DXC: da IA do zero ao primeiro agente

TL;DR

A DXC está enquadrando a jornada “do zero ao primeiro agente” como engenharia de harness: antes de pensar em autonomia total, você precisa de orquestração, rastreabilidade, avaliação e supervisão humana. A combinação de LangGraph com observabilidade via trace reduz o risco de transformar uma prova de conceito em algo opaco demais para operar em ambiente corporativo.

Na prática, isso muda o recorte do projeto: em vez de começar pelo modelo, você começa pelo fluxo, pelos pontos de controle e pelo que precisa ser auditável. Para times brasileiros, esse detalhe pesa ainda mais quando a solução toca dados regulados, integra legados e precisa respeitar LGPD e janelas operacionais de empresas que não podem aceitar comportamento imprevisível.

O que a DXC está chamando de “primeiro agente”

O material da DXC descreve o percurso como uma evolução do prompt para agentes capazes de executar tarefas, automação e fluxos de trabalho. O ponto central não é apenas “fazer a IA responder”, mas colocar o agente em uma malha de governança que permita uso corporativo com segurança operacional, especialmente em contextos mission-critical. Isso aparece tanto no white paper do DXC OASIS quanto no anúncio de parceria com a LangChain, que reforça o uso de governança e supervisão humana.

Esse recorte é importante porque “primeiro agente” não significa “agente solto no ambiente”. Significa um sistema pequeno, mas já operável: ele recebe um objetivo, consulta fontes, chama ferramentas, registra o que fez e preserva condição de reversão quando a ação é sensível. Nesse desenho, o valor está menos na autonomia abstrata e mais na previsibilidade do comportamento.

Por que o harness importa mais que o prompt

O white paper da DXC posiciona o OASIS como um harness para operações críticas de TI. Em termos práticos, isso quer dizer uma camada que prende o comportamento do agente a regras, estado, transições e observabilidade. Em vez de confiar só na qualidade do texto gerado, você controla quando o agente decide, quando consulta uma ferramenta e quando deve parar para revisão humana.

Essa abordagem conversa com o que a LangChain descreve como ciclo de melhoria iniciado por trace: primeiro você tem a execução registrada, depois avalia esse rastro, e só então converte a telemetria em melhoria do sistema. O artigo The Agent Improvement Loop Starts with a Trace deixa claro que observabilidade não é um detalhe de produção; ela é a base para depurar falhas e construir avaliações úteis.

Para quem está começando, a lição é simples: se você não consegue explicar por que o agente tomou uma decisão, ainda não tem um agente pronto para operação real. Você tem um protótipo de interface com modelo.

O caminho técnico: estado, ferramentas e supervisão humana

No material da DXC, a base de execução do OASIS é o LangGraph, que organiza o agente como um grafo de estados e etapas. Esse formato é útil porque força o desenho do fluxo antes da implementação da inteligência: primeiro você define o que acontece, depois decide onde o modelo entra, e por fim estabelece as ferramentas que o agente pode acionar.

Em uma implementação inicial, isso costuma se traduzir em quatro blocos: entrada do usuário, classificação da intenção, decisão de próxima ação e resposta final. Entre esses blocos, o agente pode consultar um sistema externo, buscar dados em base corporativa ou pedir aprovação humana para seguir. O ganho não vem de complexidade; vem de deixar explícito onde há risco e onde o sistema pode seguir sozinho.

A DXC descreve o OASIS como uma infraestrutura para transformar modelos em operadores governados, com supervisão humana e rastreabilidade como parte do desenho. Isso é especialmente relevante em ambientes regulados, onde a cadência de mudança precisa ser maior que a de auditoria.

Um exemplo de recorte inicial

Se o objetivo é criar o “primeiro agente”, vale escolher um caso pequeno e recorrente. Em vez de tentar automatizar uma operação inteira, pegue uma tarefa com entrada clara, saída mensurável e baixo risco de erro, como triagem de solicitações internas, resumo de chamados ou consulta assistida a documentação técnica. A partir daí, o agente pode usar uma ferramenta única, registrar trace e passar por revisão antes de executar qualquer ação irreversível.

Esse recorte ajuda a sair do piloto ornamental. O time vê o valor, mas também enxerga os limites. E isso é essencial para evoluir depois para múltiplas personas operacionais, como o white paper da DXC sugere ao falar em vários domínios de operação.

