A Intuit foi pioneira no uso de IA de agência, mas seu caminho para o sucesso dificilmente foi uma linha reta. No VB Transform 2026, o vice-presidente da AI Nhung Ho da Intuit descreveu como a empresa reconstruiu sua arquitetura de agentes duas vezes no período de cerca de quatro meses, primeiro passando de uma frota de agentes especializados para uma camada de orquestração central e, em seguida, abandonando essa camada para um sistema baseado em habilidades e ferramentas quando o próprio orquestrador começou a falhar devido à sua própria complexidade. A segunda reconstrução completa levou 60 dias, com uma primeira versão funcional em menos de 20. O modo de falha que forçou a segunda reescrita foi específico. Os agentes no sistema orquestrado transmitiam resultados uns aos outros em linguagem natural, e cada transferência perdia o contexto que o próximo agente precisava para agir corretamente. "Se você tem 10 agentes e todos eles estão passando uns para os outros, toda vez que essa passagem acontece, o erro aumenta," Ho disse. Por que a camada de orquestração quebrou Ho disse que o impulso original em direção a agentes especializados veio de uma reclamação direta de um cliente. Uma frota de agentes capazes ainda é algo que o cliente precisa gerenciar, decidindo qual agente usar para cada tarefa. A resposta da Intuit foi um sistema que pudesse pegar uma tarefa e encaminhá-la internamente, sem pedir ao cliente que escolhesse um agente. Essa camada de orquestração durou cerca de três meses, que Ho descreveu apenas meio brincando como cerca de um ano no cronograma compactado de desenvolvimento do agente em 2026. Rompeu por uma razão estrutural e não por uma questão de capacidade. Passar resultados entre agentes em linguagem natural significava que cada agente downstream tinha que inferir como o agente upstream chegou à sua conclusão, e essa inferência se degradava a cada salto adicional. Uma cadeia de dez agentes não falhava ocasionalmente; ela agravava erros de design. Esse diagnóstico foi o que levou a Intuit de volta a uma arquitetura de habilidades e ferramentas. A reconstrução de 60 dias e o que foi necessário para obter a adesão da engenharia A reconstrução de um sistema de agente de produção em 60 dias exigiu mais do que uma decisão arquitetônica. Ho disse que o problema mais difícil era interno, convencendo tanto a liderança quanto os engenheiros que construíram os agentes originais de que desmantelar o trabalho recente era a decisão certa. A proposta para a liderança baseou-se em evidências e não em argumentos. A equipe de Ho construiu uma demonstração da nova arquitetura usando consultas reais de clientes retiradas da produção e depois mostrou seu desempenho melhor do que o sistema existente nas mesmas tarefas. "A melhor prova, pelo menos na minha opinião, é o que os clientes estão tentando fazer? E qualquer sistema que você construa precisa resolver esses problemas," Ho disse. Conquistar a engenharia exigiu um caso diferente. Centenas de engenheiros fora da equipe principal de Ho construíram os agentes especializados que estavam sendo aposentados, e o pedido era separar seus agentes em habilidades e ferramentas individuais. Ho disse que o argumento motivador foi a escala. Um agente autônomo resolveu um problema restrito, enquanto uma habilidade ou ferramenta compartilhada incorporada à nova arquitetura poderia atender todos os clientes que tocassem naquela parte do produto. Essa mudança também mudou as responsabilidades diárias das equipes parceiras, mudando seu foco da construção de agentes para a execução de avaliações, uma vez que as avaliações se tornaram a única maneira de medir se a nova arquitetura estava realmente funcionando. Trazendo um ser humano para o circuito e feedback em uma escala diferente O resultado mais claro da reconstrução para o cliente é um recurso que permite que uma conversa com um agente ao vivo atraia um ser humano – embora esteja atualmente em testes iniciais, ao vivo para cerca de 1% da base de clientes da Intuit. "Iremos ampliá-lo nas próximas semanas," ela disse. Ho disse que um cliente pode trazer uma pessoa de suporte ao produto da Intuit no meio da conversa, ou seu próprio contador, ou um dos contadores da Intuit, e essa pessoa se junta ao contexto completo do que o agente já fez. Ho fez um contraste direto com a forma como a maioria dos produtos de chat de IA lidam com a mesma situação. Um assistente de uso geral que responde a uma questão fiscal geralmente termina com uma isenção de responsabilidade para consultar um profissional. O sistema da Intuit foi construído para conectar o cliente diretamente a esse profissional, dentro da mesma conversa. Essa transferência humana acompanha um modelo de permissões criado especificamente para dados financeiros. Cada ação que um agente realiza nos dados financeiros de um cliente requer primeiro permissão explícita, embora Ho tenha dito que esse requisito pode diminuir com o tempo, à medida que os clientes constroem confiança no sistema. A Intuit mantém um registro de auditoria de tudo o que um agente faz e que pode ser revertido, se necessário. Feedback na era da IA ​​agente A reconstrução também mudou a forma como a Intuit coleta e usa feedback, uma mudança que Ho disse ser qualitativamente diferente da que veio antes. "O feedback no passado costumava ser muito, muito escasso, e também era muito bimodal," Ho disse. "Ou eles adoraram ou odiaram, e geralmente tende para o negativo." Num sistema baseado em chat, cada conversa funciona como feedback, o que, segundo Ho, fez com que a empresa passasse de cerca de 0,3% dos clientes que dão feedback explícito para algo próximo de 100%. Ho disse que voltou a escrever código especificamente para construir modelos que analisam sistematicamente esse volume de feedback, procurando onde o sistema está falhando em uma escala que nenhum processo de revisão manual poderia acompanhar. Esse volume vem com um tom que a maioria das equipes de produto não está acostumada a ouvir diretamente. Os clientes informam ao agente exatamente onde ocorreu a falha, em termos simples. "Eles dizem diretamente: ‘Você

Capital One on Thursday released VulnHunter, an open-source, agentic AI security tool that scans source code for exploitable vulnerabilities, maps out how an

Moonshot AI, the Beijing-based artificial intelligence startup backed by Alibaba, on Thursday released Kimi K3 — a 2.8-trillion-parameter model that the company says

Across 101 enterprises, agent orchestration is consolidating onto model-provider platforms — Anthropic’s Claude leads by a wide margin — chosen for the gravity

1Password on Tuesday launched AI Spend and Consumption Management, a new capability embedded in its SaaS Manager platform that gives IT and finance