Salesforce foi de 43% a 93% sem trocar o modelo — a alavanca que sua operação provavelmente ignora

A Salesforce publicou, em 2024, um estudo interno sobre o desempenho do Agentforce, seu agente de IA para atendimento ao cliente. O resultado inicial era medíocre: 43% das tarefas concluídas com sucesso. Após um ciclo de otimização focado em prompts, ferramentas e base de conhecimento — sem alterar o modelo de linguagem — a taxa saltou para 93%. O modelo era o mesmo. O que mudou foi tudo ao redor dele.

Esse caso inverte uma crença comum: a de que melhorar um agente de IA significa trocar de modelo ou aumentar o orçamento em infraestrutura. Na prática, a maior alavanca está na camada de contexto — as instruções, os dados disponíveis e a memória compartilhada entre agentes. Para quem quer entender como aplicar IA na empresa de forma eficaz, ou já tem automação empresarial em produção, esse mecanismo muda o ponto de partida da conversa.

Auto-melhoria por inspeção de falhas

O que a Salesforce fez, em termos operacionais, foi criar um ciclo de retroalimentação. Os agentes registravam onde falhavam — qual etapa quebrava, qual ferramenta retornava resultado inesperado, qual instrução gerava ambiguidade. Esses registros alimentavam revisões nos prompts e nas ferramentas de suporte. O modelo não foi retreinado; passou a receber instruções melhores e dados mais relevantes.

Segundo a Salesforce Research, a melhoria mais expressiva veio da integração de uma base de conhecimento compartilhada entre agentes — um repositório central que todos podiam consultar e atualizar com aprendizados de interações anteriores.

Por que a base de conhecimento compartilhada é o diferencial

Agentes isolados cometem os mesmos erros repetidamente. Quando um agente de vendas falha ao interpretar uma política de desconto, e outro agente de suporte falha pelo mesmo motivo três dias depois, a operação perde tempo e credibilidade duas vezes.

Uma base compartilhada resolve isso: o aprendizado de um agente se torna disponível para todos os outros. Em termos de gestão com IA, é o equivalente a ter um time que documenta o que funciona — em vez de cada pessoa reinventar a roda na semana seguinte.

Como replicar esse salto na sua operação

Você não precisa da escala da Salesforce para aplicar o mesmo princípio. O ponto de entrada é simples: antes de avaliar um novo modelo ou uma nova ferramenta, mapeie onde seus agentes atuais falham e por quê. Onde o agente abandona a tarefa ou entrega resultado incorreto? Qual instrução no prompt está gerando ambiguidade? Que informação ele precisaria ter acesso e não tem?

A partir dessas respostas, o ajuste é cirúrgico: refinar o prompt, adicionar contexto à base de conhecimento, corrigir a ferramenta de consulta. Operações inteligentes não são construídas com o melhor modelo disponível — são construídas com o melhor contexto disponível para o modelo que você já tem.

Usar IA versus operar IA

Na nossa análise, o caso Salesforce aponta para uma distinção importante: empresas que *usam* IA implantam e esperam resultados. Empresas que *operam* IA monitoram falhas, ajustam contexto e criam ciclos de melhoria contínua — exatamente o que qualquer boa gestão de processos já faz com equipes humanas.

Vale perguntar se a sua operação já tem um mecanismo para capturar onde os agentes falham — ou se, até agora, esses erros simplesmente desaparecem sem registro. Para quem está construindo automação empresarial com agentes em produção, esse pode ser o ponto de maior retorno disponível hoje, sem nenhum custo adicional de infraestrutura.

---

*Fonte: Salesforce Research, "Agentforce: From Zero to Production" (2024), disponível em salesforceresearch.com.*