A ofensiva de agentes de IA da Microsoft passa da programação para as finanças
A Microsoft afirma que os agentes de IA estão transformando primeiro o trabalho de engenharia, apesar de questões ainda não resolvidas sobre confiabilidade, supervisão e efeitos sobre o emprego.
Agora, a empresa quer que o mesmo modelo se espalhe por vendas, finanças, operações e outras funções baseadas em conhecimento. Os funcionários dedicariam menos tempo à execução de etapas rotineiras por conta própria. Em vez disso, definiriam objetivos, delegariam trabalho, revisariam resultados e interviriam quando um agente atingisse seus limites.
Charles Lamanna, vice-presidente executivo da Microsoft para Copilot, Agents e Platform, descreveu essa transição em uma entrevista à Bloomberg Technology em 10 de agosto. Seu argumento vai além de outra atualização de produto do Copilot. A Microsoft está pedindo que as empresas reorganizem o trabalho em torno de pessoas que supervisionam softwares capazes de executar ações.
Essa proposta ganhou peso comercial. A Microsoft informou mais de 30 milhões de licenças pagas do Microsoft 365 Copilot em seus resultados fiscais mais recentes. Três meses antes, a empresa havia informado mais de 20 milhões, juntamente com um aumento anual de 250% nas novas licenças.
A questão em aberto é se essas licenças se transformarão em uso produtivo de agentes. Vender acesso é diferente de mudar fluxos de trabalho, medir tarefas concluídas e responsabilizar funcionários por decisões automatizadas.
O conflito central da Microsoft, portanto, é produtividade versus substituição. A empresa descreve os agentes como multiplicadores de capacidade que permitem aos funcionários buscar trabalhos de maior valor. Os empregadores também podem usar a mesma eficiência para desacelerar contratações, consolidar funções ou reduzir o quadro de pessoal.
A Microsoft está transformando o Copilot em um trabalhador
A mudança importante da Microsoft é passar de responder a perguntas dos funcionários para concluir partes delimitadas do trabalho em seu nome.
Um assistente convencional espera por um prompt e devolve texto. Um agente pode planejar várias etapas, usar ferramentas autorizadas, analisar dados corporativos e executar ações em direção a um resultado definido. Ele também pode continuar trabalhando enquanto o funcionário passa para outra tarefa.
Lamanna apresentou a engenharia de software como o exemplo inicial mais claro. Agentes de programação podem analisar um repositório, elaborar alterações, executar testes, responder a comentários de revisão e preparar um pull request. O engenheiro passa a ser responsável pela orientação, pelo julgamento técnico e pela aprovação final.
O GitHub vem adaptando seu sistema de medição a esse modelo operacional. Em julho, adicionou métricas no nível do repositório para pull requests criados, mesclados e revisados por agentes do Copilot. Isso oferece às organizações mais do que uma contagem de licenças ou total de prompts.
A métrica importa porque a adoção de agentes precisa se conectar ao trabalho concluído. Uma empresa agora pode examinar onde um agente cria pull requests, com que frequência essas alterações são mescladas e onde a revisão humana gera correções.
A Microsoft quer transferir esse padrão para departamentos menos estruturados. Um agente de vendas pode qualificar leads, reunir contexto de contas ou preparar materiais de acompanhamento. Um agente financeiro pode reconciliar registros, investigar variações ou redigir uma explicação para um revisor.
O funcionário continua responsável pela decisão de negócio. No entanto, a sequência que leva a essa decisão inclui mais execução por máquinas. Isso altera quais habilidades consomem tempo e quais falhas os gestores precisam prever.
A Microsoft segue essa rota há vários anos. Ela introduziu Copilots baseados em funções para vendas e atendimento antes de anunciar o Copilot for Finance em 2024. A atual ofensiva reúne essas experiências especializadas com agentes que podem operar em diferentes aplicações e fontes de dados.
Isso não é apenas uma interface de chat melhor. A fronteira do produto passa de gerar sugestões para participar de um processo de negócio. Cada ação adicional aumenta tanto o possível ganho de produtividade quanto o custo de um resultado incorreto.
