Preenchendo a lacuna: práticas de engenharia de software para agentes de IA

By Mirko Peters · 2026-08-13

Bem-vindo de volta ao blog! Se você acompanhou nossos episódios de áudio recentes, sabe que temos mergulhado fundo nas trincheiras da inteligência artificial moderna…

Automatically translated with AI from the original post. Read the English original

Bem-vindo de volta ao blog! Se você acompanha nossos episódios de áudio recentes, sabe que temos mergulhado fundo nas trincheiras da inteligência artificial moderna. Hoje, vamos aprofundar um tema que se torna cada vez mais crítico para desenvolvedores, arquitetos corporativos e líderes de tecnologia: ir além da engenharia de prompts frágil e aplicar princípios fundamentais de engenharia de software a agentes de IA. Quando dependemos exclusivamente de modelos de linguagem de grande porte sem gerenciamento, nossos sistemas frequentemente cedem sob o peso da imprevisibilidade do mundo real. Neste post, vamos desvendar por que esse problema oculto existe, examinar os riscos de negligenciar práticas básicas de engenharia e ver como plataformas como o Azure AI Foundry podem ajudar você a construir arquiteturas agênticas escaláveis, confiáveis e de nível corporativo.

Entendendo agentes de IA e LLMs

O que são agentes de IA?

Você vê agentes de IA em toda parte nas aplicações corporativas modernas. Esses agentes atuam como assistentes digitais que ajudam você a concluir tarefas, responder perguntas e automatizar fluxos de trabalho. A indústria de IA os utiliza para construir sistemas conversacionais, assistentes de programação e até ferramentas para advogados interagirem com bases de dados jurídicas. Você pode encontrar exemplos como o TxGemma para terapêuticas ou sistemas agênticos que lançam aplicações web. Agentes de IA dependem da experiência de humanos e de máquinas. Sua eficácia depende de quão bem eles se conectam com dados e sistemas de software tradicionais. Quando você usa agentes de IA para tarefas complexas, precisa de orientação e revisão humanas para garantir qualidade e precisão.

• Agentes de IA viabilizam sistemas conversacionais para aplicações de programação, jurídicas e terapêuticas.
• Eles podem redefinir os paradigmas da computação, mas nem sempre geram lucro para os laboratórios de IA.
• Seu desempenho depende da integração com software tradicional e da experiência humana.

Se empresas de software jurídico adicionarem interfaces conversacionais aos seus dados usando sistemas agênticos, os advogados podem trabalhar com mais eficiência. Você não precisa de modelos de fronteira para isso. Os dados e o software em torno dos LLMs importam mais do que o próprio modelo. Mesmo modelos de segunda linha podem criar agentes eficazes quando combinados com ferramentas de IA adequadas e expertise.

LLMs em IA

LLMs, ou modelos de linguagem de grande porte, são a tecnologia central por trás das ferramentas de IA generativa. Você usa LLMs para gerar texto, responder perguntas e resumir informações. Desenvolvedores criam agentes autônomos combinando LLMs com ferramentas e memória. Esses agentes podem executar tarefas sem supervisão constante. A IA agêntica representa sistemas complexos nos quais vários agentes planejam estratégias e se adaptam para atingir objetivos. Você vê LLMs impulsionando tudo, de chatbots à automação de fluxos de trabalho.

Aqui está uma comparação entre arquiteturas baseadas em modelo e baseadas em agentes:

Você percebe que arquiteturas baseadas em agentes usam LLMs com memória e ferramentas para criar agentes autônomos. Esses agentes podem colaborar e melhorar com o tempo.

Por que o problema oculto existe

Você vê muitos desenvolvedores e organizações normalizando abordagens centradas em LLMs no desenvolvimento de agentes de IA. Eles se concentram em orquestrar LLMs por meio de encadeamento de prompts e raciocínio estruturado. Essa tendência aumenta a produtividade e a flexibilidade. Sistemas multiagente possibilitam a colaboração entre agentes especializados. Frameworks orientados a fluxo de trabalho combinam pipelines determinísticos com tomada de decisão baseada em agentes. Plataformas de nível corporativo ampliam as capacidades com controles de governança e conformidade.

