A Merck está usando agentes de IA para reduzir em um terço os ciclos de descoberta de medicamentos e enviar materiais de advertising compatíveis até 80% mais rápido – mas o vice-presidente de plataformas digitais, Sean Finnerty, diz que a única razão pela qual está funcionando é porque eles construíram a infraestrutura primeiro.
E o fabricante farmacêutico está obtendo resultados iniciais promissores: a IA está gerando rascunhos de advertising que estão “99% corretos” no que diz respeito à conformidade, reduzindo os ciclos de revisão de meses para dias e acelerando a entrega em 70% a 80%. Enquanto isso, na pesquisa médica da empresa, um ciclo de descoberta assistida por IA foi reduzido em 33%.
Ainda assim, a IA agente só funciona se as empresas primeiro construírem o “encanamento” subjacente, disse Finnerty sobre plataformas e serviços digitais em um evento recente da AI Influence Sequence.
“Se fizermos ações pontuais, acabaremos com milhares e milhares de coisas que, em última análise, serão apenas dívidas com as quais teremos que lidar mais tarde”, disse ele. “E isso será um obstáculo para qualquer inovação futura.”
Começando pelo encanamento
A estratégia de encanamento da Merck vem das lições aprendidas durante os primeiros dias da nuvem na década de 2010, “quando ninguém sabia o que diabos estava acontecendo”, disse Finnerty.
Acertar a nuvem significou construir a partir do zero; na Merck, essa infraestrutura agora suporta 2.500 contas AWS, inúmeras assinaturas do Microsoft Azure e novas integrações do Google Cloud Platform (GCP).
“A IA será exatamente a mesma coisa”, disse Finnerty. “Teremos milhares e milhares de agentes.” As perguntas então se acumulam: como registrá-las? Como você os protege? Como você garante que eles estejam conectados às ferramentas certas e tenham acesso aos dados certos e ao contexto certo?
A entrega do contexto também é crítica; A Merck trabalha com três hiperescaladores e possui quarenta e sete pontos de presença e centenas de bancos de dados. “Muitos, muitos petabytes” de dados estruturados e não estruturados são armazenados em bancos de dados Oracle, bancos de dados SQL, planilhas Excel, transcrições telefônicas e outros repositórios, disse Finnerty.
Sua equipe está construindo estruturas para fornecer um contexto significativo em diversas situações, explicou ele. Os dados devem ser organizados e assimilados em diversas plataformas, porque “não existe uma solução única para resolver todos os problemas”. Às vezes é o Databricks, outras vezes é o Amazon Redshift, “mais quatro outras coisas”.
O objetivo é: “Vamos tornar isso fácil e sem atrito para as pessoas, e protegê-lo, e garantir que esteja bem integrado ao MCP [model context protocol]e A2A [Agent2Agent]e computação upstream “, disse Finnerty. “Se você quiser executar coisas no GCP ou na AWS, temos o encanamento pronto para que você possa executar suas cargas de trabalho adjacentes onde quiser.”
Como a Merck está usando agentes
À medida que desenvolve seu encanamento técnico, a Merck está experimentando agentes em operações empresariais regulamentadas, fluxos de trabalho de descoberta científica e modernização de aplicativos.
Notavelmente, a IA está acelerando a descoberta de medicamentos. Finnerty explicou que os cientistas analisam as estruturas moleculares e os estados de doença para determinar se uma determinada condição pode ser drogada. Mas mesmo que um estado de doença seja conhecido, o desenvolvimento de um medicamento que o atinja pode levar anos.
Agora, com a IA, as equipes estão começando a ver “coisas muito promissoras”, como a redução de um terço de um ciclo de pesquisa específico. “Isso representa um ano de folga na vida do ciclo de descoberta”, disse Finnerty. “O que significa que, teoricamente, podemos levá-lo a um paciente que precisa dessa terapia um ano mais rápido.”
Uma vez desenvolvidos e aprovados, esses produtos são regulamentados e os materiais de advertising relacionados a eles devem ser articulados de forma clara e explícita. “A maneira como você comunica essas informações por mercado, por país, por estado, por região é tudo cuidadosamente governado e regulamentado”, disse Finnerty. Também é variável: uma campanha publicitária para uma vacina no estado da Geórgia parece muito diferente daquela lançada no Canadá.
Historicamente, os humanos fizeram a devida diligência para garantir que a empresa cumprisse diversas leis. Os rascunhos dos materiais passam por iterações de revisões; quando um erro é descoberto, ele “volta ao início e passa por tudo novamente, e então leva outras semanas e meses”, disse Finnerty.