A engenharia ofereceu à Microsoft um ponto de partida favorável. O código pode ser compilado, testado, comparado, revisado e revertido. Esses controles tornam os erros visíveis antes da implantação, quando as equipes os utilizam corretamente.
Vendas e finanças têm menos verificações universais. Um resumo de conta plausível pode omitir um relacionamento que muda a recomendação. Um lançamento financeiro tecnicamente válido ainda pode violar uma política interna ou gerar a interpretação comercial errada.
A próxima fase da ofensiva da Microsoft, portanto, depende de controles, não apenas da capacidade dos modelos. As empresas precisam de permissões, registros, regras de avaliação, caminhos de escalonamento e responsáveis humanos claros antes que os agentes possam lidar com trabalhos consequentes.
Trinta milhões de licenças elevam a aposta
O Microsoft 365 Copilot foi além de um experimento empresarial limitado, mas licenças pagas não comprovam valor de negócio consistente.
A Microsoft afirmou em seus resultados do terceiro trimestre fiscal de 2026 que o Copilot havia ultrapassado 20 milhões de licenças pagas. O número de clientes com mais de 50.000 licenças havia quadruplicado em relação ao ano anterior.
A empresa também citou implantações excepcionalmente grandes. A Accenture tinha mais de 740.000 licenças, enquanto Bayer, Johnson & Johnson, Mercedes e Roche haviam se comprometido com pelo menos 90.000 cada. Essas implementações dão à Microsoft acesso a muitos departamentos nos quais os agentes podem ser testados.
Na atualização fiscal mais recente, as licenças pagas haviam ultrapassado 30 milhões. Esse aumento dá ao argumento de Lamanna uma escala diferente. A Microsoft não precisa mais provar que grandes empregadores comprarão licenças empresariais de IA.
Ela precisa provar que os trabalhadores as utilizam em tarefas valiosas. Também precisa mostrar que as organizações podem passar da assistência pessoal para processos conduzidos por agentes sem perder o controle.
As observações do terceiro trimestre da Microsoft descrevem o contexto organizacional como a vantagem do Copilot. O Work IQ, camada de contexto da Microsoft, conecta pessoas, funções, documentos, comunicações e permissões dentro do perímetro de segurança de uma empresa.
A Microsoft afirmou que esse sistema abrangia mais de 17 exabytes de dados, crescendo 35% em relação ao ano anterior. Ele também recebe bilhões de emails, documentos e chats, além de centenas de milhões de reuniões do Teams todos os dias.
Esses números descrevem o tamanho do contexto disponível, não sua precisão ou utilidade para todas as tarefas. Mais informações podem ajudar um agente a entender uma organização. Também podem tornar mais importantes o desenho de permissões, a qualidade da recuperação de dados e a higiene dos dados.
É aí que a Microsoft pode pressionar rivais como Google, Salesforce, ServiceNow e desenvolvedores especializados de agentes. Os modelos competem cada vez mais pelo acesso ao contexto de trabalho, às ferramentas e à distribuição, não apenas pela geração de texto.
O Google pode conectar o Gemini a aplicações do Workspace e dados organizacionais. A Salesforce pode fundamentar o Agentforce em registros de clientes e fluxos de trabalho de vendas. A ServiceNow pode inserir agentes em processos estruturados de atendimento e operações.
A posição da Microsoft é excepcionalmente ampla porque muitos empregadores já usam seus produtos de identidade, produtividade, desenvolvimento, nuvem e segurança. A empresa pode inserir agentes onde os funcionários leem mensagens, participam de reuniões, criam documentos, analisam planilhas e escrevem código.
Amplitude não garante adoção. Mas reduz o número de sistemas separados que um comprador empresarial precisa conectar antes de testar um fluxo de trabalho automatizado.
O número de 30 milhões também cria pressão interna para a Microsoft. Os clientes esperarão evidências de que a implantação produz mais do que redação mais rápida de documentos. Eles buscarão resultados ligados a ciclos de vendas, prazos de fechamento financeiro, resolução de suporte, entrega de software ou outro trabalho mensurável.
