Quando você combina a fluência linguística de um LLM com a capacidade de realizar tarefas e tomar decisões de forma independente, a IA generativa é elevada a um parceiro ativo na realização do trabalho.
Silvio Savarese
Acredito que os grandes modelos de ação (LAMs) representam uma mudança tão grande no desenvolvimento da IA quanto qualquer tecnologia que vimos na década anterior. Assim como os LLMs possibilitaram automatizar a geração de texto e, em suas formas multimodais, uma ampla variedade de mídias, os LAMs poderão em breve possibilitar a automatização de processos inteiros. E como são naturalmente fluentes no idioma, eles interagirão de forma inteligente com o mundo, comunicando-se com as pessoas, adaptando-se à mudança das circunstâncias e até mesmo interagindo com outros LAMs.
Nos últimos meses, surgiu uma nova tendência poderosa na qual grandes modelos de linguagem são aprimorados para se tornarem “agentes”, entidades de software capazes de realizar tarefas por conta própria, no fim das contas, a serviço de uma meta, em vez de simplesmente responder a consultas de usuários humanos. Pode parecer uma mudança simples, mas isso abre um universo inteiro de novas possibilidades ao combinar a fluência linguística de um LLM com a capacidade de realizar tarefas e tomar decisões de forma independente, pois a IA generativa é elevada de uma ferramenta passiva, por mais poderosa que seja, para uma parceira ativa na realização do trabalho em tempo real. Aqui na IA da Salesforce, o potencial desses agentes poderosos tem sido um tópico de pesquisa ativa ➚ e desenvolvimento há algum tempo.
Conecte-se com Agentblazers de todo o mundo para se especializar em IA, descobrir casos de uso, ouvir especialistas em produtos e muito mais. Aumente sua experiência em IA e desenvolva sua carreira.
Simplificando, um grande modelo de ação (LAM) é um tipo de IA generativa que pode realizar ações específicas com base nas consultas dos usuários. Esses modelos não apenas analisam dados, mas são projetados para agir com base nas descobertas. Pense neles como primos práticos de um grande modelo de linguagem (LLM). Um LLM pode gerar texto em resposta a uma consulta, enquanto um LAM é capaz de agir ➚ —, por exemplo, para ajudar um comprador a processar uma devolução.
Acredito que uma importante demanda da IA é a busca pela automação que melhore as habilidades humanas, em vez de tentar substituí-las. Com isso em mente, os LAMs devem se concentrar em assumir o controle de tarefas repetitivas e outros trabalhos pesados, o tipo de coisa que a maioria de nós não quer fazer, atrapalhando o tipo de empreendimento significativo e de alto valor em que somos melhores. Então, vamos discutir o incrível potencial que os LAMs prometem em dois níveis: para indivíduos e para organizações. No processo, vamos imaginar como os LAMs podem ser aplicados hoje e como seu papel em nosso trabalho e nossa vida pode evoluir nos próximos anos.
Assistentes pessoais têm sido um luxo reservado para os ricos por gerações, embora a indústria de tecnologia também tenha prometido alternativas virtuais para as massas por décadas. Os LAMs, com sua incrível fluência e capacidade de generalizar naturalmente em praticamente todos os domínios da vida, podem ser o ponto de virada que esperávamos: uma tecnologia que pode realmente nos ajudar, com grande parte da visão e perspicácia que esperaríamos de um colega humano. Considere o seguinte:
Ultimamente, tem havido muita publicidade sobre o impacto dos LLMs nos fluxos de trabalho de marketing, com sua capacidade de gerar textos, imagens e até mesmo layouts da Web, vista como uma mudança radical na área. No entanto, na prática isso é mais complicado, pois é necessário muito esforço manual para integrar os resultado de um LLM ao processo completo de, por exemplo, conceber uma nova campanha e lançar os resultados. Atualmente, até mesmo a melhor IA generativa só automatiza partes realmente seletas desse processo.
Prevemos que os agentes de IA para marketing, no entanto, adotem uma abordagem mais ampla e semelhante ao LAM para fornecer resultados para equipes de marketing, usando uma interface de LLM para conectar dados, ferramentas e agentes específicos de domínio na busca de uma tarefa de alto nível. Imagine, por exemplo, uma solicitação como a seguinte:
“Envie um email de marketing para destacar o valor do nosso novo Chocho Chocolate. Dê às primeiras 100 pessoas que comprarem um cupom de frete grátis. Garanta que cada destinatário receba uma mensagem personalizada.”
Por si só, um LLM teria dificuldade em cumpri-lo. No entanto, uma constelação de ferramentas, agentes e fontes de dados (acesso a materiais de marketing anteriores, dados de clientes que a organização optou por compartilhar com a LAM e, é claro, os próprios LLMs) poderia gerar a cópia (“Enviar um email de marketing”) extraída da documentação destacando os últimos desenvolvimentos de produtos (“O valor de nosso novo Choco Chocolate”), detalhar a lógica da solicitação (“Dê as primeiras 100 pessoas para compre um cupom”) e gerenciar os detalhes específicos do cliente (“Garanta que cada destinatário receba uma mensagem personalizada”) com facilidade.
