DXC: do zero ao primeiro agente de IA

TL;DR

O caminho “do zero ao primeiro agente” da DXC não é só sobre criar um chatbot com memória; é sobre levar IA para um contexto de operação real, com papéis bem definidos, delegação, supervisão humana e execução em ambiente controlado. A proposta fica clara quando você conecta fundamentos de IA, engenharia de prompt e automação de fluxos a uma arquitetura governada como a do DXC OASIS, descrita pela própria DXC e pela AWS em caso público da DXC e relato técnico da AWS.

Na prática, isso importa porque o primeiro agente útil em produção precisa responder a restrições de segurança, observabilidade e governança muito antes de “parecer inteligente”. Para quem trabalha no Brasil, isso é especialmente relevante em times que lidam com prazos curtos, integração com legados e requisitos de conformidade como a LGPD.

Do prompt ao agente: a mudança de mentalidade

O ponto de partida da trilha da DXC é simples: antes de automatizar processos, você precisa entender o que um agente realmente faz. A trilha descreve uma progressão que vai de fundamentos de IA, IA generativa e LLMs até criação de agentes autônomos e automação de fluxos, numa sequência pensada para quem ainda está no começo, mas já quer sair do uso pontual de modelos.

Essa passagem é importante porque um agente não é só uma interface de conversa. Ele precisa interpretar um objetivo, decidir próximos passos, consultar recursos, acionar ferramentas e devolver um resultado que faça sentido no processo de negócio. Na descrição oficial da trilha, a promessa é justamente avançar do primeiro prompt à criação de agentes capazes de executar tarefas e automatizar processos, o que já posiciona o conteúdo para além da demo (página da trilha).

Em outras palavras: se o prompt ensina a pedir, o agente ensina a orquestrar.

O que a DXC chama de operação agêntica

O material público da DXC é útil porque mostra como a empresa saiu de uma visão abstrata de IA para uma plataforma operacional. No caso do DXC OASIS, a arquitetura combina agentes especializados, delegação entre capacidades e supervisão humana, com runtime em infraestrutura de nuvem e integração com modelos via Amazon Bedrock. A AWS resume isso como um substrate multi-model em Amazon Bedrock com runtime de agentes em Amazon EKS dentro de uma private VPC (AWS).

O detalhe mais interessante para quem está aprendendo é que a DXC não parte das tarefas, e sim dos papéis. A empresa descreve a modelagem por personas operacionais, como funções ligadas a infraestrutura, ITSM e observabilidade, e depois distribui capacidades entre esses papéis (DXC). Isso muda bastante a forma como um primeiro agente deve ser desenhado: ele não nasce “genérico”, mas especializado para um contexto concreto.

Essa ideia conversa com o que a trilha da DIO expõe no título: não basta “ter IA”; é preciso chegar ao primeiro agente útil, que cabe num processo real e tem limites claros de atuação.

As primitivas que diferenciam um agente de um prompt melhorado

O paper da DXC sobre OASIS descreve “Deep Agents” como um conjunto de primitivas para trabalho de longa duração. Entre elas estão filesystem virtual, memória e skills, execução de código em sandbox, planejamento e uso de sub-agentes como ferramentas com contexto isolado (DXC paper). Esse é um ponto central porque mostra que o agente precisa de infraestrutura interna, não só de um modelo forte.

Na prática, isso evita um erro comum: tratar o agente como se fosse apenas uma conversa em loop. Em sistemas reais, ele precisa guardar rascunhos, organizar contexto, executar passos intermediários e isolar sub-tarefas para não contaminar o raciocínio principal. Para o dev, a lição é direta: o comportamento desejado não vem só do prompt, mas do desenho do ambiente onde o agente trabalha.

Há também uma implicação importante de confiabilidade. Quando a tarefa envolve consulta a dados, geração de relatório ou automação de ações, a existência de uma sandbox reduz risco operacional. Isso não elimina erro, mas impede que o agente “pule” direto para o sistema crítico sem mediação.

Steering humano não é detalhe; é interface de controle

Outro elemento explícito no material da DXC é o human steering. O paper lista quatro verbos para intervenção humana: approve, edit, reject e respond (DXC paper). Isso muda a noção de autonomia: em vez de um agente que age sozinho o tempo todo, você tem um sistema que aceita supervisão em pontos definidos do fluxo.