Mas agora, a IA pode fazer isso “de forma muito, muito mais eficaz”, e o processo está evoluindo cada vez mais de um ser humano no circuito para essencialmente um “humano como governador”. Com supervisão humana, a IA pode entregar um primeiro rascunho em um dia ou semana com 99% de antecedência, permitindo que as equipes enviem materiais até 80% mais rápido.
Enquanto isso, quando se trata de modernização de aplicativos, a IA pode descobrir arquitetura, documentar interações de dados, APIs, caminhos de rede e fazer verificações de autenticação e autorização; ele também pode escrever código para Terraform para implantação e refatorar JavaScript em Python.
Onde antes a empresa teria gasto semanas, meses e centenas de milhares de dólares para atualizar um aplicativo, disse Finnerty, os agentes agora estão cuidando do trabalho por meio de avisos.
Encontrando-se em “maluquice”
Isso não quer dizer que não existam desafios significativos; Finnerty observou que sua equipe enfrentou algumas “loucuras”; por exemplo, em código automatizado e teste de cenário. A IA criou cenários descaradamente, seja devido ao contexto incorreto, à infraestrutura, “ou se estava apenas sendo criativo com: ‘Você deveria testar essas três funções que nem existem no código que você está tentando testar.’”
“Isso me surpreendeu um pouco porque pensei que já havíamos superado alguns dos desafios de alucinação nesses modelos posteriores”, disse ele.
Para resolver isso, sua equipe projetou barreiras de proteção para reduzir ao mínimo as alucinações, essencialmente usando IA para supervisionar a IA e aplicando pontuações de confiança. Portanto, se Claude criou a primeira saída, eles instruirão o Microsoft Copilot a avaliá-la.
“Portanto, se você perguntar algo uma vez, pedir à IA para verificar e depois perguntar uma terceira vez, a confiança aumenta a cada vez e minimiza parte do lixo criado nas primeiras execuções”, disse Finnerty.
Casos de uso para IA agente em serviços financeiros
Enquanto isso, na Mastercard, o diretor de dados, Andrew Reiskind, e sua equipe estão concentrando a experimentação de agentes em transações altamente orquestradas e fluxos de trabalho de disputa. Como ele observou, uma disputa de estorno ou fraude não é um evento único.
Quando um consumidor contesta uma cobrança (normalmente on-line), isso “inicia todo um outro processo no back-end que tende a ser muito trabalhoso”, disse Reiskind.
A Mastercard precisa coletar detalhes sobre a disputa actual; então o comerciante tem suas próprias investigações (o cartão foi relatado como perdido ou roubado? A disputa do consumidor cobra com frequência?). Além disso, a rede intermediária tem suas próprias regras de tempo e envio de informações.
“Você tem cada uma dessas etapas, muitas das quais não são estruturadas, mas também existem elementos de dados estruturados para isso”, disse Reiskind. Se um cartão foi perdido ou roubado tende a ser estruturado, mas a reclamação do consumidor são “dados não estruturados de confiabilidade questionável”.
“Então você está diante de um sistema de decisão que tem decisões determinísticas, mas também decisões probabilísticas”, disse ele.
Esse problema pode ser acelerado e potencialmente resolvido por agentes de IA, mas pode ser um processo complexo: quais tarefas você está transferindo para os agentes? Quando eles vão devolver as coisas aos representantes humanos? Quantos agentes você está usando? Quais são as implicações de custo?
Depois, há questões e custos de reputação: você acabou de chamar um consumidor de potencialmente mentiroso quando ele não estava mentindo?
“É exatamente um problema onde você deseja, como banco, manter a confiança de seu consumidor”, disse Reiskind. “Mas você também quer tornar isso eficiente e eliminar custos do sistema.”
O erro PB&J versus peru: decide quais riscos são aceitáveis
Sempre haverá riscos com a IA, e as empresas devem avaliá-los desde o início do design do produto, disse Reiskind. Há também a questão do risco aceitável.
Por exemplo: você serviu a um cliente um sanduíche de geleia de manteiga de amendoim em vez de um sanduíche de peru (um pequeno inconveniente)? Ou você serviu glúten para alguém com doença celíaca?
“É um risco aceitável se um por cento das vezes ele comete o erro? Se for, vamos para a próxima etapa de como você está mitigando esse risco”, disse Reiskind.
Os líderes devem realizar análises de custo-benefício, dividir os problemas em suas “peças constituintes” e calcular o custo de cada uma. Mas estas são estimativas; é quase impossível prever o uso actual, disse Reiskind. “Não é um processo simples chegar ao custo”, disse ele. “Mas é factível.”
