Agentes de IA: Da Fragilidade à Plataforma Estável em Sistemas Legados

Introdução: Desvendando a Complexidade dos Sistemas Legados

Muitos dos sistemas mais cruciais do mundo – aqueles que movimentam dinheiro, reservam voos, emitem licenças e processam sinistros – são lentos, frágeis e profundamente desatualizados. Construídos há décadas e estendidos repetidamente, eles agora estão no centro de fluxos de trabalho vitais demais para serem pausados, desativados, reconstruídos ou substituídos.

Na AITY, nossas equipes treinam agentes não em interfaces idealizadas, mas em simulações de alta fidelidade desses sistemas legados. Aprender os comportamentos reais desses sistemas – as peculiaridades, atrasos, estados de erro e dependências invisíveis – possibilita um tipo diferente de inovação, uma que cresce a partir dos sistemas que temos, em vez de exigir sua substituição. Ao gerenciar as idiossincrasias dos sistemas legados nos bastidores, o agente se torna efetivamente uma API universal – uma única interface que o cliente pode usar para executar uma ampla gama de tarefas de propósito específico.

O Desafio dos Sistemas Legados que Impulsionam a Vida Cotidiana

Por trás das cenas de qualquer grande instituição – um banco, uma seguradora, um hospital, uma agência governamental – você encontrará o mesmo: uma camada invisível de trabalho humano mantendo o software unido. Pessoas sabem quais botões devem ser clicados em qual ordem, quais avisos podem ser ignorados, quais campos devem ser inseridos duas vezes e quais telas nunca devem ser atualizadas. O conhecimento institucional necessário para navegar essas excentricidades é transmitido como as tradições orais dos sistemas legados.

Grande parte da infraestrutura subjacente a esses fluxos de trabalho é mais antiga do que as pessoas que a gerenciam. A espinha dorsal do software de finanças modernas, seguros, viagens, pesquisa científica e serviços públicos tomou forma nas décadas de 1960 e 70, construída sobre arquiteturas de mainframe e escrita em linguagens como COBOL e FORTRAN – projetadas para estabilidade, e não para adaptabilidade.

Quando a web chegou, as instituições não reconstruíram. Elas "enveloparam". Formulários web alimentavam trabalhos de mainframe, middleware traduzia entradas modernas para formatos antigos, e portais empresariais se acumulavam sobre regras de negócio que nunca foram reescritas. Com o tempo, a modernização se estabeleceu em camadas: um conjunto de instruções de mainframe na base; um banco de dados dos anos 90 acima dele; um portal dos anos 2000 acima disso; e uma interface web moderna mascarando tudo por baixo. Uma única transação hoje pode passar por todas essas camadas – scripts, conectores e integrações as mantendo unidas de maneiras que ninguém entende completamente.

Tentativas de substituir esses sistemas rotineiramente param. Dependências que ninguém sabia que existiam surgem, migrações falham, orçamentos disparam e esforços de modernização do setor público colapsam sob sua própria complexidade. Esses sistemas não podem ser desativados, o que significa que as instituições devem continuar a operá-los, não importa o quão frágeis se tornem. Para a AITY, esta é uma das aplicações mais convincentes da IA agentic – navegar não as superfícies polidas de aplicativos de consumo da era da web, mas as arquiteturas profundas e lentas que mantêm as instituições funcionando.

Aprendendo o "Ruim" para Curar o "Ruim"

A parte mais difícil de treinar um agente de IA não é ensiná-lo como é um fluxo de trabalho bem-sucedido; é ensiná-lo por que os fluxos de trabalho falham. A lógica por trás dos sistemas legados se revela mais claramente através do atrito: a janela modal (obrigatória) que aparece tarde porque codifica uma regra de sequenciamento; o campo que recusa entrada até que outro valor seja salvo; o formulário que reinicia porque um trabalho de backend foi reiniciado no meio do fluxo. Esses comportamentos não são falhas. São a semântica real do sistema.

Nossos pesquisadores na AITY buscam essa fricção. Para expor modos de falha de forma segura e repetida, nós treinamos agentes em RL gyms (ambientes de aprendizado por reforço) – ambientes sintéticos projetados para reproduzir as peculiaridades, atrasos e regras de ordenação incorporadas em fluxos de trabalho reais. Isso inclui ambientes web sintéticos que simulam sistemas como agências estaduais, reservas de companhias aéreas e processamento especializado de impostos e benefícios, entre centenas de outros.

Jason Laster, um engenheiro de software de IA que trabalha em sistemas de treinamento e replay de agentes, afirma claramente: "Quero que nossos RL training gyms tenham todas as imperfeições, todos os problemas."