Esse desenho é especialmente útil quando o custo de um erro é alto. Em operações de TI, atendimento, finanças ou qualquer fluxo com impacto externo, a pergunta certa não é “o agente acerta sempre?”, e sim “em qual etapa o humano entra para revisar uma decisão sensível?”.

Para quem está começando, vale pensar no primeiro agente como um fluxo com freios, não como uma entidade solta. O controle humano é parte do produto, não um remendo colocado depois.

Como transformar estudo em primeiro projeto

A trilha da DXC obriga o aprendiz a combinar três camadas: fundamento, prompting e automação. A descrição oficial fala em construir base sólida de IA, estudar LLMs e depois avançar para agentes autônomos, engenharia de prompt e projetos com ferramentas como NotebookLM (trilha DXC). Esse encadeamento é bom porque evita a armadilha de tentar construir um agente antes de entender como pedir, avaliar e integrar resultados.

Se eu fosse recortar um primeiro projeto prático com esse material, ele teria esta forma: um agente que recebe um objetivo bem delimitado, consulta uma fonte de conhecimento, escolhe uma ação entre poucas possibilidades e devolve um resultado revisável por humano. Não precisa começar com múltiplos agentes nem com uma orquestração sofisticada. O valor didático está em fechar o ciclo: objetivo, decisão, ação, revisão.

No contexto brasileiro, esse recorte faz sentido também porque muitas equipes ainda operam com orçamento apertado e infraestrutura híbrida. Em vez de apostar direto em uma solução ampla, o caminho mais sensato costuma ser provar valor em um fluxo pequeno, com custo controlado em BRL e integração com o que já existe na empresa.

Por que importa pro dev brasileiro

No Brasil, agentic ops encontra um cenário bem específico: times enxutos, legado forte, exigência de conformidade e pressão por ganho rápido de produtividade. Em projetos que tocam dados pessoais, a LGPD exige cuidado com finalidade, acesso e tratamento; isso favorece arquiteturas com supervisão humana, trilha de auditoria e escopo restrito, exatamente o tipo de desenho que a DXC descreve na sua proposta de governança e steering.

Há também uma realidade operacional comum em empresas brasileiras: muita coisa roda em ambientes mistos, com sistemas antigos, integrações pontuais e dependência de cloud em regiões estrangeiras. Isso muda latência, custo e governança. Por isso, um primeiro agente bem feito no Brasil tende a ser menos sobre “o agente mais geral possível” e mais sobre resolver uma etapa concreta do processo com risco conhecido.

Outro ponto importante é a formação. O mercado brasileiro puxou muita gente de bootcamps, migração de carreira e aprendizado autodidata, então trilhas que vão do fundamento ao agente ajudam a preencher lacunas práticas sem exigir uma base acadêmica extensa. Em outras palavras, o dev brasileiro normalmente precisa de um caminho que una teoria suficiente, exemplos aplicados e entrega rápida de protótipo.

Fechando o ciclo: do laboratório à produção

O valor da proposta da DXC está em tratar o primeiro agente como infraestrutura de negócio, e não como experimento isolado. A arquitetura pública mostra EKS, Bedrock, delegação por papéis e supervisão humana; a trilha da DIO, por sua vez, organiza a jornada de aprendizado do prompt ao agente. Juntas, as duas visões apontam para o mesmo objetivo: transformar IA em um sistema que executa trabalho real com limites claros, não apenas em uma interface que responde bem.

Se você quer sair do estudo para a prática, o melhor próximo passo é escolher um processo pequeno da sua rotina — por exemplo, classificação de tickets, sugestão de resposta ou triagem de solicitações internas — e desenhar um agente com uma única responsabilidade, uma única fonte de verdade e um ponto explícito de aprovação humana. Isso cabe em uma hora de trabalho inicial e já força você a pensar em escopo, risco e integração.

Depois disso, o aprendizado fica concreto: você consegue comparar o que o modelo produz com o que o processo exige, e enxerga onde a automação agrega valor de verdade.

Conclusão

O “zero ao primeiro agente” da DXC funciona como um mapa de maturidade: primeiro você entende IA e prompting, depois aprende a estruturar ações, e só então coloca autonomia sob governança. A parte mais valiosa não é o brilho da automação, mas a disciplina de projetar um agente que saiba trabalhar dentro de regras, limites e revisão humana.

Se você quer aplicar isso hoje, escolha um fluxo real do seu dia a dia, escreva o objetivo do agente em uma frase, defina três etapas permitidas e prototipe uma revisão manual antes de qualquer integração com sistemas críticos.

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