No entanto, você enfrenta um problema oculto quando depende demais de LLMs. A qualidade dos resultados melhora quando você integra conhecimento de domínio e fluxos de trabalho estruturados. Avaliações de especialistas mostram que combinar LLMs com conhecimento de domínio leva a melhores resultados. Você deve lembrar que LLMs, sozinhos, não podem garantir desempenho confiável. Você precisa de expertise, ferramentas de IA adequadas e princípios de engenharia para construir agentes autônomos confiáveis.

O problema oculto no design de agentes de IA

Dependência excessiva de LLMs

Você pode achar que modelos de linguagem de grande porte, sozinhos, conseguem resolver todos os seus desafios com agentes de IA. Muitos desenvolvedores e organizações normalizaram essa abordagem, dependendo fortemente de LLMs para orientar a tomada de decisões e a execução de tarefas. No entanto, essa dependência excessiva cria um problema oculto que afeta a qualidade e a confiabilidade dos seus agentes de IA. LLMs geram resultados com base em padrões nos dados, mas não têm compreensão real nem controle determinístico. Quando você depende demais deles, seus sistemas podem produzir resultados imprevisíveis ou inconsistentes. Essa imprevisibilidade dificulta confiar em agentes de IA em fluxos de trabalho de negócios críticos.

Sistemas multiagentes, que combinam vários agentes com tecnologia LLM, prometem um comportamento mais sofisticado. No entanto, eles costumam consumir bem mais recursos e tokens do que configurações com agente único. Por exemplo, a Anthropic observou que execuções multiagentes usaram cerca de 15 vezes mais tokens para a mesma tarefa em comparação com um chat de agente único. Essa ineficiência pode deixar seus sistemas mais lentos e aumentar os custos, sem garantir melhores resultados. Você também enfrenta desafios para gerenciar o contexto e a coordenação entre os agentes, o que pode levar a confusão e erros.

As principais lacunas de engenharia em designs de agentes de IA com forte dependência de LLMs incluem a necessidade de melhor visibilidade operacional, distinções claras entre sistemas agênticos e não agênticos, e orquestração multiagente e gerenciamento de contexto aprimorados.

Lacunas de engenharia de software

O problema oculto piora quando você negligencia os princípios de engenharia de software no design dos seus agentes de IA. Muitos projetos de IA se concentram em engenharia de prompts e ajuste de modelos, mas deixam de lado práticas essenciais de engenharia, como gerenciamento de estado, observabilidade e tratamento de erros. Sem elas, seus agentes de IA se tornam frágeis e difíceis de manter.

Você deve tratar agentes de IA como sistemas de software complexos que exigem engenharia rigorosa. Isso significa construir fluxos de trabalho claros, gerenciar os estados dos agentes com cuidado e implementar ferramentas de monitoramento para acompanhar desempenho e falhas. Muitos fluxos de trabalho de IA continuam frágeis porque não têm essas bases. A supervisão humana se torna necessária para identificar falhas frequentes e casos extremos, o que atrasa a automação e reduz a qualidade.

Fluxos de trabalho envolvendo agentes de IA costumam ser complexos e exigem supervisão humana contínua devido a falhas frequentes e casos extremos, evidenciando desafios operacionais na implantação de sistemas de IA com forte dependência de LLMs.

Quando você pula essas etapas de engenharia, seus agentes de IA têm dificuldade para escalar ou se adaptar a novos cenários. Depurar e testar se torna difícil, e você perde o controle sobre o comportamento do sistema. Essa lacuna na engenharia de software cria um problema oculto que mina seus investimentos em IA.

Impacto no desempenho da IA

O problema oculto afeta diretamente o desempenho dos seus agentes de IA. Você pode notar problemas como tempos de resposta lentos, baixa precisão nas decisões e pouca adaptabilidade a entradas inesperadas. Esses problemas reduzem a qualidade geral dos seus sistemas de IA e frustram os usuários.

Os principais desafios de desempenho incluem:

• Dificuldade em processar rapidamente entradas inesperadas ou inéditas
• Alta latência nas chamadas a LLMs, que atrasa as respostas
• Dificuldades para testar e avaliar o comportamento dos agentes
• Desafios para depurar interações complexas entre vários agentes

Esses problemas surgem porque os agentes de IA dependem demais de saídas probabilísticas dos LLMs, sem controles de engenharia robustos. Você precisa equilibrar o poder criativo dos LLMs com a engenharia de software determinística para melhorar a confiabilidade e a qualidade.

