A Bayer Crop Science colocou em produção uma plataforma de agentes de IA para responder a perguntas sobre centenas de fluxos analíticos usados em melhoramento agrícola. O Agentic Decision Engine (ADE) não substitui os sistemas que executam modelos e experimentos: ele funciona como uma camada de consulta em linguagem natural sobre dados operacionais, documentação, telemetria e APIs. Segundo o relato técnico publicado em 23 de outubro de 2026, a primeira fase resolve cerca de 80% das dúvidas dos usuários sem a intervenção de um engenheiro.
O caso é relevante porque mostra onde projetos de agentes corporativos normalmente deixam de ser apenas uma demonstração de chat: persistência de estado, identidade, escopo de ferramentas, observabilidade, custo e controle de acesso. A arquitetura foi descrita pela própria Bayer e pela AWS; os resultados devem, portanto, ser lidos como um estudo de caso de fornecedor e cliente, não como benchmark independente.
O problema: dados científicos existem, mas o contexto está espalhado
O Connected Decision Engine (CDE) da Bayer reúne fluxos de machine learning para dados de genômica, testes de campo, imagens, condições ambientais e saídas de modelos. A plataforma permite que diferentes equipes executem análises com histórico e controles operacionais. Ainda assim, entender por que um fluxo falhou, qual modelo foi usado ou de onde veio um resultado exigia navegar por APIs, dashboards, documentação, bancos de metadados e logs.
O ADE foi criado para reduzir essa fricção. Um agente supervisor recebe a pergunta, identifica o domínio e encaminha a solicitação a um agente especializado. Esse agente consulta a fonte apropriada — por exemplo, uma base RAG, uma API operacional ou a telemetria — e devolve a resposta ao supervisor. Em vez de pedir a uma pessoa que descubra em qual sistema procurar, a interface concentra a investigação em uma conversa com rastreabilidade técnica.
Como a arquitetura foi dividida
A Bayer descreve quatro camadas: interface do usuário, orquestração, agentes especialistas e ferramentas/fontes de dados. A interface web em React autentica usuários por meio do Microsoft Entra ID. A orquestração usa LangGraph e é hospedada no runtime do Amazon Bedrock AgentCore; o supervisor decide qual especialista deve atuar e combina respostas quando a pergunta atravessa domínios.
O restante da arquitetura separa responsabilidades. O DynamoDB armazena checkpoints do LangGraph; Aurora PostgreSQL guarda sessões, feedback e dados analíticos; ElastiCache mantém respostas temporárias. Conteúdo de domínio fica no Amazon S3, é transformado em embeddings pelo Amazon Titan Text Embeddings V2 e pesquisado em OpenSearch Serverless. CloudWatch recebe a telemetria. Já o AgentCore Gateway expõe APIs de back-end como ferramentas MCP e mantém autenticação e autorização fora do código do agente.
O ADE opera 22 agentes especializados em produção. Entre eles há agentes para explicações conceituais, consulta de status de fluxos, diagnóstico de incidentes e geração ou recuperação de visualizações. A Bayer também descreve um padrão chamado Models as Skill: código e documentação de modelos são convertidos em definições de habilidades num registro central, para que a resposta sobre um modelo específico dependa de sua implementação documentada, e não apenas do conhecimento geral do modelo de linguagem.
Cinco decisões que transformam um agente em sistema operacional
1. Persistir o estado fora do runtime
Sessões isoladas ajudam a executar uma conversa, mas não são armazenamento durável para fluxos longos. Por isso, os checkpoints do LangGraph são gravados no DynamoDB. A consequência prática é que uma execução pode retomar após reinício, escalonamento ou mudança de sessão sem depender de um único processo continuar ativo.
2. Tratar identidade como uma cadeia de fronteiras
O caso separa três camadas que frequentemente são confundidas: identidade da pessoa usuária, identidade do agente/serviço e autorização da ferramenta de destino. O Entra ID identifica a pessoa; o IAM autoriza chamadas entre serviços AWS; e o gateway lida com o acesso a APIs posteriores. A lição não é usar uma tecnologia específica, mas documentar emissor, audiência, escopos, atributos e tempo de vida da credencial em cada transição. Reutilizar o mesmo token em toda a cadeia pode ampliar privilégios e produzir falhas difíceis de diagnosticar.
3. Avaliar o modelo como contrato de interface
A equipe relata que testou uma versão mais nova de modelo com modo de raciocínio, mas manteve a versão anterior no lançamento porque a combinação necessária de uso de ferramentas e saída estruturada não era compatível com a implementação. Em sistemas agentivos, a seleção não pode se resumir a “modelo mais novo”: tool calling, JSON estruturado, streaming, latência, cotas e semântica de requisição fazem parte do contrato.
