituições supervisionadas e o controle de terceiros, com evidência suficiente para auditoria.

Nossa leitura depois do evento

O mais valioso do evento não foi confirmar que a IA vem forte. O importante foi ver que a conversa do ecossistema corporativo começa a amadurecer em direção a temas mais úteis: contexto, integração, operação, governança e produtividade real.

Na Hábil acreditamos que aí está a oportunidade correta: não em perseguir o hype, mas em desenhar e implementar experiências em que a IA possa se integrar de forma útil a processos complexos. Para que isso aconteça, a pergunta correta não é apenas qual modelo usar, mas qual arquitetura, quais dados, quais fluxos e quais controles tornam um agente viável em produção.

Em processos críticos, o objetivo não é supor que nada falha, mas desenhar controles que previnam ações indevidas, detectem desvios e escalem as exceções.

Antes de levar um agente para produção, revisamos cinco condições: um caso de uso e um risco delimitados; fontes de dados autorizadas; permissões e aprovações definidas; trilha de cada interação e ação; e métricas de qualidade, impacto e escalonamento. Se faltar alguma, o próximo passo não é automatizar: é fechar essa lacuna.