Se você ignorar esse equilíbrio, seus agentes de IA correm o risco de se tornar pouco confiáveis ou até prejudiciais em ambientes de produção. Empresas exigem sistemas consistentes e confiáveis. Sem engenharia adequada, seus agentes de IA não conseguem atender a essas expectativas.

Desafios de adaptabilidade, problemas de tempo de resposta, dificuldades de precisão na tomada de decisões e preocupações gerais de confiabilidade continuam sendo os problemas de desempenho mais comuns relatados em agentes de IA centrados em LLMs.

Você precisa reconhecer esse problema oculto e resolvê-lo integrando práticas sólidas de engenharia de software ao desenvolvimento dos seus agentes de IA. Isso vai ajudar você a criar sistemas que entregam qualidade consistente e escalam com eficiência.

Princípios de engenharia de software para agentes de IA

Para criar agentes de IA confiáveis, você precisa aplicar princípios sólidos de engenharia de software. Esses princípios ajudam você a superar limitações de engenharia e a criar sistemas que escalam, se adaptam e entregam resultados consistentes. Engenheiros de software se concentram em projetar sistemas simples, transparentes e fáceis de manter. Você precisa priorizar esses valores ao trabalhar com sistemas de engenharia baseados em IA.

Orquestração e gerenciamento de estado

A orquestração permite dividir tarefas complexas em etapas menores. Você pode direcionar cada etapa a um agente especializado. Essa abordagem lida com a complexidade que agentes isolados não conseguem gerenciar. O gerenciamento de estado garante que os agentes lembrem informações importantes ao longo de fluxos de trabalho longos. Você precisa persistir o estado compartilhado para que os agentes possam retomar o trabalho após interrupções. Engenheiros de software usam a orquestração para isolar tarefas e melhorar a confiabilidade. Eles também criam uma trilha de auditoria natural, registrando cada ação. Isso ajuda você a investigar problemas e manter a conformidade.

Você deve monitorar o tamanho do contexto e usar sumarização para mantê-lo gerenciável. Engenheiros de software persistem apenas o estado mínimo necessário para reduzir riscos de privacidade.

Avaliação e observabilidade

A avaliação contínua é essencial para a confiabilidade dos agentes de IA. Você precisa acompanhar custos do sistema, tempos de resposta e desempenho após a implantação. Engenheiros de software usam ferramentas de observabilidade para capturar padrões de latência e consumo de recursos. Isso ajuda você a identificar problemas antes que afetem os usuários. Monitorar estados internos e decisões dá suporte à análise de causa raiz e reduz o tempo de diagnóstico. Você ganha visibilidade sobre como os agentes tomam decisões, o que é vital para gerenciar riscos e garantir a eficiência operacional.

• A avaliação contínua acompanha custos e tempos de resposta.
• A observabilidade captura latência e uso de recursos.
• O monitoramento dá suporte à governança e ao gerenciamento de riscos.
• A visibilidade sobre a tomada de decisões melhora o controle operacional.

Práticas de engenharia de software como essas ajudam você a manter sistemas estáveis e confiáveis.

Integração e escalabilidade

A integração conecta seus agentes de IA a sistemas corporativos, LLMs e APIs. Você precisa de APIs claras e interfaces bem documentadas para uma operação tranquila. Engenheiros de software se concentram em escrever código limpo, otimizar algoritmos e projetar sistemas que escalam. O Azure AI Foundry oferece uma plataforma unificada para gerenciar todo o ciclo de vida da IA. Ele dá suporte à integração perfeita com aplicações corporativas e a uma infraestrutura escalável para altos volumes de transações. Empresas como Kinectify e H&R Block usam o Azure AI Foundry para automatizar fluxos de trabalho complexos e processar dados em tempo real.

• Uma plataforma centralizada reduz os desafios de integração.
• Uma infraestrutura escalável atende às necessidades corporativas.
• O acesso baseado em API permite conectar facilmente os sistemas existentes.

Você precisa arquitetar o ambiente com modularidade e separação de responsabilidades. Essa abordagem permite adicionar ou atualizar agentes sem redesenhar toda a arquitetura do sistema. Engenheiros de software garantem que os sistemas de engenharia baseados em IA permaneçam confiáveis, adaptáveis e preparados para o crescimento futuro.

