A palestra "Não É Só Deixar na Mão dos Agentes: Orquestrando Sistemas Multiagentes com Lógica Determinística" trouxe um case concreto de como orquestrar agentes de IA sem abrir mão de controle humano no processo. O ponto de partida, segundo os slides, era um gargalo clássico: "O gargalo não começava no código. Começava no contexto." Demandas chegavam à arquitetura com escopo insuficiente, premissas dispersas, e o time técnico precisava reconstruir contexto, gerando idas e voltas.
A solução apresentada foi o Portfolio Assistant, descrito como "copiloto estratégico funcional do Upstream" e orquestrador de outros agentes dentro da camada — que na tela aparece conectado a ArchiFlow, PO Assistant e Dev Assistant, cobrindo a cadeia OKR → Iniciativa → Demanda → Tema → Épico → Issue. Segundo a apresentação, o agente "estrutura, critica e identifica gaps de produto", avalia demandas com uma nota baseada em scores e "golden exemplos", e segue um princípio anti-alucinação para não inventar dados quando falta contexto.
Na prática, o assistente conduz o PM por 12 etapas — identificação, necessidade, escopo, requisitos funcionais e não funcionais, entre outras — e gera ao final um documento em markdown que já serve de input direto para a arquitetura, sem que o PM precise montar material adicional. Quem relatou o uso no dia a dia foi uma PM do domínio Mobility Finance, convidada a subir ao palco: "O agente serve justamente para isso... ele consegue trazer como feedback e retorno os gaps que nas nossas agendas com arquitetura antes ficava talvez um pouco aberto."
Os números do piloto, apresentados como resultado de entrevistas com PMs e times envolvidos: retrabalho caiu de 67% para zero, e a clareza percebida das demandas subiu de 33% para 100%. Todos os participantes do piloto declararam intenção de continuar usando a ferramenta, e outras áreas passaram a procurar o time espontaneamente — algo que, segundo o relato, não costuma acontecer com ferramentas internas.
Um ponto reforçado várias vezes foi que a IA não substitui julgamento: "não é a ferramenta que vai dizer... quais são os gaps que realmente precisam ser endereçados", cabendo ao PM decidir o que vale a pena tratar. Entre o que funcionou, os apresentadores destacaram perguntas guiadas, padrões embutidos e feedback no momento certo; entre o que fracassou, treinamento teórico e instalação manual — resolvida depois por automação. Surpresa do processo: PMs novatos aprenderam mais rápido usando o assistente do que pelo caminho tradicional.
A apresentação fechou com cinco princípios para gerar valor com agentes sem perder responsabilidade: comece pela dor, não pelo modelo; trate contexto como parte do produto; faça a IA explicitar incerteza; mantenha decisão e responsabilidade humanas; e meça qualidade de fluxo e resultado, não apenas uso. O próximo passo citado é estender a cadeia para todo o ciclo, incluindo o planejamento de OKRs de 2027 já com o assistente incorporado.
Para quem constrói produtos e ferramentas internas de IA no Brasil, o case é um lembrete prático: ganho real não veio de "escrever mais rápido", mas de estruturar melhor a entrada antes de acelerar a saída — e de manter, deliberadamente, pontos de decisão humana no meio do fluxo automatizado.