Lições de nossas alianças: o que a jornada agêntica da AWS pode ensinar aos CEOs sobre a reestruturação para IA

Aprendendo com os parceiros de nossas alianças

Como parte da rede aberta de alianças da McKinsey, temos colaborado com muitas das principais organizações de tecnologia do mundo, ajudando clientes a transformar suas ambições digitais e de inteligência artificial em valor de negócio mensurável. Essas alianças oferecem aos nossos clientes e à nossa firma mais do que acesso a plataformas tecnológicas: elas proporcionam uma visão privilegiada de como os líderes do setor estão transformando seus negócios.

A Amazon Web Services (AWS) é uma parceira dessas alianças. E, por meio do Amazon McKinsey Group, a McKinsey combina sua expertise em estratégia e transformação com as funcionalidades de nuvem, dados e IA da AWS para ajudar organizações a evoluir da experimentação com IA para um impacto em escala empresarial. Contudo, a AWS não é apenas uma parceira que ajuda nossos clientes a se transformarem; é também uma empresa que empreende sua própria e ambiciosa transformação agêntica, inclusive em seus mecanismos de go-to-market.

A maioria das organizações ainda trata a IA como a implementação de uma tecnologia, não como um redesenho fundamental do modo como o trabalho é realizado. Com isso, o descompasso entre experimentação e impacto só continua a aumentar. A jornada em curso na AWS também serve como uma poderosa comprovação prática do Rewired, a abordagem de transformação digital e de IA da McKinsey, que prescreve: combinar tecnologia, talentos, modelo operacional e adoção definida pelo negócio para obter resultados superiores.

A seguir, exploramos como a AWS está aplicando IA agêntica para reconfigurar seu motor de go-to-market, bem como as lições que os CEOs podem tirar de seus avanços, desafios e decisões ao longo do caminho.

A IA está reformulando o modo como as organizações operam. O valor em jogo, apenas com automação, pode chegar a $2,9 trilhões. No entanto, apesar da ampla experimentação, apenas 39% das organizações relatam ganhos mensuráveis de EBIT provenientes da IA.

Com demasiada frequência, a IA é apenas sobreposta às maneiras manuais preexistentes de trabalhar, não utilizada para redesenhar a forma como o trabalho é realizado. As organizações que extraem valor real para si não são aquelas que simplesmente implementam IA, mas sim aquelas que repensam o modo como dados, fluxos de trabalho, tecnologia e equipes operam em conjunto.

A experiência da AWS é um exemplo das mudanças organizacionais necessárias para ampliar o impacto da IA em uma grande empresa. Por ser um negócio global multibilionário que busca expandir seu alcance por meio da IA, a AWS vem reimaginando o funcionamento de seus mecanismos de go-to-market com a incorporação de funcionalidades agênticas. Isso exigiu preservar uma cultura que capacita os profissionais a inovar e, ao mesmo tempo, oferecer-lhes a estrutura, os dados e os padrões necessários para escalar. A experiência da AWS revela tanto as oportunidades como os desafios de ir além dos casos de uso isolados e avançar para um modelo operacional agêntico mais integrado, ágil e customizado.

Sob a ótica da abordagem Rewired da McKinsey – que alinha estratégia, dados, tecnologia, modelo operacional e talentos para destravar o impacto da IA –, a jornada da AWS oferece cinco lições para empresas que buscam transformar a experimentação com IA em valor duradouro para a organização (veja Box, “Cinco lições da jornada agêntica da AWS”).

Embora a trajetória não tenha sido linear, a AWS começou a traduzir essas lições em resultados. As equipes de atendimento ao cliente agora utilizam agentes para formular estratégias, gerar soluções customizadas e avançar mais rapidamente da percepção à ação ao longo de todo o ciclo de vida do cliente. Por exemplo, um agente de análise de pipeline assistida por IA identificou quase $77 milhões em oportunidades comerciais adicionais em um único segmento de negócios. Em outro caso, após ser informado de uma nova prioridade de negócios de um cliente no curso de um jantar, um gerente de contas utilizou um agente naquela mesma noite para transformar essa constatação e os dados históricos em uma proposta personalizada que ele apresentou com confiança na reunião com o cliente no dia seguinte.