Riscos de negligenciar a engenharia em IA

Resultados não confiáveis

Quando você negligencia a engenharia nos seus projetos de IA, corre o risco de criar sistemas que produzem resultados não confiáveis. Esses sistemas costumam depender de ferramentas de codificação com IA que usam modelos estatísticos. Eles não entendem de fato as informações que processam. Em vez disso, adivinham o que é provavelmente correto com base em dados passados. Essa abordagem pode levar a falhas imprevisíveis, especialmente em situações que o sistema nunca viu antes. Você pode perceber que as etapas de chain-of-thought nesses sistemas são padrões aprendidos, não raciocínio real. Como resultado, as ferramentas de codificação com IA podem imitar inteligência, mas ainda cometer erros difíceis de prever ou explicar.

Você pode notar a perda de valor da expertise quando esses sistemas substituem profissionais qualificados, mas não conseguem igualar o julgamento deles. Isso pode reduzir a confiança na sua ferramenta de codificação com IA e diminuir a qualidade dos seus resultados.

Questões de conformidade e segurança

Negligenciar a engenharia também expõe seus sistemas a riscos de conformidade e segurança. Muitas empresas hesitam em adotar IA porque se preocupam com a governança de dados. Código proprietário ou informações sensíveis podem ser mal tratados por ferramentas de codificação com IA que não têm controles adequados. Você pode perder o controle sobre seus sistemas, que podem agir de forma imprevisível ou até tomar ações irreversíveis. Acessos com privilégios excessivos em cargas de trabalho na nuvem podem criar novos caminhos de ataque para cibercriminosos. Alguns sistemas podem até ser usados como armas em ciberataques ou para desinformação.

Quase 88% das organizações relatam incidentes de segurança ou privacidade, confirmados ou suspeitos, envolvendo agentes de IA. Na área da saúde, esse número sobe para mais de 92%. Esses números mostram como uma engenharia sólida é importante para sistemas seguros e em conformidade.

Impactos econômicos e de produtividade

Sistemas de IA não confiáveis podem causar grandes perdas econômicas e reduzir a produtividade. Quando você depende de ferramentas de codificação com IA que não têm rigor de engenharia, pode enfrentar erros custosos e trabalho manual de verificação. Em 2024, as perdas econômicas documentadas causadas por IA não confiável chegaram a US$ 67,4 bilhões. As empresas registraram queda de 22% na produtividade porque as equipes precisavam verificar e corrigir conteúdo gerado por IA. Isso não só desperdiça tempo, como também compromete a promessa de ganho de produtividade que a IA deveria entregar.

Você também pode notar a perda de valor da expertise quando sistemas automatizam tarefas sem igualar a precisão de profissionais qualificados. Isso pode levar a decisões inconsistentes e reduzir a confiança nos sistemas da sua organização. Para alcançar um ganho real de produtividade, você precisa combinar IA com engenharia sólida e dados confiáveis.

Desafios reais dos agentes de IA

Caso: agentes de IA com falhas em produção

Você pode ver muitas organizações com dificuldades quando implantam agentes de IA sem engenharia sólida. Essas falhas costumam acontecer porque as equipes dependem demais de modelos de linguagem e deixam de lado práticas importantes de software. Os desafios mais comuns incluem confiabilidade, observabilidade fraca e a perda da supervisão humana. Você pode ver esses problemas na tabela abaixo:

Você também pode enfrentar preocupações com custos, especialmente em implantações menores. Agentes com alto volume de tráfego podem sofrer com latência e problemas de confiabilidade. Sem avaliação e monitoramento robustos, você não consegue identificar problemas cedo. Em áreas de alto risco, como saúde e finanças, a dependência excessiva desses sistemas pode levar a decisões ruins. Você precisa de governança ética para manter suas operações transparentes e responsáveis.

Muitas equipes percebem que a observabilidade fraca dificulta acompanhar como os agentes tomam decisões. Essa falta de visibilidade pode levar a erros que passam despercebidos até causarem danos reais.

Caso: histórias de sucesso impulsionadas por engenharia

Você pode obter melhores resultados quando combina engenharia com IA. Empresas que adotam as melhores práticas de engenharia observam melhorias em confiabilidade, eficiência e resultados de negócio. Por exemplo, as equipes de engenharia da Synera implantam agentes em infraestrutura de nuvem escalável. Esses agentes lidam com grandes volumes de trabalho e automatizam tarefas repetitivas. Essa abordagem simplifica fluxos de trabalho e aumenta a produtividade em setores como automotivo e aeroespacial.