Essa exigência explica a mudança do GitHub para métricas de agentes no nível do repositório. Os compradores precisam de medições semelhantes fora da engenharia. Contagens de prompts e usuários ativos não conseguem mostrar se um agente melhorou uma decisão ou apenas gerou mais material para humanos revisarem.
O salto comercial, portanto, marca o início de um período de avaliação mais difícil. A Microsoft demonstrou distribuição. Agora enfrenta o trabalho mais lento de provar valor repetível em departamentos com diferentes tolerâncias a risco.
Produtividade e quadro de pessoal são os verdadeiros adversários
A Microsoft apresenta os agentes como uma forma de ampliar a produção, enquanto os empregadores mantêm a opção de converter essa produção em menores necessidades de pessoal.
O argumento de produtividade de Lamanna segue um padrão econômico conhecido. Quando a tecnologia reduz o esforço necessário para uma tarefa, uma empresa pode produzir mais, melhorar a qualidade, reduzir custos ou combinar os três.
Isso não produz um único resultado fixo para o emprego. A demanda pode se expandir o suficiente para criar novo trabalho. As empresas também podem manter a produção constante e usar menos pessoas.
A Microsoft enfatiza a expansão. Em seu modelo, um engenheiro supervisiona várias tarefas de programação em vez de concluir uma sequência manualmente. Um vendedor passa mais tempo com clientes porque um agente cuida da pesquisa e da preparação.
Um profissional financeiro pode investigar exceções em vez de montar relatórios rotineiros. Um gestor pode testar mais cenários porque os agentes coletam informações e preparam análises iniciais.
Esses exemplos sustentam uma narrativa de capacidade. Eles não eliminam a questão da substituição. O mesmo software que libera um funcionário de trabalhos repetitivos pode permitir que um departamento absorva crescimento sem adicionar outra vaga.
A Salesforce oferece um contraponto visível. Seus líderes vincularam a produtividade da IA a contratações mais lentas em engenharia e à redução de equipes de suporte ao cliente. Isso torna mais difícil descartar a troca no emprego como uma preocupação teórica.
A própria Microsoft opera dentro da mesma tensão. A empresa promoveu economias substanciais impulsionadas por IA enquanto realizava reduções de pessoal durante seu ciclo mais amplo de investimentos em infraestrutura. Alegações de produtividade e cortes de empregos podem coexistir, mesmo quando a gestão afirma que um não causou diretamente o outro.
A distinção entre eliminar uma função e evitar uma contratação futura também importa. O uso de agentes pode não gerar um anúncio imediato de demissões. Ainda assim, pode alterar o emprego por meio de atrito, recrutamento mais restrito para cargos de entrada ou expectativas maiores de produção.
A engenharia de software novamente oferece um sinal inicial. Se engenheiros experientes supervisionam agentes que executam tarefas de implementação, as empresas podem precisar de menos desenvolvedores juniores para programação rotineira. Ao mesmo tempo, podem precisar de mais pessoas capazes de projetar sistemas, revisar mudanças complexas e gerenciar riscos de produção.
Essa transição cria um problema de treinamento. Tarefas de nível inicial tradicionalmente ajudam os funcionários a desenvolver o julgamento necessário para trabalhos seniores. Automatizar uma parcela excessiva dessa prática pode enfraquecer o futuro fluxo de talentos.
As finanças enfrentam uma questão relacionada. Analistas juniores frequentemente aprendem por meio de reconciliação, documentação e exposição repetida a registros de negócios. Delegar essas etapas pode economizar tempo, mas apenas se os empregadores criarem outra forma de desenvolver julgamento analítico.
A própria pesquisa da Microsoft de 2026 reflete essa preocupação. Usuários avançados relataram que preservam intencionalmente parte do trabalho sem IA para manter suas habilidades atualizadas. Eles também fazem pausas com mais frequência para decidir se um humano ou um agente deve executar uma tarefa.
Esse comportamento sugere que uma supervisão eficaz exige especialização ativa. Um trabalhador não consegue avaliar de forma confiável a produção de um agente depois de perder o conhecimento necessário para reconhecer um erro.