Observabilidade e avaliação: o que separa demo de sistema

O material da LangChain destaca que o loop de melhoria começa com trace. Isso parece óbvio, mas muda a forma de trabalhar: você para de investigar apenas a resposta final e passa a olhar a sequência completa de decisões. Assim, uma falha de agente deixa de ser um “resultado ruim” e vira um evento analisável, com pontos de correção mais objetivos.

Na prática, isso abre espaço para avaliações baseadas em execução real, não só em casos sintéticos. Você consegue medir quantas vezes o agente pediu ferramenta demais, quantas vezes parou para validação desnecessária e em quais cenários ele desviou da política definida. O resultado é um ciclo de melhoria menos dependente de intuição e mais próximo da engenharia de software.

Essa etapa também é a porta de entrada para auditoria. Se a sua organização precisa explicar decisões, a trilha de execução vira parte do registro do processo. Isso vale para empresas com operação distribuída no Brasil, onde a combinação entre sistemas legados, times enxutos e exigências de conformidade costuma exigir evidência mais forte do que uma simples transcrição de conversa.

Por que isso importa pro dev brasileiro

No Brasil, a discussão sobre agente de IA quase sempre cruza com uma exigência concreta: LGPD. Quando o agente consulta bases internas, trata dados pessoais ou aciona sistemas de negócio, você precisa pensar em minimização de dados, justificativa de uso e rastreabilidade. Essa não é uma cautela genérica; é uma consequência direta do contexto regulatório brasileiro e do tipo de sistema que muita empresa precisa operar sob auditoria.

Há também uma realidade de infraestrutura que pesa aqui: muita operação corporativa no país ainda vive com integrações legadas, ambientes híbridos e dependência de janelas curtas de mudança. Para esse cenário, um agente com supervisão humana e fluxo bem definido faz mais sentido do que uma solução que promete autonomia total sem histórico de decisão. Em empresas brasileiras que dependem de compliance interno e de times pequenos, a capacidade de justificar cada passo costuma valer mais do que uma demo impressionante.

Outro ponto é orçamento. Em reais, o custo de errar cedo é muito mais visível para times que operam com margem apertada e precisam justificar cada experimento. Uma arquitetura baseada em observabilidade e evals permite reduzir retrabalho antes de escalar consumo de API, integração e tempo de engenharia.

Como transformar o conceito em prática

O melhor ponto de partida é tratar o agente como produto de engenharia, não como prompt com embalagem. Defina a tarefa, os limites de ação, o que exige aprovação humana e quais sinais vão ser registrados em trace. Depois, implemente o menor fluxo possível e só então adicione novas ferramentas ou etapas de decisão.

Se você quiser avançar sem se perder, siga esta ordem: escolha um caso de uso de baixa criticidade, descreva o estado inicial e o estado final, conecte uma única ferramenta, registre a execução e avalie os pontos de falha. Quando esse ciclo estiver estável, você terá base para ampliar o grafo, inserir memória, incluir novas fontes de dados e aproximar o agente de um fluxo de negócio real.

Conclusão

“Do zero ao primeiro agente” faz mais sentido quando o foco está em governança, rastreabilidade e valor operacional, não apenas em geração de texto. A leitura da DXC e da LangChain aponta para um caminho prático: comece pequeno, desenhe o fluxo, registre tudo e só então aumente a autonomia.

Se você quiser aplicar isso em menos de uma hora, abra a documentação oficial do LangGraph, escolha um caso simples do seu trabalho e desenhe em papel as etapas do agente com um ponto explícito de aprovação humana antes da ação final.

Conteúdos da DIO para quem quer aprofundar

• Formação Avançada em Orquestração de Agentes de IA — Você cria agentes autônomos e orquestra times de agentes que resolvem um problema de ponta a ponta, conectados às ferramentas e aos sistemas da empresa com MCP e com supervisão humana.
• Bradesco - Agentes de IA do Zero a Prática — Aprenda do zero a construir sistemas de inteligência artificial que recebem um objetivo, consultam os dados de que precisam e automatizam processos com prompts, SQL, Python, CrewAI e MCP.
• Michael Page - Criando Seu Primeiro Agente de IA — Uma trilha prática para entender fundamentos de IA, engenharia de prompt e criação de agentes capazes de automatizar fluxos e apoiar decisões.
• CI&T - Do Prompt ao Agente — Jornada gratuita que avança dos fundamentos de IA até a criação de agentes autônomos para automatizar fluxos de trabalho com mais produtividade.
• AWS - Agentes de IA em Campo — Trilha hands-on para criar soluções com Amazon Bedrock, agentes autônomos e automação de fluxos no ecossistema AWS.

Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.