Você também pode considerar o Azure AI Foundry como um estudo de caso de boas práticas. A NTT DATA usou essa plataforma para criar agentes que se conectam ao Microsoft Fabric Data Agent e a outras ferramentas corporativas. Funcionários de RH e operações agora interagem com dados de forma natural, obtendo insights em tempo real e agindo com rapidez. Essa solução reduziu o tempo de lançamento ao mercado pela metade e deu a usuários não técnicos acesso fácil à inteligência corporativa.

• O Azure AI Foundry usa gerenciamento de ferramentas seguro por padrão, para uma governança de nível empresarial.
• Conectores integrados gerenciam autenticação e identidade, facilitando para as equipes de segurança controlar o acesso.
• A plataforma oferece suporte à integração com sistemas de identidade externos, ajudando você a escalar em toda a organização.

Você pode ver que abordagens orientadas pela engenharia ajudam a criar sistemas de IA confiáveis, escaláveis e seguros, que entregam valor real.

Como construir agentes de IA melhores

Equilibrando LLMs e engenharia

Você pode construir agentes de IA melhores equilibrando grandes modelos de linguagem com práticas sólidas de engenharia. Muitas equipes focam apenas no desempenho do modelo, mas você precisa combinar as duas abordagens para obter resultados confiáveis. Comece com supervisão colaborativa. Deixe os agentes de IA apoiarem o seu trabalho, mas sempre valide a saída deles. Foque na qualidade dos dados. Treine os agentes com conjuntos de dados diversos e de alta qualidade para aumentar a confiabilidade. Torne a tomada de decisão transparente para que sua equipe possa confiar no sistema. Projete os agentes para escalar conforme seus projetos crescem. Trate preocupações éticas verificando vieses e garantindo justiça.

Aqui estão cinco passos práticos que você pode seguir:

1. Use supervisão colaborativa para validar regularmente as saídas dos agentes.
2. Treine os agentes com dados diversos e de alta qualidade.
3. Torne a tomada de decisão transparente para a sua equipe.
4. Projete os agentes para escalar junto com a sua organização.
5. Trate preocupações éticas e mantenha a responsabilização.

O Azure AI Foundry ajuda você a integrar engenharia e LLMs. A plataforma oferece ferramentas para orquestração de modelos e gerenciamento do ciclo de vida. Você pode usar recursos de engenharia de prompts e modelos reutilizáveis para criar fluxos de trabalho inteligentes. O Azure AI Foundry oferece suporte à integração perfeita com sistemas corporativos por meio de APIs REST e SDKs. Isso facilita a implantação de agentes de IA em aplicações de negócio reais.

Equipes multidisciplinares

Você obtém melhores resultados quando monta equipes multidisciplinares. Essas equipes reúnem pesquisadores, clínicos, reguladores e outros especialistas. Cada membro contribui com conhecimento único, ajudando você a resolver desafios complexos. A automação de tarefas rotineiras permite que sua equipe se concentre em trabalho criativo e estratégico. O agente de raciocínio atua como auditor final, verificando e consolidando as saídas de diferentes modelos. Esse processo aumenta a transparência e a confiabilidade. Você percebe maior precisão, menos viés e maior robustez contra drift de modelo quando as equipes trabalham juntas.

• A colaboração multidisciplinar reúne conhecimentos diversos.
• A automação libera tempo para tarefas criativas e estratégicas.
• O agente de raciocínio melhora a transparência e a confiabilidade.

Boas práticas e governança

Você deve seguir as melhores práticas e modelos de governança sólidos para garantir que seus agentes de IA tenham bom desempenho e permaneçam seguros. Defina KPIs mensuráveis, como taxas de precisão e taxas de conclusão de tarefas. Desenvolva programas de gestão de mudanças para ajudar os colaboradores a entender os papéis dos agentes de IA. Crie frameworks de governança com hierarquias de decisão e protocolos de gestão de riscos. Gerencie o ciclo de vida dos agentes com processos estruturados para design, treinamento e monitoramento. Use frameworks de segurança para proteger os dados e controlar o acesso. Garanta a conformidade regulatória para evitar penalidades. Monitore o desempenho dos agentes em tempo real e prepare planos de gestão de crises para falhas ou violações de segurança. Mantenha os pipelines de dados limpos e valide a qualidade dos dados. Concentre-se em uma integração com abordagem API-first para uma comunicação fluida. Planeje a orquestração de múltiplos agentes e a alta disponibilidade. Acompanhe o comportamento dos agentes e a conformidade com sistemas de monitoramento. Gerencie o acesso com sistemas de identidade e mantenha trilhas de auditoria para solução de problemas. Pratique o desenvolvimento seguro em todo o ciclo de vida do agente.