Mas os assistentes pessoais servem para ajudar durante toda a vida, não apenas no trabalho. Então, vamos imaginar como eles podem ajudar em uma decisão de compra significativa, mas pessoal, como um carro. Para muitos, o processo de compra de um veículo pode ser mais trabalhoso do que empolgante, e a fase de pesquisa em particular pode ser avassaladora. No entanto, com um LAM, em breve poderá ser necessário pouco mais do que um prompt como o seguinte conteúdo:
Estou procurando um sedã com uma boa classificação de segurança e muito espaço, de preferência com uma cor escura. De 2014 em diante, custando no máximo $28.000. E quilometragem abaixo de 90.000.
O primeiro passo, tanto para um humano quanto para um LAM, seria escanear sites de compra de carros para montar uma lista inicial de opções. Os poderosos recursos de compreensão de texto de um LLM permitem que o agente consuma grandes quantidades de avaliações de carros de fontes profissionais e geradas pelo usuário, identificando rapidamente candidatos que satisfaçam os parâmetros do usuário. Além disso, o LAM pode notar sinais de alerta, por exemplo, observar que um determinado ano de um modelo de carro que seria adequado é conhecido por ter problemas de transmissão ou problemas elétricos e removê-lo da lista (ou, pelo menos, fazer uma anotação com uma isenção de responsabilidade).
Como próxima etapa, o LAM poderia até mesmo iniciar conversas com vendedores particulares e revendedores locais, usando canais como email ou até mesmo SMS para entrar em contato. Embora um bom LAM provavelmente anunciasse que é uma IA, garantindo que os humanos nunca sejam enganados, ele ainda se comunicaria em uma linguagem clara, fluida e natural, com saudações, frases completas e uma solicitação ou declaração clara em cada mensagem. O banco do usuário pode até mesmo ser notificado, informando que um empréstimo deve ser elaborado. Quando a conversa se aproxima do momento da tomada de decisão, o usuário pode ser encaminhado para aprovação final.
Em última análise, a IA da Salesforce está comprometida em usar o poder da tecnologia para melhorar a forma como as empresas operam em todas as escalas, e os LAMs são um ótimo exemplo de como isso pode acontecer nos próximos anos. Estou confiante de que essa visão abrangerá todos os aspectos das operações, do back office às linhas de frente do marketing, incluindo aplicações que ainda nem imaginamos, mas provavelmente não há um exemplo melhor do que interagir com os clientes.
Imagine um agente em uma seguradora, por exemplo. Uma grande parte do dia desse agente será se reunir com clientes, existentes e potenciais, para discutir suas necessidades e desenvolver o relacionamento. O cerne desse processo é o toque humano que somente um agente de carne e osso pode oferecer, mas está cercado por tarefas repetitivas que um LAM pode acelerar drasticamente. Considere o fluxo a seguir, aprimorado de uma etapa para a outra pela IA generativa:
Acho que essa é uma visão convincente da capacitação individual, mas a verdadeira transformação é cortesia da escalabilidade dos LAMs. Imagine uma empresa inteira aprimorando sua equipe com ferramentas tão sofisticadas e quanto tempo e despesas podem ser economizados em conjunto, sem falar na forma como as sugestões do LAM podem ajudar a evitar erros, recomendar estratégias bem-sucedidas e muito mais. Essa é uma tecnologia que pode realmente agregar valor em qualquer escala de implantação.
Até agora, falamos sobre LAMs que atendem usuários individuais, mas há muitas outras formas que essa tecnologia provavelmente assumirá. É igualmente fácil imaginar LAMs que atendam grupos ou até organizações inteiras. E embora todos os LAMs se beneficiem de sua flexibilidade, espero uma gama diversificada de possibilidades, desde os conceitos muito gerais, análogos aos de “assistente executivo” descritos acima, até agentes altamente personalizados e específicos de domínio que abordam problemas de nicho. E muitos LAMs, eventualmente, todos, serão projetados para aprender com suas experiências, seja reunindo cada vez mais experiência na solução de um problema organizacional ou se tornando cada vez mais personalizados de acordo com as necessidades e preferências de usuários individuais.
E quem pode dizer que os LAMs operarão individualmente? É possível imaginar facilmente vários LAMs trabalhando juntos, cada um otimizado para um conjunto diferente de metas, com outro LAM dedicado à tarefa de orquestrar seus esforços e se comunicar com seu usuário ou usuários, seja um indivíduo, uma equipe ou até mesmo uma organização inteira. Em outras palavras, isso constituiria uma atualização de um único assistente pessoal para uma equipe inteira, tudo unificado por um “chefe de equipe” subordinado ao humano responsável.
As possibilidades se tornam ainda mais interessantes quando consideramos os LAMs criados com o único propósito de interagir com outros LAMs ou equipes de LAMs. Imagine, por exemplo, um agente implantado por uma das concessionárias de automóveis no exemplo acima, especializado em lidar com solicitações de entrada de LAMs pessoais representando clientes em potencial ou iterando com os LAMs que representam os próprios fabricantes de automóveis. Eles manteriam a transparência e a aplicação geral que tornam todos os LAMs valiosos, especialmente ao avaliar seu comportamento em retrospectiva, mas operariam com velocidades e eficiências muito mais altas que a comunicação entre máquinas permite.
