O Gartner estima que apenas 8% das empresas têm agentes de IA operando em produção. Um relatório do MIT, coberto pela Fortune, apontou que cerca de 95% dos pilotos de IA generativa em grandes organizações não entregaram retorno mensurável. Esses números circulam há meses, e a resposta mais comum tem sido trocar o modelo, afinar o prompt ou contratar mais engenheiros. A Skan AI, conforme reportado pelo VentureBeat, chegou a uma conclusão diferente: o modelo não é o problema. O problema é o mapa.
Documentação de processo não é processo
Quando uma empresa decide implantar um agente de IA em, digamos, sua operação de sinistros, o passo natural é alimentar o agente com a documentação existente: SOPs, fluxogramas, logs de sistema. O agente lê tudo, é treinado, vai para produção — e começa a falhar em casos que nenhum documento previu.
Nossa leitura: isso não é falha do agente. É falha de fonte. A documentação descreve o processo como ele foi desenhado, não como ele é executado. Entre esses dois mundos existe uma lacuna enorme de exceções, gambiarras, decisões tácitas e adaptações que nunca foram escritas em lugar nenhum — porque quem as faz nem percebe que está fazendo algo diferente do manual. Logs de sistema capturam apenas transações concluídas, o estado final comprometido de um trabalho. O que aconteceu entre um estado e outro — a consulta ao colega, a planilha paralela, o retorno ao passo anterior — simplesmente não existe nos dados estruturados.
A Skan AI construiu tecnologia que observa a tela do colaborador em tempo real, atravessando CRM, e-mail, planilhas e sistemas legados, e abstrai esse fluxo em um modelo vivo do processo real. A empresa afirma ter observado 11,2 milhões de trocas de contexto entre 1.500 profissionais financeiros em um banco norte-americano, identificando US$ 37 milhões em atrito operacional. Com esse mapa, o custo por transação caiu 32%, o volume processado subiu 41% e a economia anualizada chegou a US$ 18 milhões. Em uma operação de prevenção à lavagem de dinheiro, 60% dos casos passaram a ser conduzidos por agentes — com precisão superior à dos analistas humanos, segundo a empresa. Uma seguradora cliente dobrou o volume de sinistros processados sem contratar um único especialista adicional.
Vigilância ou telemetria? A pergunta que não vai desaparecer
Observar a tela do colaborador levanta uma objeção legítima, e seria desonesto ignorá-la. Em junho, a Reuters reportou que a Meta recuou em uma ferramenta interna que rastreava cliques de mouse após resistência dos funcionários. A Skan responde com uma arquitetura que agrega comportamento estatístico de centenas de pessoas realizando o mesmo processo — nunca o comportamento individual de uma pessoa específica. Os dados nunca saem do firewall da empresa. O escopo de observação é definido por opt-in, restrito a aplicações e URLs autorizados. A empresa cita aprovação por conselhos de trabalhadores europeus, que estão entre os órgãos de proteção laboral mais exigentes do mundo, como evidência de que o modelo resiste ao escrutínio.
Nossa leitura: a arquitetura de privacidade é relevante, mas não encerra o debate. A mesma telemetria que revela um processo quebrado pode revelar uma equipe com desempenho abaixo da média — e o próprio CEO da Skan reconheceu ao VentureBeat que a tecnologia já levou clientes a reduzir headcount em determinados processos. Qualquer gestor que avalie esse tipo de solução precisa ter essa conversa com suas equipes antes, não depois, da implantação. Transparência sobre o que é coletado e para qual finalidade não é detalhe de compliance — é condição para que a ferramenta funcione sem destruir a confiança interna.
O que isso significa para quem está decidindo agora
A tese da Skan AI — tratar a execução de trabalho como uma linguagem que pode ser modelada, da mesma forma que modelos de linguagem aprenderam com texto — é intelectualmente coerente. E os números de crescimento que a empresa divulgou (mais de 300% ao ano pelo segundo ano consecutivo, retenção líquida em torno de 150%, sete dos dez maiores bancos americanos na base de clientes) sugerem que o mercado está levando a sério.
Para gestores e líderes de operações que estão travados em pilotos de IA que não escalam, a pergunta prática que esse movimento coloca é direta: você sabe, de fato, como o trabalho acontece na sua organização — não como foi documentado, mas como é feito hoje, por pessoas reais, em sistemas reais? Se a resposta honesta for não, então o problema provavelmente não está no modelo que você escolheu. Está na ausência de um mapa confiável para alimentá-lo. Antes de trocar o modelo, vale investigar a qualidade da fonte.