Dica: use plataformas como o Azure AI Foundry para simplificar a integração e a governança. Você ganha acesso a ferramentas de orquestração, recursos de engenharia de prompts e opções de implantação escaláveis para a sua empresa.

Você enfrenta riscos sérios quando depende excessivamente de LLMs no desenvolvimento de agentes de IA.

Você deve combinar engenharia de software sólida com LLMs. Muitas organizações já usam plataformas como o Azure AI Foundry para criar sistemas confiáveis e escaláveis. Comece definindo KPIs claros, melhorando a qualidade dos dados e planejando a gestão de crises. Ao equilibrar engenharia e LLMs, você verá agentes de IA mais inteligentes e confiáveis moldando o futuro dos negócios.

Perguntas frequentes

Qual é o principal risco de depender excessivamente de LLMs em agentes de IA?

Você corre o risco de saídas imprevisíveis, desvio de objetivos e falta de responsabilização. A dependência excessiva de LLMs pode tornar os agentes de IA não confiáveis e inseguros para tarefas críticas de negócio.

Como a engenharia de software melhora a confiabilidade dos agentes de IA?

A engenharia adiciona estrutura por meio de orquestração, gerenciamento de estado e observabilidade. Essas práticas ajudam a controlar o comportamento da IA, acompanhar o desempenho e tratar erros de forma eficaz.

Agentes de IA podem funcionar sem supervisão humana?

Não totalmente. A supervisão humana continua essencial para identificar erros, orientar decisões e manter a confiança, especialmente em ambientes complexos ou de alto risco.

Qual é o papel do Azure AI Foundry no desenvolvimento de agentes de IA?

O Azure AI Foundry oferece ferramentas de orquestração, avaliação e governança. Ele ajuda você a criar agentes de IA escaláveis, seguros e confiáveis que se integram bem aos sistemas corporativos.

Como sistemas com múltiplos agentes afetam o desempenho e o custo da IA?

Sistemas com múltiplos agentes podem ampliar as capacidades, mas geralmente aumentam o uso de recursos e a complexidade. Sem engenharia adequada, podem desacelerar os fluxos de trabalho e elevar os custos.

Que passos posso seguir para equilibrar LLMs e engenharia nos meus projetos de IA?

Use supervisão colaborativa, foque na qualidade dos dados, projete para escalabilidade, garanta transparência e aplique uma governança sólida. A combinação desses passos leva a agentes de IA confiáveis.

🎧 Ouça este episódio

Quer uma explicação prática sobre Enterprise AI Agent Engineering com Karthikeyan VK [MVP]? Este episódio explica o tema em linguagem clara e mostra por que ele importa para Microsoft 365, Azure, Power Platform, segurança, IA e o trabalho moderno.

Para se aprofundar ainda mais nesta conversa e ouvir a visão de especialistas sobre como lidar com LLMs imprevisíveis, confira nossa entrevista completa em Enterprise AI Agent Engineering with Karthikeyan VK [MVP].

Ouça este episódio se você quiser:

• Entender os conceitos-chave por trás de Enterprise AI Agent Engineering com Karthikeyan VK [MVP]
• Ver como ele se encaixa no ecossistema de tecnologia da Microsoft
• Descobrir onde ele pode gerar valor prático para a sua organização

Você também pode gostar destes episódios relacionados do M365 FM:

• Microsoft AI Agent Runtimes: Beyond Enterprise Chatbots
• Enterprise AI Agent Fabric: Architecture Beyond Chatbots
• De dados a agentes inteligentes: como criar IA corporativa confiável com o Microsoft AI Foundry, com Shubhangi Goyal [MVP]
• Do hype de IA à Engenharia de AI Harness: criando IA em que as pessoas realmente podem confiar, com Alan Buscaglia [MVP], da Gentleman Programming
• Comunicação Agent-to-Agent (A2A) explicada de forma simples

Descubra mais conversas práticas sobre Microsoft no M365 FM.