O Agentic Enterprise Index mostra o que separa Agentforce de brinquedo de Agentforce que sustenta operação
Números agregados de fevereiro de 2025 a abril de 2026 revelam dois padrões de maturidade bem diferentes, e nenhum dos dois é sobre quantidade de agentes ativados
Salesforce publicou dados agregados de uso real do Agentforce em mais de um ano de operação. O que chama atenção não é o crescimento em volume, é a divisão clara entre indústrias que escalam agentes simples e indústrias que constroem agentes sofisticados. Arquitetura, não hype, é o que separa os dois grupos.
Todo cliente que chega para conversar sobre Agentforce parte da mesma pergunta errada: "quantos agentes eu preciso criar?". Os números que a Salesforce publicou sobre uso real da plataforma, olhando a base agregada de fevereiro de 2025 a abril de 2026, mostram por que essa pergunta é a menos interessante de todas.
O dado bruto impressiona: o número médio de agentes ativados por organização quase triplicou no período, e o tempo entre criar um agente e colocá-lo em uso caiu 53%, hoje leva em média dois dias. Isso é sinal de plataforma madura e de um builder que finalmente ficou rápido o suficiente para acompanhar ritmo de negócio. Mas volume de agentes ativados é vaidade se não vier acompanhado de trabalho real sendo feito.
AWU: a métrica que separa demo de produção
A Salesforce criou um índice chamado Agentic Work Unit (AWU), que mede uma tarefa discreta efetivamente executada por um agente, o ponto em que inteligência bruta vira ação de negócio. Esse é o número que eu olharia primeiro num diagnóstico de maturidade de cliente, muito mais do que "quantos agentes vocês têm publicados". A saída de AWU cresce a um CMGR de 15%, e isso revela um padrão de bifurcação que faz total sentido para quem já implementou Agentforce em setores diferentes.
De um lado está o modelo de alto volume e tarefa específica: varejo e travel dominam esse grupo. Varejo sozinho responde por 22% da saída mensal de AWU, com crescimento de 18x no período, mas o agente médio de varejo continua rodando com uma ou duas ações por execução. É o clássico agente de atendimento respondendo status de pedido, rastreamento, dúvida de catálogo, em volume industrial. O case da Pandora ilustra bem: a Gemma resolve 60% dos chamados de rotina em pico de demanda e ainda melhora NPS em 10%, sem tentar ser um agente genérico e complexo.
Do outro lado está o modelo versátil e multistep, típico de indústrias reguladas e operacionalmente complexas: manufatura, financial services, saúde e setor público. Aqui a métrica que importa não é volume, é o Sophistication Index, que mapeia ações de agente em cinco níveis de complexidade cognitiva, de leitura simples de registro até parsing analítico avançado e escrita transacional em banco de dados. Manufatura, financial services e HLS estão construindo redes de agentes mais avançadas do que os setores tradicionalmente vistos como early adopters de IA, como tech e varejo.
O case da Siemens é o exemplo mais claro de arquitetura bem pensada nesse segundo grupo: em vez de um agente monolítico tentando qualificar 2.800 leads inbound por semana sem contexto de orçamento, autoridade ou timeline, a solução foi quebrar o processo em workflow multiagente coordenado, um agente engajando e nutrindo o lead, outro coletando dado faltante, rodando regra de qualificação e roteando com contexto cross-divisional completo. Isso não é sobre ter mais agentes, é sobre desenhar orquestração corretamente.
Financial services aparece como o caso mais interessante do relatório justamente por não se encaixar em nenhum dos dois extremos: é um setor regulado e complexo, mas opera em escala de consumo massivo, especialmente em picos sazonais como Tax Day, com 10% da saída total de AWU e crescimento de 13x. Isso prova que complexidade regulatória e volume alto não são mutuamente exclusivos, desde que a arquitetura de governança aguente os dois ao mesmo tempo.
Skills, headless architecture e o que isso significa na prática
O agente médio hoje age sobre seis skills distintas, contra duas no início de 2025, um crescimento de 3x. Durante pico de demanda, o agente médio de varejo chega a nove skills, um salto de 350% que mostra agentes sendo escalados dinamicamente para lidar com necessidades multistep quando o volume aperta.
O ponto que mais me interessa como arquiteto está escondido no meio do relatório: a fatia de ações secundárias dos agentes, ou seja, ações fora do domínio principal para o qual o agente foi desenhado, saltou de cerca de 1% no início de 2025 para quase 6% em abril de 2026. Um agente de serviço não está mais só respondendo pergunta de suporte, ele está puxando registro de venda e oferecendo recomendação personalizada. Isso só funciona com arquitetura headless de verdade, agente desacoplado de interface de front-end, capaz de disparar workflow e executar ação em qualquer sistema subjacente. Quem ainda está pensando em Agentforce como "chatbot dentro do Experience Cloud" está desenhando a arquitetura errada desde o dia um.
O case do PenFed reforça esse ponto sob a ótica de governança: uma credit union federal, ambiente pesadamente regulado, precisou construir controle de risco robusto e supervisão jurídica cross-funcional antes de colocar agentes como Ace e Echo em produção fazendo transferência de fundo e checagem de status de empréstimo atrás de login autenticado. Sofisticação técnica sem governança não escala em setor regulado, e isso é exatamente o tipo de conversa que costuma travar projeto quando o cliente quer pular a etapa de permissionamento e trust layer para "já ver o agente funcionando".
Esses números dão munição concreta para uma conversa que todo arquiteto de Agentforce já teve: cliente quer saber se deve investir em um agente genérico e versátil ou em vários agentes especializados de alto volume. A resposta, segundo o próprio comportamento agregado do mercado, é que isso depende do perfil operacional da indústria, não de preferência de plataforma. Ignorar essa diferença na fase de discovery é o caminho mais rápido para superdimensionar ou subdimensionar a arquitetura de agentes de um cliente.
Os dados são agregados e divulgados pela própria Salesforce a partir de telemetria da plataforma Agentforce, então tratam-se de números de produto, não de pesquisa independente. Ainda assim, a metodologia (AWU e Sophistication Index) é suficientemente específica para servir como referência de benchmark setorial, com a ressalva de que ainda não há transparência pública total sobre a amostra por trás dos percentuais.
Na próxima descoberta de escopo para Agentforce, pergunte antes de tudo: o cliente está num setor de alto volume e tarefa repetitiva, ou num setor regulado com processo multistep e cross-funcional? Essa resposta muda a arquitetura inteira, do desenho de skills até a estratégia de orquestração multiagente e o nível de trust layer necessário.
Se o cliente é do segundo grupo (financeiro, saúde, manufatura, setor público), trate governança e permissionamento como parte do MVP, não como fase posterior. O case do PenFed mostra que compliance e supervisão cross-funcional vêm antes do agente ir para produção, não depois.
Cuidado com clientes que medem sucesso de Agentforce por "quantos agentes publicamos" em vez de trabalho real executado. Um agente ativado que não gera AWU relevante é sinal de mau desenho de caso de uso ou de skill mal mapeada, não de sucesso de projeto.
Outro ponto de atenção: a fatia crescente de ações secundárias cross-domínio exige que a arquitetura de dados e permissionamento por trás do agente esteja preparada para acesso multi-objeto desde o início. Se o Data Cloud e o modelo de sharing não estão alinhados com essa expansão de escopo, o agente vai esbarrar em limitação de acesso exatamente no momento em que deveria estar entregando mais valor.
Este conteúdo foi reescrito e analisado editorialmente em português a partir de informações públicas da fonte indicada.