4. Limitar o catálogo de ferramentas
O CDE controla mais de 500 configurações de modelos. Criar um servidor MCP por API teria elevado a sobrecarga de operação. A alternativa foi registrar especificações OpenAPI no gateway, que as transforma em ferramentas MCP. Mas há outro ponto importante: descrições e esquemas de ferramentas também consomem tokens e ampliam o espaço de decisão do modelo. Por isso, o ADE entrega a cada agente apenas as ferramentas do seu domínio e recorre à busca semântica de ferramentas quando o catálogo cresce.
5. Promover capacidades complexas de ferramenta a agente
A visualização começou como uma ferramenta, mas passou a exigir consulta de dados, seleção de gráfico, novas tentativas, tratamento de erro e decisão entre gerar um gráfico ou abrir um dashboard existente. A Bayer a transformou em agente especializado. É uma distinção útil: uma ferramenta executa uma operação delimitada; uma capacidade que passa a ter planejamento, estado, política e apresentação tende a precisar de uma unidade agentiva própria.
O que medir: falha de tarefa, custo por interação e menor privilégio
Um dos aspectos mais úteis do caso é a observabilidade. Uma cadeia com supervisor, especialistas e ferramentas pode devolver uma resposta errada mesmo que todas as requisições HTTP tenham retornado sucesso. A equipe adicionou métricas específicas para erros de ferramenta, limitação de taxa, timeouts de modelo e falhas de validação de saída estruturada. Essa distinção entre sucesso de transporte e sucesso da tarefa é essencial para evitar painéis “verdes” enquanto usuários recebem respostas incompletas.
A atribuição de custo também foi construída em camadas: perfis de inferência para despesas do aplicativo, metadados e logs para associar tokens a agente, recurso ou requisição, e identidade IAM para acrescentar outra dimensão de rastreio. A Bayer afirma que os agentes de visualização e operação foram os maiores consumidores de tokens por dependerem de várias chamadas de ferramentas. Para prompts estáveis compatíveis, o cache do prefixo reduziu o custo de tokens de entrada em 20% a 30%, segundo o estudo de caso.
Nos controles de segurança, os agentes recebem permissões de menor privilégio e acesso somente leitura às fontes necessárias. O agente de troubleshooting, por exemplo, pode consultar dados operacionais sem alterar fluxos. As respostas devem ser validadas estruturalmente e fundamentadas nos dados recuperados, em vez de depender de geração aberta.
Impacto prático para empresas brasileiras
O desenho não depende exclusivamente do agronegócio. Empresas brasileiras com operações distribuídas — cooperativas, indústrias, bancos, seguradoras, redes de saúde e equipes de logística — convivem com o mesmo problema: informação operacional existe, mas está fragmentada entre sistemas e depende de especialistas para ser interpretada. Um agente sobre APIs, documentação e telemetria pode reduzir o tempo de investigação, desde que não receba poder de alteração por padrão.
O ponto de partida mais seguro não é um agente que “faz tudo”, mas uma interface de diagnóstico com escopo definido: responder por que uma execução falhou, localizar evidências, explicar resultados e citar a fonte interna de cada afirmação. A automação de ações deve vir depois de testes de autorização, avaliação de qualidade e procedimentos de reversão.
Limitações e o que ainda não foi demonstrado
Os números divulgados são da Bayer e da AWS, sem metodologia pública completa para medir os 80% de perguntas resolvidas ou a redução de tempo. O relato também não compara o ADE com outros produtos de mercado, nem divulga custo total de operação, taxa de erro factual ou resultados de testes adversariais. Além disso, o acesso a dados científicos e produtivos em agricultura é sensível: a qualidade de uma resposta depende de governança de dados, atualização das fontes e controles de identidade que não aparecem integralmente em uma arquitetura resumida.
Análise do NoticIA
O valor do caso está menos no uso de um modelo ou de um framework específico e mais na disciplina arquitetural. A maior parte do trabalho de um agente corporativo confiável acontece fora do prompt: definir quem pode chamar cada ferramenta, preservar o estado certo, observar a tarefa inteira e calcular o custo por resposta. Para organizações brasileiras, essa é uma mensagem mais útil do que a promessa de substituir especialistas: agentes podem encurtar o caminho até a evidência, mas ainda precisam de dados confiáveis, permissões mínimas e responsáveis humanos para decisões de alto impacto.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