Aproveitando esse momentum, a AWS está avançando para um modelo operacional mais integrado: um ambiente de trabalho colaborativo com agentes, no qual agentes de IA customizados atuam como colegas de equipe ao lado de humanos. As equipes de atendimento ao cliente – desde gerentes de contas até arquitetos de soluções – podem criar, compartilhar e reutilizar agentes entre regiões e funções, permitindo que obtenham insights mais consistentes e executem com mais rapidez.

As seções a seguir examinam cada uma dessas lições em detalhes, valendo-se da experiência da AWS para destacar o que é necessário para implementar agentes em escala. Embora apresentadas separadamente, na prática essas lições evoluíram de forma iterativa, com avanços em estratégia, dados, tecnologia e adoção reforçando-se mutuamente ao longo do tempo.

À medida que as expectativas dos clientes aumentam e o ritmo dos negócios acelera, muitas organizações estão sobrepondo IA aos fluxos de trabalho existentes para ganhar agilidade. Contudo, sem uma visão clara do estado final, essas iniciativas costumam se fragmentar em casos de uso desconexos, que não geram valor cumulativo e são impossíveis de escalar. Por sua vez, as organizações que obtêm máximo impacto com a IA concentram-se em um a três domínios de negócios e os reinventam de ponta a ponta, resultando em um aumento médio de 20% no EBITDA. O ponto de partida é uma estratégia clara e uma estrela-guia [North Star] bem definida.

Para a AWS, um dos domínios que a empresa se comprometeu a transformar de ponta a ponta foi sua função de go-to-market (Quadro). Inicialmente, como muitas outras organizações, a AWS tratou a IA agêntica de forma oportunista: suas equipes desenvolviam agentes para atender a necessidades específicas em toda a empresa. À medida que o nível de adoção foi aumentando, a AWS percebeu tanto o potencial como as limitações dessa abordagem: implementar agentes em bolsões da organização podia ajudar a resolver problemas locais, mas não produzia os resultados coordenados em toda a empresa que a AWS buscava. Assim, em vez de ampliar o número de iniciativas desconexas, a AWS definiu sua visão do estado futuro almejado – especificando como as equipes de atendimento ao cliente, os sistemas e os agentes deveriam trabalhar em conjunto – e utilizou-a para nortear os esforços de transformação subsequentes.

O ponto de partida, no entanto, refletiu o contexto de um negócio que crescera de modo acelerado ao longo de duas décadas. Desde sempre, a AWS capacitava suas equipes a inovar com rapidez e a investir para manter o ritmo de crescimento. Ao longo dos anos, essa abordagem levou a uma proliferação de ferramentas e fluxos de trabalho, e a uma fragmentação crescente dos dados e sistemas. Tendo de agir rapidamente para atender a novas necessidades dos clientes e do negócio, a AWS desenvolveu mais de 200 ferramentas próprias, que operavam com múltiplas fontes de dados, mas não tinha uma visão de negócios consistente. Os processos “oportunidade-a-recebimento” envolviam mais de 40 sistemas, prejudicando a coordenação, aumentando os riscos relacionados com os dados e gerando atritos.

Esses desafios também afetavam os clientes. Em um caso, uma instituição financeira observou que uma concorrente menor, que utilizava IA, conseguia entregar uma solução técnica e comercial em duas horas, enquanto a AWS exigia múltiplos repasses de tarefas entre especialistas para produzir um resultado comparável.

Reconhecendo que adicionar mais ferramentas apenas aumentaria a complexidade, a AWS dirigiu a si mesma o seu princípio de obsessão pelo cliente e passou a tratar suas equipes de atendimento a clientes e parceiros como o “Cliente Número Um”. Lançou um programa plurianual para simplificar e unificar seu modelo de go-to-market e reduzir a fragmentação de dados, ferramentas e fluxos de trabalho. No início de 2025, quando as equipes começavam a experimentar a IA agêntica em várias partes da empresa, a AWS reconheceu o risco de recriar justamente a complexidade que levara anos tentando resolver. Em vez de permitir a proliferação de implementações agênticas desconectadas, a AWS alinhou as equipes de negócios, produtos e engenharia em torno de uma visão comum de como o pessoal de atendimento ao cliente, os sistemas e os agentes deveriam operar.