O resultado para o trabalho dependerá, portanto, das escolhas de gestão, e não apenas do software. Os líderes decidem se o tempo economizado se transforma em mais contato com clientes, mais análise, prazos menores, menos contratações ou cortes de pessoal.
Chamar a transição de produtividade não resolve essa decisão. Isso descreve uma capacidade. Os empregadores ainda determinam como o valor econômico é distribuído entre clientes, acionistas e trabalhadores.
Por que a Engenharia Vem Antes de Finanças e Vendas
Os agentes de programação avançaram primeiro porque o trabalho de software oferece ciclos de feedback que muitos processos de negócios ainda não têm.
Um agente de programação pode receber uma demanda clara, inspecionar um repositório definido e propor uma mudança auditável. Testes automatizados então verificam ao menos parte de seu trabalho. O controle de versão registra o que mudou, enquanto os revisores podem rejeitar ou reverter o resultado.
Esses mecanismos não tornam os agentes de programação confiáveis por padrão. Eles tornam os erros mais fáceis de conter. Um teste com falha, um diff inesperado ou um comentário de revisão cria um sinal visível antes que o código chegue aos usuários.
A atualização de abril do GitHub adicionou contagens diárias, semanais e mensais de usuários de agentes aos relatórios empresariais. Combinadas com métricas de pull requests, essas medidas podem conectar a adoção a um processo de entrega observável.
Finanças e vendas frequentemente dependem de julgamento que não pode ser reduzido a um único teste aprovado. A resposta correta muda conforme as políticas contábeis, os termos contratuais, o histórico do cliente, as condições de mercado e as exceções conhecidas por funcionários experientes.
Um agente que prepara uma oportunidade de venda pode recuperar mensagens e notas de reuniões. Ainda assim, ele precisa de regras para distinguir um comentário casual de um compromisso de compra. Uma inferência incorreta pode prejudicar o relacionamento com o cliente sem acionar um erro técnico.
Um agente financeiro pode comparar transações e sinalizar anomalias. Ele não deve lançar um registro sem respaldo, expor dados restritos nem tratar um pagamento incomum, mas legítimo, como fraude.
Isso torna o escopo delimitado essencial. As empresas podem começar com tarefas em que o agente prepara o trabalho e um funcionário qualificado o aprova. Uma autonomia mais ampla deve seguir uma precisão comprovada, não precedê-la.
A posição de produto da Microsoft lhe dá vários componentes necessários para esse desenho. O Entra pode gerenciar identidades e acesso. O Microsoft 365 fornece contexto de trabalho. O Copilot Studio oferece suporte a agentes personalizados, enquanto o Agent 365 pretende ajudar as organizações a registrá-los e governá-los.
A empresa também oferece suporte a agentes fora de seu próprio portfólio de modelos. Durante sua teleconferência do segundo trimestre fiscal, a Microsoft descreveu o GitHub Agent HQ como uma camada de organização para agentes de programação da Anthropic, OpenAI, Google, Cognition, xAI e outras.
Essa abordagem de plataforma reconhece que as empresas usarão múltiplos agentes. A Microsoft quer controlar a superfície de trabalho, a identidade, o contexto e a governança mesmo quando outra empresa fornece o modelo subjacente.
Isso cria uma segunda pressão competitiva. Os desenvolvedores de agentes precisam de acesso a sistemas empresariais, mas as empresas querem controles centralizados. A Microsoft pode se beneficiar tanto quando os clientes escolhem um agente próprio quanto quando conectam um agente externo por sua infraestrutura.
O mecanismo ainda depende da qualidade do conhecimento organizacional. Agentes fundamentados em documentos duplicados, procedimentos desatualizados e permissões pouco claras reproduzirão essas fraquezas em maior velocidade.
As empresas que se preparam para o trabalho baseado em agentes talvez precisem, portanto, corrigir a gestão da informação antes de buscar autonomia. Uma base de conhecimento pesquisável pode apoiar a revisão humana, bem como a recuperação por máquinas.
As melhores implementações no curto prazo provavelmente se parecerão com uma delegação disciplinada. Um funcionário define o objetivo, restringe os dados e as ferramentas, revisa evidências intermediárias e assume a responsabilidade pelo resultado.