Descubra quanto tempo e dinheiro você pode economizar com uma equipe de agentes de IA trabalhando lado a lado com seus colaboradores e sua força de trabalho. Basta responder a algumas perguntas simples para descobrir o que é possível com o Agentforce.
Embora existam muitos obstáculos técnicos para tornar realidade todo o poder dos LAMs, o principal desafio é simples de articular: o mundo não é um lugar estático, e qualquer agente destinado a interagir com ele deve ser flexível o suficiente para se adaptar graciosamente às mudanças nas circunstâncias. No caso do nosso exemplo da compra de um carro, isso significa acompanhar os leads e perceber quando um carro desejável foi vendido antes que o usuário tivesse a chance de fazer uma oferta, ou até mesmo atualizar suas sugestões no caso de um recall ser emitido no meio do processo de pesquisa. No caso de nosso exemplo de agência de seguros, conhecer os eventos atuais, especialmente aqueles locais para o cliente, será essencial para fornecer informações úteis e atualizadas, desde mudanças na regulamentação do setor até eventos climáticos extremos.
Em todos os casos, um bom LAM se definirá por entender quando notificar seu usuário humano ou solicitar esclarecimentos. Fazer isso com muita frequência pode ser irritante e inconveniente, e pode até mesmo anular as vantagens de um LAM logo de início. No entanto, fazer isso muito raramente garante que surjam efeitos colaterais potencialmente graves e indesejados, desde a exclusão de um email importante até a solicitação de um empréstimo indesejado do próprio banco do usuário. Como um bom assistente pessoal, um LAM precisará de bons instintos para encontrar o equilíbrio certo.
Isso também significa aproveitar um dos recursos mais poderosos dos LAMs, que é sua capacidade de aprender. À medida que os LAMs são expostos a cada vez mais experiências reais trabalhando conosco, o feedback humano pode ser usado para refinar ainda mais seu comportamento. Além disso, os LAMs podem extrair interpretações valiosas de fluxos e processos analisando dados que vão desde transcrições de atendimento ao cliente até registros de eventos, reunindo as etapas ideais que conectam um determinado ponto de partida ao resultado mais desejável.
Para ser claro, o trabalho de um LAMs não é apenas transformar uma solicitação em uma série de etapas, mas entender a lógica que as conecta e as envolve. Isso significa entender por que uma etapa deve ocorrer antes ou depois da outra e saber quando é hora de mudar o plano para acomodar as mudanças nas circunstâncias. É uma capacidade que demonstramos o tempo todo na vida cotidiana. Por exemplo, quando não temos ovos suficientes para fazer uma omelete, sabemos que o primeiro passo não tem nada a ver com cozinhar, mas com ir ao supermercado mais próximo. É hora de criarmos uma tecnologia que possa fazer o mesmo.
Não há dúvida de que os LAMs ficarão incrivelmente bons no tipo de fluência e comunicação que muitos dos exemplos acima exigiriam. Mas ainda não é certo que se possa confiar que eles se comportem de maneira previsível e eficaz, com a consistência necessária para o uso regular no mundo real.
Obviamente, se a confiança já é um desafio quando se trata de gerar texto e imagens, o desafio é ainda maior quando se trata de entrar em ação. E o ônus de garantir a segurança e a confiabilidade só aumenta quando vários LAMs trabalham juntos em conjunto. Por esse motivo, acredito que é essencial que, mesmo em sua forma mais independente, os LAMs sejam projetados para manter os humanos informados antes que ações críticas sejam tomadas. Não importa o quão avançada essa tecnologia se torne, eu a vejo como uma ferramenta, ainda que extraordinariamente inteligente, e que os humanos estejam sempre livres para controlá-la como quiserem.
Adote agentes autônomos de IA e transforme o jeito de trabalhar em todas as funções, fluxos de trabalho e setores.
Depois de uma década de desenvolvimentos de IA que foram nada menos que históricos, essa é uma prova do potencial dos LAMs que muitos de nós, no mundo da pesquisa, achamos que as maiores transformações estão apenas surgindo. Com a orientação certa e o compromisso com a capacitação humana, acredito que os LAMs podem inaugurar uma nova era de produtividade, facilidade e clareza, nos tornando melhores nas tarefas que consideramos mais envolventes e liberando nosso tempo para trabalharmos no que realmente importa. E com suas décadas de história no mundo corporativo, não consigo imaginar um lugar melhor para seguir essa visão do que a Salesforce.
Agradecimentos especiais a Alex Michael, Peter Schwartz e à equipe da Salesforce Futures por suas contribuições na redação deste artigo.
Veja mais detalhadamente como a criação de agentes funciona em nossa biblioteca.
Lance Agentforce com velocidade, confiança e ROI que você pode medir.
Conte-nos sobre as necessidades dos seus negócios, e ajudaremos você a encontrar respostas.