Essa evolução transformou a maneira como a AWS aplicava um de seus princípios operacionais fundamentais: “Dois é melhor do que nenhum, mas um é o ideal”. A experimentação inicial com múltiplas soluções acelerou a inovação, mas também introduziu duplicação e fragmentação. Com o tempo, a AWS foi migrando para um modelo mais unificado, criando a consistência e a base compartilhada necessárias para operar com velocidade maior e agilidade em escala. Mecanismos como fóruns interfuncionais e sessões semanais sobre “IA na AWS” ajudaram a alinhar prioridades e a garantir que as competências desenvolvidas em uma área do negócio pudessem ser escaladas para toda a organização. Esse modelo preservou a liberdade das equipes para experimentar, ao mesmo tempo em que criou padrões compartilhados, capacidades reaproveitáveis e formas em comum de trabalhar que podiam ser estendidas para toda a organização.

Ficou claro qual era a estrela-guia: avançar das maneiras desconectadas de trabalhar para uma base compartilhada de go-to-market, na qual equipes, sistemas e agentes voltados ao cliente operam no mesmo contexto e agem com maior agilidade e rapidez ao longo da jornada do cliente.

A IA agêntica só é tão eficaz quanto os dados sobre os quais pode atuar. Organizações de ponta tratam os dados como um produto corporativo: criados uma única vez, com governança centralizada e reutilizados em análises, aprendizado de máquina e IA generativa.

Como muitas outras organizações, os dados da AWS estavam dispersos por vários sistemas, com diferentes definições e responsáveis. Mesmo sendo uma empresa digital nativa, as equipes trabalhavam a partir de perspectivas desconectadas, o que frequentemente exigia reconciliação manual e atrasava a tomada de decisões. A AWS reconheceu isso como um obstáculo à escala e começou a tentar eliminá-lo com várias iniciativas de transformação, preparando assim o terreno para sua jornada agêntica.

A AWS consolidou centenas de conjuntos de dados em um grupo menor de 20 conjuntos fundamentais, abrangendo vendas, parceiros, serviços e marketing, permitindo que a IA identificasse padrões em domínios anteriormente isolados. Definições essenciais – como hierarquias de clientes, cargos e receita – foram padronizadas para criar uma taxonomia única. Por exemplo, mais de 75 definições de cargos de campo foram unificadas, esclarecendo as responsabilidades. Dados sobre clientes e parceiros (ou seja, contas, entidades jurídicas e contratos) estão agora conectados em uma visão única, ajudando as equipes a priorizar contas e identificar oportunidades.

Criou-se assim uma fonte de verdade com governança. As equipes de atendimento ao cliente não precisam mais conciliar dados entre sistemas, e os dados deixaram de ser gerenciados por função e se tornaram um ativo corporativo compartilhado.

Sobre esse alicerce, a AWS construiu uma experiência integrada de análise que abrange funções, unidades de negócio, setores e regiões geográficas. As equipes de atendimento ao cliente podem acessar as informações de que precisam em um único local, adaptadas aos seus requisitos, enquanto agentes de IA identificam proativamente sinais e contextos relevantes para embasar decisões. Com isso, os líderes podem visualizar o desempenho em diferentes regiões e unidades de negócio, e as equipes de atendimento podem monitorar a saúde do pipeline e os sinais dos clientes. Controles de acesso integrados ajudam a garantir que os dados permaneçam seguros e confiáveis.

Essa experiência reúne dados estruturados (por exemplo, pipelines, contas, métricas de desempenho) e não estruturados (interações com clientes, anotações, documentos) em uma visão única e consistente. Isso permite que agentes e clientes operem com base no mesmo entendimento. Uma interface impulsionada por IA permite que as equipes consultem dados em linguagem natural, reduzindo assim o esforço manual necessário para acessar e sintetizar informações. O impacto vai além de relatórios melhores: insights que antes levavam dias para obter agora estão disponíveis quase em tempo real, permitindo que diferentes equipes respondam aos clientes de forma mais coordenada. Ao unificar sua base de dados, a AWS eliminou uma importante fonte de atrito e criou as condições necessárias para fluxos de trabalho agênticos em escala empresarial.