Esse modelo é menos dramático do que um funcionário digital trabalhando sozinho. Também é mais compatível com os controles que já tornam os agentes de programação úteis.
O que os Números da Microsoft Não Comprovam
As evidências mostram distribuição rápida e uso crescente, mas não estabelecem que agentes autônomos melhorem de forma consistente a produtividade em toda a empresa.
O Work Trend Index de 2026 da Microsoft oferece detalhes úteis sobre como os funcionários usam IA. A empresa analisou sinais do Microsoft 365 e entrevistou 20.000 trabalhadores do conhecimento que já usavam IA em 10 mercados.
Uma análise que preserva a privacidade de mais de 100.000 conversas do Copilot constatou que 49% apoiavam o trabalho cognitivo. Outros 19% envolviam trabalhar com pessoas, 17% envolviam produzir trabalho e 15% envolviam encontrar informações.
A Microsoft também informou que 66% dos usuários de IA entrevistados disseram que a tecnologia lhes deu mais tempo para trabalho valioso. Cinquenta e oito por cento afirmaram que produziram trabalhos que não teriam conseguido concluir um ano antes.
Essas descobertas sustentam a afirmação de que o uso de IA vai além da redação. No entanto, a pesquisa se concentrou em pessoas que já usavam IA generativa no trabalho. Muitos resultados foram autorrelatados, em vez de medições independentes da produção organizacional.
A Microsoft explica claramente essas limitações no Work Trend Index. Suas categorias de prontidão se baseiam em comportamento relatado, confiança, cultura, apoio da gestão e criação de valor.
O relatório constatou que apenas 19% dos usuários de IA combinavam alta capacidade individual com forte prontidão organizacional. Outros 10% tinham habilidades, mas não dispunham de sistemas empresariais de apoio. Metade permaneceu em uma categoria intermediária emergente.
Apenas 26% disseram que sua liderança estava clara e consistentemente alinhada em relação à IA. Essa constatação complica a ideia de que comprar licenças do Copilot naturalmente produz uma empresa pronta para agentes.
Uma licença concede acesso à tecnologia. Ela não define quais tarefas os agentes devem executar, não resolve políticas conflitantes nem cria um processo de escalonamento. Tampouco treina gestores para avaliar de forma justa as contribuições humanas e dos agentes.
A segurança continua sendo outra restrição. Um agente com acesso a ferramentas pode fazer mais do que gerar um parágrafo impreciso. Ele pode recuperar dados sensíveis, enviar uma mensagem incorreta, modificar um registro ou acionar outro processo automatizado.
As diretrizes de design de agentes da Microsoft enfatizam confiabilidade, privacidade, segurança, transparência e responsabilização. Elas aconselham as equipes a explicar as limitações dos agentes, monitorar o comportamento e manter medidas de mitigação após a implementação.
Essa orientação mostra por que a autonomia não pode ser tratada como uma instalação única de software. Os agentes mudam à medida que mudam modelos, prompts, ferramentas, permissões e dados subjacentes. As organizações precisam de avaliação contínua, e não de uma única aprovação de lançamento.
O custo da revisão humana também merece atenção. Um agente pode produzir material mais rápido do que um funcionário consegue verificá-lo. Se a revisão se tornar um gargalo, os aparentes ganhos de automação podem deslocar o trabalho, em vez de eliminá-lo.
A supervisão também pode criar viés de automação. Os funcionários podem aceitar resultados plausíveis porque o sistema funciona na maior parte do tempo, especialmente sob pressão de prazo. Um erro raro pode então passar pelo controle projetado para detectá-lo.
Por outro lado, os funcionários podem desconfiar do agente e refazer cada tarefa. Isso produz trabalho duplicado e enfraquece o retorno esperado. Uma implementação útil fica entre a aceitação cega e a repetição completa.
O crescimento de licenças da Microsoft não pode resolver essas questões. As evidências mais fortes virão de resultados no nível das tarefas, incluindo tempo de ciclo, taxas de correção, frequência de exceções, resultados para clientes e impacto financeiro verificado.
