Como a IA está a mudar a matemática para startups, segundo um VP da Microsoft

Russell Brandom

Qui, 12 de fevereiro de 2026 às 2:51 AM GMT+9 5 min de leitura

Neste artigo:

• StockStory Top Pick

MSFT -2.22%

Microsoft CVP para CoreAI Amanda Silver | Créditos da imagem: Microsoft

Durante 24 anos, Amanda Silver, da Microsoft, tem trabalhado para ajudar desenvolvedores — e nos últimos anos, isso tem significado construir ferramentas para IA. Após um longo período no GitHub Copilot, Silver é agora vice-presidente corporativa na divisão CoreAI da Microsoft, onde trabalha em ferramentas para implementar aplicações e sistemas agentes dentro das empresas. Seu trabalho concentra-se no sistema Foundry dentro do Azure, que é projetado como um portal de IA unificado para empresas, oferecendo uma visão próxima de como as empresas realmente utilizam esses sistemas e onde as implementações acabam por não atingir o esperado.

Conversei com Silver sobre as capacidades atuais dos agentes empresariais e por que ela acredita que esta é a maior oportunidade para startups desde a nuvem pública.

Esta entrevista foi editada para concisão e clareza.

Portanto, seu trabalho foca nos produtos da Microsoft para desenvolvedores externos — muitas vezes startups que não se concentram especificamente em IA. Como você vê o impacto da IA nessas empresas?

Vejo isso como um momento decisivo para startups, tão profundo quanto a mudança para a nuvem pública. Se pensar bem, a nuvem teve um impacto enorme para startups porque significou que elas já não precisavam de espaço físico para hospedar seus servidores, nem de gastar tanto na aquisição de hardware para hospedar em seus laboratórios. Tudo ficou mais barato. Agora, a IA agente vai continuar a reduzir os custos operacionais de software, pois muitas tarefas envolvidas na criação de uma nova venture — seja suporte, investigações legais — podem ser feitas de forma mais rápida e barata com agentes de IA. Acredito que isso vai levar ao lançamento de mais ventures e startups. E veremos startups com avaliações mais altas, com menos pessoas na liderança. E isso é um mundo empolgante.

Como é isso na prática?

Certamente estamos vendo agentes de múltiplas etapas se tornarem amplamente utilizados em várias tarefas de codificação, certo? Por exemplo, uma coisa que os desenvolvedores precisam fazer para manter uma base de código é manter-se atualizados com as últimas versões das bibliotecas das quais dependem. Pode ter uma dependência de uma versão antiga do runtime dot-net ou do SDK Java. Podemos ter esses sistemas agentes raciocinando sobre toda a sua base de código e atualizando-a muito mais facilmente, com uma redução de 70 ou 80% no tempo necessário. E é preciso um agente de múltiplas etapas implantado para fazer isso.

Operações em sites ao vivo é outro exemplo — se pensar na manutenção de um site ou serviço e algo dá errado, há um susto à noite, e alguém precisa estar de plantão para responder ao incidente. Ainda temos pessoas de plantão 24/7, caso o serviço caia. Mas antes, essa era uma tarefa bastante odiada, pois muitas vezes eram acordados por incidentes menores. Agora, criamos um sistema genético que consegue diagnosticar e, em muitos casos, mitigar completamente os problemas dessas operações ao vivo, para que os humanos não precisem ser acordados no meio da noite e ir até seus terminais para tentar entender o que está acontecendo. Isso também ajuda a reduzir drasticamente o tempo médio para resolver um incidente.

Outro desafio atual é que as implementações de agentes ainda não aconteceram tão rapidamente quanto esperávamos há seis meses. Por que você acha que isso acontece?

Se pensarmos nas pessoas que estão construindo agentes, o que as impede de terem sucesso muitas vezes é não saber exatamente qual deve ser o propósito do agente. É preciso uma mudança cultural na forma como essas pessoas constroem esses sistemas. Qual é o caso de uso de negócio que estão tentando resolver? O que querem alcançar? É preciso ter uma visão clara do que significa sucesso para esse agente. E pensar: que dados estou fornecendo ao agente para que ele possa raciocinar sobre como realizar essa tarefa específica?

Vemos esses fatores como os maiores obstáculos, mais do que a incerteza geral de implantar agentes. Quem analisa esses sistemas vê o retorno sobre o investimento.

Você menciona a incerteza geral, que parece um grande obstáculo do ponto de vista externo. Por que você vê isso como menos problemático na prática?

Primeiro, acho que será muito comum que sistemas agentes tenham cenários com intervenção humana. Pense em algo como uma devolução de pacote. Antes, havia um fluxo de trabalho para o processamento da devolução que era 90% automatizado e 10% com intervenção humana, onde alguém precisava verificar o pacote e decidir o quanto ele estava danificado antes de aceitar a devolução.

Esse é um exemplo perfeito de como os modelos de visão computacional estão ficando tão bons que, em muitos casos, não precisamos de tanta supervisão humana na inspeção do pacote e na tomada de decisão. Ainda haverá casos borderline, onde a visão computacional talvez não seja suficiente para decidir, e uma escalada será necessária. É como perguntar: com que frequência você precisa chamar o gerente?

Algumas operações sempre precisarão de supervisão humana, porque são operações críticas. Pense em assumir uma obrigação legal contratual ou implantar código em uma base de produção que possa afetar a confiabilidade dos seus sistemas. Mas mesmo assim, há a questão de até que ponto podemos automatizar o restante do processo.