Uma vez estabelecida a base de dados, o passo seguinte é redesenhar os fluxos de trabalho. É aqui que muitas organizações falham, pois elas apenas sobrepõem a IA aos processos existentes em vez de reimaginá-los de ponta a ponta. Na verdade, é três vezes mais provável que uma empresa líder na utilização da IA tenha redesenhado profundamente seus fluxos de trabalho. E são nessas organizações que a IA oferece os maiores ganhos de EBIT.

A AWS aplicou esse princípio ao repensar como sua organização de campo opera e quais tarefas realmente exigem envolvimento humano. O Estudo Anual de Alocação de Tempo em Campo da AWS revelou uma oportunidade: os membros das equipes de atendimento poderiam dedicar mais tempo aos clientes se permitissem que agentes de IA assumissem a preparação de reuniões e o trabalho administrativo. Para levar isso adiante, a AWS desmembrou como o trabalho é realizado e consolidou cerca de 35 cargos de quase 40 mil membros de campo em algumas funções essenciais, a fim de identificar onde os agentes de IA poderiam reduzir significativamente o esforço manual.

O redesenho dos fluxos de trabalho da AWS não foi conduzido apenas pela liderança central. Embora o Estudo de Alocação de Tempo em Campo tenha ajudado a identificar oportunidades de alto valor, a AWS também se beneficiou de uma cultura de “construtores” ansiosos por experimentar a IA em seu trabalho diário. Equipes de toda a empresa começaram a formular conceitos agênticos capazes de enfrentar desafios locais e melhorar o atendimento ao cliente. Nem todas as ideias ganharam escala e o estudo não previu todos os casos de uso de alto valor. No entanto, graças a uma base de dados comum e a uma arquitetura compartilhada, a AWS estimulou essas inovações entre os funcionários, avaliou sua aplicabilidade geral e desenvolveu os conceitos mais promissores para uso em toda a organização. A transformação dos fluxos de trabalho tornou-se uma combinação de priorização de cima para baixo e inovação de baixo para cima.

Isso levou à criação de um conjunto de funcionalidades disponíveis em todo o ciclo de vida comercial, preservando-se o contexto do cliente nos fluxos de trabalho de vendas, dos parceiros e de marketing. Em vez de implementar ferramentas de IA isoladas, a AWS redesenhou partes do processo comercial para reduzir a pesquisa manual, agilizar a coordenação, minimizar a alternância de contexto e acelerar a transformação de insights sobre o cliente em ações concretas.

No topo do funil, os fluxos de trabalho de prospecção – que antes dependiam de dados fragmentados e pesquisas manuais sobre contas – foram reconstruídos com base em insights gerados dinamicamente, alimentados por sinais de intenção, interações históricas e informações sobre os clientes. Segundo a AWS, essas mudanças contribuíram para uma taxa de abertura de e-mails cerca de duas vezes superior à média e, em um projeto-piloto inicial, para um aumento de quase 4,5 vezes na conversão de leads já qualificados para a venda.

Paralelamente ao movimento de oportunidades pelo pipeline, as equipes de atendimento ao cliente da AWS utilizam fluxos de trabalho agênticos para dar suporte mais integrado ao desenvolvimento de estratégias para o cliente, ao planejamento de contas e à elaboração de soluções. A AWS estima que os agentes reduziram o tempo de preparação das estratégias para o cliente em cerca de sete horas por interação, permitindo que as equipes dediquem mais tempo aos clientes em si. Em um exemplo compartilhado pela AWS, uma discussão rotineira sobre uma conta evoluiu para uma ampla conversa estratégica depois que uma análise assistida por IA revelou uma oportunidade de monetizar os ativos de dados do cliente que não havia sido identificada anteriormente. Em outro exemplo, envolvendo um projeto-piloto, a AWS relatou que sua estratégia de vendas apoiada por IA contribuiu para um aumento de 30% nas oportunidades e de 44% nas oportunidades efetivamente aproveitadas.