O argumento de produtividade da empresa continua crível como direção, mas incompleto como conclusão geral. A engenharia fornece mecanismos encorajadores. Finanças e vendas ainda precisam de evidências em suas próprias condições operacionais.
Três Sinais Colocarão à Prova o Impulso da Microsoft em Agentes de IA
O próximo teste é saber se a Microsoft e seus clientes conseguem conectar a atividade dos agentes a resultados empresariais confiáveis.
O primeiro sinal é a medição no nível das tarefas além da engenharia. O GitHub já informa atividade de pull requests criados e revisados por agentes por repositório. A Microsoft precisa de medidas de resultados comparáveis para fluxos de trabalho de vendas, finanças e atendimento.
Em vendas, evidências úteis conectariam o trabalho dos agentes a oportunidades qualificadas, tempos de resposta, conversão e taxas de correção. Em finanças, mediriam a duração do fechamento, a resolução de exceções, recomendações rejeitadas e constatações de auditoria.
Se a Microsoft expuser medidas operacionais críveis, seu argumento de produtividade se fortalecerá. Se os relatórios continuarem centrados em licenças, prompts e usuários ativos, os compradores terão dificuldade para separar adoção de valor para o negócio.
O segundo sinal é a relação entre o crescimento do Copilot e o planejamento da força de trabalho. Investidores e funcionários acompanharão contratações, rotatividade, reorganizações e expectativas de produção nos departamentos que adotam agentes.
Um padrão de expansão da produção com emprego estável sustentaria o argumento de capacidade da Microsoft. Reduções repetidas de pessoal vinculadas à automação fortaleceriam a interpretação de substituição, independentemente de como os fornecedores descrevam a tecnologia.
A distinção pode continuar difícil de provar. As empresas raramente isolam uma única causa ao ajustar o quadro de pessoal. Ainda assim, os compradores podem divulgar se o tempo economizado financia novo trabalho, absorve crescimento ou reduz as necessidades de mão de obra.
O terceiro sinal é a governança sob autonomia real. Registros de agentes, limites de permissão, logs de auditoria e aprovações humanas precisam funcionar entre agentes próprios e externos. Uma falha grave de acesso ou ação desaceleraria a implementação em funções regulamentadas.
A estratégia da Microsoft se fortalece se as empresas ampliarem as permissões dos agentes enquanto mantêm baixas taxas de erro e incidentes. Ela enfraquece se a maioria das implementações permanecer limitada à redação porque as organizações não conseguem confiar em ações autônomas.
Os compradores também devem observar como os concorrentes respondem. O Google pode usar a distribuição do Workspace, a Salesforce pode usar dados de clientes e a ServiceNow pode usar processos operacionais estruturados. Cada uma tem uma rota diferente para o trabalho empresarial com agentes.
A Microsoft não precisa fornecer todos os modelos vencedores. Seu objetivo maior é se tornar a camada operacional que conecta agentes a identidades, conhecimento empresarial, aplicações e controles.
Essa ambição explica o caminho da programação às finanças. A engenharia ofereceu tarefas mensuráveis e sistemas de revisão estabelecidos. A Microsoft agora quer provar que a supervisão humana pode tornar os agentes confiáveis em trabalhos menos determinísticos.
Os 30 milhões de licenças pagas fornecem um amplo campo de testes, não um veredito final. O número decisivo não será quantos funcionários recebem o Copilot. Será quantos fluxos de trabalho confiáveis produzem melhores resultados sem ocultar revisão adicional, risco ou trabalho deslocado.
Para desenvolvedores, equipes financeiras, líderes de vendas e compradores empresariais, a ação imediata é escolher um processo mensurável antes de ampliar o acesso. Defina o resultado esperado, os dados autorizados, o responsável pela revisão, o limite de falha e o caminho de escalonamento. Em seguida, compare o processo assistido por agente com o fluxo de trabalho existente. O impulso da Microsoft em agentes de IA terá sucesso quando essa comparação sustentar uma delegação mais ampla, e não quando outra licença aparecer no painel de um administrador.