Isso é o que significa "aprender o ruim para curar o ruim": treinar um agente em todo o espectro do comportamento verdadeiro de um sistema, incluindo falhas, inconsistências, atrasos e todas as histórias incorporadas às quais os humanos se adaptaram silenciosamente. Ao expor os agentes à mesma "quebra" que as pessoas navegam todos os dias, a AITY os treina para ir além da correção superficial e compreender a lógica mais profunda por trás da interface.

Agentes como uma Nova Camada de Interface

Uma vez que um agente consegue navegar de forma confiável pelas idiossincrasias das interfaces legadas, algo mais interessante começa a acontecer. Pesquisadores observaram agentes inferindo não apenas o que clicar em seguida, mas o porquê – o fluxo de trabalho latente que a interface expressa. Em um ambiente simulado de aplicativo de benefícios, um agente que percebeu ter adicionado apenas um dependente conseguiu voltar, corrigir a omissão e retomar o fluxo sem reiniciar – um sinal inicial de compreensão da natureza do sistema.

Para os membros de nossa equipe, isso marca um ponto de virada arquitetônico. Muitos sistemas institucionais simplesmente não expõem APIs que reflitam como os fluxos de trabalho reais se comportam; a única expressão fiel da lógica é a própria interface. Como Laster coloca, "a UI foi projetada para ser descobertável, aprendível – mesmo que seja ruim". Quando os agentes aprendem essa camada profundamente o suficiente para prever resultados e se recuperar de falhas, eles começam a funcionar como uma espécie de API sintética – uma superfície programática estável sobre uma infraestrutura que não pode ser alterada. Essa mudança possibilita novas possibilidades arquitetônicas:

• Semântica estável sobre UIs instáveis: Agentes transformam comportamentos inconsistentes – atrasos, re-renderizações, salvamentos parciais – em padrões previsíveis.
• Abstração entre sistemas: Como o agente raciocina sobre o fluxo de trabalho em vez da aplicação, ele pode conectar sistemas que nunca foram projetados para interoperar.
• Modernização incremental: As instituições podem atualizar componentes gradualmente sem quebrar os fluxos de trabalho; o agente absorve a fragilidade transitória.
• Preservação da lógica institucional: Agentes retêm conhecimento operacional que, de outra forma, seria armazenado apenas na memória humana – regras, sequências, dependências que ninguém documentou.

Isso não é automação de fluxo de trabalho. É uma nova camada de interface para os sistemas mais antigos do mundo – um caminho de atualização que não exige que nada seja desligado.

O Impacto Prático e o Trabalho Adiante

A IA agentic não substituirá as tarefas administrativas que estruturam a vida diária – reservar férias, renovar licenças, agendar consultas médicas – mas pode ajudar a torná-las mais eficientes, permitindo a evolução de sistemas que antes eram muito frágeis para mudar.

Essa fragilidade está se tornando mais aguda. Os programadores que construíram a espinha dorsal institucional das décadas de 1960 e 70 – batch jobs em COBOL, rotinas em FORTRAN, integrações de mainframe – estão se aposentando. Poucos desenvolvedores mais jovens aprendem essas linguagens, e o conhecimento incorporado nesses sistemas se torna mais difícil de acessar a cada ano. Fluxos de trabalho críticos agora funcionam sobre softwares cujos mecanismos internos poucas pessoas entendem.

Os agentes oferecem uma forma diferente de continuidade. Ao aprender como esses sistemas se comportam – não de documentações perdidas, mas dos próprios sistemas – eles podem preservar a lógica operacional que de outra forma desapareceria. Eles podem estabilizar fluxos de trabalho sobre códigos que ninguém pode reescrever com segurança e transmitir conhecimento institucional que, de outra forma, sairia da força de trabalho.

Nesse sentido, "o trabalho adiante" é duplo. Há o trabalho técnico de construir agentes que possam atender à confiabilidade que esses ambientes exigem. E há o trabalho humano que se torna novamente possível quando as pessoas não estão mais presas em interfaces frágeis – trabalho fundamentado em julgamento, coordenação, empatia e design, em vez de memorizar qual campo deve ser inserido duas vezes.

Os agentes não reconstruirão os fundamentos do nosso mundo digital. Mas eles podem reconstruir outra coisa: nossa noção de que a inovação vem apenas da substituição. Ao transformar sistemas frágeis em plataformas estáveis, os agentes oferecem um novo modelo de progresso – um que cresce a partir do que já funciona.