Nesses fluxos de trabalho, a IA está deixando de ser apenas um conjunto de ferramentas avulsas para se tornar uma verdadeira camada de orquestração integrada à maneira como as equipes trabalham. Em vez de simplesmente ajudar as pessoas a concluir tarefas isoladas, os agentes estão cada vez mais coordenando atividades entre equipes de atendimento, sistemas e fluxos de trabalho – preservando o contexto, desencadeando ações e conectando o trabalho ao longo de todo o ciclo de vida do cliente. Atividades que antes exigiam múltiplas etapas e repasse de tarefas e responsabilidades agora podem ser realizadas de forma mais integrada, reduzindo o tempo necessário para gerar valor e permitindo que as equipes se concentrem em interações de maior valor com os clientes.

À medida que novas funcionalidades são lançadas, a mensuração torna-se essencial, não apenas para monitorar o nível de utilização, mas também para entender o que funciona e onde investir. No entanto, menos de 20% das organizações monitoram KPIs bem definidos para IA generativa, a despeito de seu impacto nos resultados financeiros.

A AWS não era exceção. Diante da proliferação de novas funcionalidades agênticas, as equipes monitoravam os ganhos de produtividade, o tempo economizado e o grau de adoção de ferramentas avulsas. Contudo, a mensuração permanecia fragmentada e, muitas vezes, desconectada dos resultados gerais do negócio. Isso tornava difícil comparar o desempenho de cada iniciativa, avaliar o impacto geral e priorizar os investimentos de modo eficaz.

Para solucionar isso, a AWS estabeleceu uma estrutura padronizada de mensuração que combina telemetria dos fluxos de trabalho – incluindo utilização e tempo dedicado às tarefas – com monitoramento da adoção, testes A/B para experimentação e métricas de desempenho comercial, tornando visível o modo como as ferramentas agênticas são utilizadas em diferentes cargos e funções. No entanto, a AWS ainda enfrenta um desafio comum a muitas empresas: comprovar que a adoção da IA e os ganhos de produtividade se traduzem em valor mensurável para a organização. Quando não há um vínculo claro com os resultados – por exemplo, taxa de conversão, dimensão das transações, experiências do cliente e níveis de receita –, torna-se difícil determinar quais funcionalidades geram maior impacto e onde os investimentos futuros devem ser concentrados.

Além disso, a mensuração por si só não é suficiente, pois, em última instância, o valor depende do grau de adoção. E o processo de adoção tem sido complicado e desigual, mesmo em empresas como a AWS. Embora as funcionalidades da IA tenham avançado rapidamente, a gestão da mudança nem sempre acompanhou o seu ritmo. Em alguns casos, as funcionalidades foram disponibilizadas para públicos para os quais elas não haviam sido projetadas. Por exemplo, um recurso de prospecção teve mais de 90% de adoção entre os usuários-alvo, mas a taxa geral de adoção pareceu estagnar abaixo de 50% depois que o acesso foi expandido para um grupo mais amplo, cujos fluxos de trabalho eram pouco compatíveis com a ferramenta – uma discrepância que refletiu a incompatibilidade entre a funcionalidade e as necessidades do seu público ampliado.

Mesmo quando os usuários certos tinham acesso à ferramenta, a adoção não era automática. Não ficava claro para as equipes de atendimento ao cliente e para os gerentes quais agentes deveriam utilizar, quando utilizá-los e como incorporá-los aos fluxos de trabalho do dia a dia. Os usuários também tinham de arcar com o ônus do onboarding – conectar agentes, configurar permissões e concluir a configuração inicial antes de obter qualquer valor. Essas etapas adicionais geravam atrito, desaceleravam a adoção e reforçavam os desafios operacionais de transpor as funcionalidades de IA da fase de disponibilidade para a utilização cotidiana.

Esses padrões refletem um desafio ainda maior para as organizações nesta fase: a adoção é tratada como uma etapa subsequente, em vez de ser incorporada desde o início ao desenho das funcionalidades agênticas. Organizações de ponta planejam todas as fases da adoção e integram orientações específicas para cada cargo, fluxos de trabalho e funcionalidades já na primeira fase. E confirmam essa postura investindo até cinco vezes mais em iniciativas de gestão da mudança.

No momento, a AWS está enfrentando esse desafio de forma mais direta. “Campeões” internos oferecem suporte a colegas, ajudando as equipes a explorar as novas funcionalidades e incorporá-las ao trabalho do dia a dia, enquanto sessões de imersão preparam líderes para integrar IA aos fluxos de trabalho e servir de exemplo a suas equipes no modo como conduzem a mudança. À medida que o valor do processo vai ficando claro para os líderes, eles cada vez mais incorporam essas ferramentas às rotinas fundamentais do negócio – por exemplo, tornando obrigatória a utilização de ferramentas de IA nas análises semanais e mensais de desempenho – e criam espaços onde as equipes possam pôr em prática as novas funcionalidades.

Ao longo desse percurso, a AWS observou alguns benefícios inesperados. Visto que a IA reduz o tempo necessário para coletar informações, analisar previsões e preparar relatórios, alguns gerentes se deram conta de que podiam dedicar menos tempo à revisão dos dados e mais à orientação de equipes e ao desenvolvimento de talentos. Embora essa mudança não fosse um objetivo explícito da transformação, a AWS considerou isso um sinal positivo de que a IA pode deixar os líderes livres para dedicar mais energia aos aspectos humanos inerentes à gestão.

E, com a aceleração da inovação, a persistência do impacto dependerá menos da introdução de novos agentes e mais da sua integração aos fluxos de trabalho existentes. A AWS caminha para uma experiência agêntica integrada na qual agentes de interface – conectados aos conhecimentos corporativos, a dados contextuais e a habilidades especializadas – serão capazes de oferecer suporte aos usuários nos próprios fluxos de trabalho. A AWS acredita que, se minimizar atritos e reduzir a necessidade de mudanças comportamentais, a adoção se tornará uma extensão natural das ferramentas e ambientes que as equipes dos clientes já utilizam, permitindo assim que a organização maximize o seu impacto.

Embora a adoção da IA ainda esteja nos estágios iniciais em muitas organizações, os novos modelos agênticos sugerem uma possível mudança no modo como o trabalho será organizado e executado ao longo do tempo, com humanos e agentes colaborando mais estreitamente nos fluxos de trabalho e nos processos decisórios.

Segundo a AWS, essa mudança levou a formas mais agênticas de trabalho. Os agentes podem utilizar dados corporativos compartilhados, conhecimento dos negócios e os contextos do cliente para participar de todas as tarefas ao longo do ciclo de vida do cliente. A empresa acredita que, com o tempo, isso criará um ambiente operacional mais conectado entre equipes e fluxos de trabalho. Para tornar essa visão realidade, os agentes precisam operar a partir de um entendimento da empresa que seja comum a todos. É por isso que a AWS está construindo uma camada compartilhada de conhecimentos que conecta fontes de dados estruturados e não estruturados, permitindo que as informações sejam interpretadas de modo mais consistente em toda a organização.

Para dar suporte a esse número crescente de agentes, a AWS adotou padrões como o Model Context Protocol (MCP), com cerca de 4 mil servidores MCP desenvolvidos internamente. Os protocolos MCP ajudam os agentes a acessar informações, interagir com ferramentas e realizar ações de forma mais fluida em todos os sistemas.

Ao criar maneiras mais consistentes de os agentes acessarem informações e interagirem com os sistemas, a AWS visa tornar as funcionalidades da IA mais reutilizáveis e fáceis de integrar em toda a empresa. Um catálogo compartilhado por todos permite que as equipes de atendimento ao cliente descubram os agentes existentes, enquanto ambientes segregados seguros [sandboxes] oferecem caminhos padronizados para a criação de novos agentes capazes de colaborar uns com os outros.

Em vez de exigir que os usuários tenham de lidar com um vasto número de ferramentas ou agentes, a AWS preferiu criar funcionalidades reutilizáveis, do tipo “headless” [sem interface própria para o usuário], que possam ser incorporadas a diferentes aplicativos, fluxos de trabalho e experiências de usuário. Segundo a AWS, uma mesma funcionalidade subjacente pode dar suporte aos usuários onde quer que o trabalho ocorra, valendo-se de dados, conhecimentos e processos de negócios compartilhados para fornecer insights e ações relevantes a cada contexto. Cada vez mais, essas funcionalidades são acessadas por meio de experiências comuns aos funcionários – como o ambiente de desktop “Quick” da AWS, que oferece um ponto de entrada unificado para agentes, conhecimentos e fluxos de trabalho. À medida que novas funcionalidades são introduzidas, elas podem ser integradas de modo mais consistente aos sistemas existentes e disponibilizadas por meio de interfaces familiares, sem exigir que os usuários adotem novas ferramentas.

A AWS acredita que essa abordagem permitirá uma maior customização dos agentes, preservando, ao mesmo tempo, a segurança, os controles de acesso e a consistência em toda a organização. Os usuários vão criando agentes e recursos cada vez mais customizados, enquanto a AWS concentra-se em embasar essas novas funcionalidades em dados corporativos confiáveis e em um contexto compartilhado, melhorando assim a precisão das respostas e proporcionando uma experiência mais coerente para as equipes e os fluxos de trabalho. Quanto aos líderes, as implicações vão além da arquitetura: à medida que os agentes se tornam colegas de equipe, não meras ferramentas, as estruturas dos times, as responsabilidades por decisões e as expectativas de desempenho têm de evoluir juntamente com eles.

Em termos mais amplos, a experiência da AWS nos dá um vislumbre de como os modelos operacionais agênticos poderão reconfigurar as empresas. Em vez de dependerem primordialmente de aplicativos avulsos, as organizações poderão explorar paulatinamente sistemas mais autônomos e coordenados, nos quais agentes dão suporte a fluxos de trabalho dentro de parâmetros bem definidos de supervisão e intervenção humanas.

À medida que esses modelos amadurecem, é provável que cargos e funções também evoluam. As equipes que lidam diretamente com clientes poderão se concentrar mais em inovar rapidamente com clientes e parceiros para acelerar a geração de valor, enquanto as equipes de operações reinventam mecanismos e fluxos de trabalho fundamentais de modo a permitir a colaboração entre humanos e agentes. Com isso, o sucesso poderá ser cada vez mais avaliado com base nos resultados de negócios.

A trajetória agêntica da AWS ilustra que a utilização cada vez maior de agentes constitui uma transformação do modelo operacional, não simplesmente um desafio tecnológico. O máximo valor não advém da implementação de mais ferramentas de IA, mas sim de um profundo redesenho do modo como dados, fluxos de trabalho e pessoas colaboram, permitindo que a inteligência se traduza em ação.

No decorrer da jornada da AWS, surgiu um padrão consistente: o progresso sempre resultou da concentração de esforços em um domínio de negócios capaz de reconfigurar o desempenho e os resultados para o cliente, da construção de uma base sólida de dados de alta qualidade e da integração de agentes à própria forma como o trabalho é realizado. Com a convergência desses elementos, os agentes deixaram de ser casos de uso isolados e se tornaram partes de um sistema coordenado de funcionalidades reutilizáveis e fluxos de trabalho interoperáveis, tornando mais consistente o fluxo de informações por toda a organização.

Ao mesmo tempo, a experiência da AWS mostra o quanto uma transformação em escala corporativa pode ser complexa. Desafios relacionados à adoção e à mensuração de valor persistiram, mesmo com forte apoio da alta liderança, abundantes recursos técnicos e uma cultura voltada para a inovação.

A jornada da AWS nos dá um vislumbre de uma mudança mais ampla em curso. À medida que os agentes se integram cada vez mais aos processos de negócios, a vantagem competitiva dependerá menos do acesso à IA em si e mais da capacidade da organização de incorporar a IA à estrutura de suas operações. As empresas líderes da próxima era possivelmente não serão as com o maior número de agentes, mas sim aquelas dispostas a utilizá-los para repensar fundamentalmente como o trabalho é realizado.