Passei mais de 25 anos em tecnologia, o que significa que raramente me surpreendo com novas tecnologias — costumo vê-las de perto antes do público. Como líder de TI, nunca avalio uma nova funcionalidade isoladamente; sempre a avalio em relação a casos de uso empresariais reais e aos riscos associados. Hoje em dia, digo às pessoas que ser CIO na era da IA significa desempenhar dois papéis ao mesmo tempo: o engenheiro que reforça a barragem e o operador que, mesmo assim, precisa abrir as comportas.
Esta semana, o MongoDB anunciou a prévia pública do Atlas Agent Engine, e estou muito empolgado com o que ele promete para os clientes. O Atlas Agent Engine oferece uma maneira segura de criar, implantar e governar agentes de IA em produção. Como possui memória e recuperação integradas, o Atlas Agent Engine indexa dados corporativos onde eles residem e fornece contexto preciso em tempo real, melhorando a precisão e reduzindo os custos de tokens. Ele também é aberto e flexível por design, o que significa que as equipes podem criar com o LLM e o framework de sua escolha (e em breve em qualquer ambiente de sua escolha).
Os clientes já estão entusiasmados com o que o Atlas Agent Engine promete para seus negócios. Por exemplo, a Paysafe usa o MongoDB Atlas para potencializar um sistema agêntico para queries de linguagem natural para SQL sobre dados transacionais — o primeiro em uma série de pipelines de fluxo de trabalho reutilizáveis que a Paysafe planeja criar como modelos para futuros casos de uso.
Hoje, a configuração de Snowflake MCP da empresa oferece aos clientes da API apenas uma compreensão limitada do esquema de dados subjacente. A arquitetura de documentos flexível e a escalabilidade confiável do MongoDB Atlas oferecem suporte a um agente projetado para substituir essa configuração por um pipeline mais avançado e reutilizável que os clientes da API podem consultar diretamente em linguagem natural.
“Investigar atividades incomuns em nossa rede de pagamentos atualmente significa que nossos analistas precisam unir dados de vários sistemas manualmente, geralmente sob pressão de tempo”, diz Jana Janarthanan, vice-presidente sênior de engenharia de pagamentos da Paysafe. “Estamos entusiasmados com o potencial de um agente inteligente, criado com base no Atlas Agent Engine do MongoDB, para reduzir o tempo entre o surgimento de um problema e a ação de nossa equipe, dando aos nossos analistas mais tempo para se concentrarem nas decisões que mais exigem discernimento.”
Quando a equipe do MongoDB me mostrou o Atlas Agent Engine pela primeira vez, a frase "seguro e governado por design" chamou imediatamente minha atenção. Porque se tem algo que me tira o sono, é pensar em agentes fora de controle nos sistemas do MongoDB (ou dos nossos clientes).
A governança de agentes não é apenas uma preocupação minha. Está nas notícias e é algo com o qual os CIOs de todo o setor estão lidando. Cada conversa que tenho com meus colegas reforça a mesma coisa: a demanda por agentes em toda a empresa continua crescendo, mas os líderes de TI precisam de uma maneira de implantá-los com segurança, não apenas com rapidez.
No fundo, trata-se de uma questão de centralização versus descentralização. Os desenvolvedores querem autonomia para disponibilizar agentes rapidamente com o mínimo de atrito; os líderes de TI querem controle centralizado, visibilidade e mecanismos de otimização de custos à medida que os agentes operam em escala. As organizações que conseguirem isso construirão uma arquitetura que ofereça ambos.
O software está se tornando cada vez mais headless e orientado a agentes, e os CIOs precisam de opções agora. Em outras palavras, o futuro está aqui e nosso trabalho é moldá-lo com responsabilidade.
Cliente zero: Nossa estratégia interna de IA em ação
Uma das formas de fazermos isso no MongoDB é atuando como “cliente zero” dos nossos produtos. A indústria tem vários nomes diferentes para essa prática—“dogfooding” e “beber o próprio champagne” são dois deles—mas o significado é o mesmo. Antes de lançar um produto, atuamos como nossos próprios clientes para testar o software em produção, usando casos de uso e situações do mundo real.
Por exemplo, quando a empresa lançou o MongoDB 8.0 em 2024, meu colega Jim Scharf escreveu uma publicação no blog sobre o quanto o 8.0 melhorou o desempenho da equipe.
Com o Atlas Agent Engine, nosso dogfooding assumiu a forma de Holly: um workspace de agentes unificado que oferece à equipe de vendas do MongoDB um único lugar para tudo de que precisa, em vez de sete. Antes de Holly, preparar uma única conta significava alternar entre sete ferramentas desconectadas, nenhuma compartilhando contexto com as outras, o que consumia de 4 a 6 horas por conta, por ciclo de negociação, apenas com o custo operacional das ferramentas. Holly coloca um fim nisso. Sete ferramentas se tornam uma única experiência agêntica, e os representantes recuperam esse tempo para dedicá-lo ao que importa: os clientes.
Holly: reduzindo horas de trabalho a minutos
As equipes de GTM do MongoDB seguem uma metodologia padronizada, passo a passo, para entender o estado atual do cliente, seus objetivos e o que será necessário para levá-los até lá. Os representantes chamam isso de "raio" e não é rápido; o executivo de contas estratégicas da MongoDB, Jack Bunkenburg, diz que esses raios consomem um ou dois dias de sua semana, todas as semanas.
O problema era o conjunto de ferramentas, não o processo. Os representantes precisavam de uma ferramenta que entendesse todo o corpus de dados de que extraem informações e de uma ferramenta que transferisse a memória entre sistemas que nunca tinham se comunicado antes.
Sem isso, trabalhar em uma conta em sete ferramentas diferentes é um pouco como consultar sete especialistas para uma única condição - e nenhum deles conseguir ver o que os outros descobriram. Cada consulta começa do zero: você reexplica seus sintomas, seu histórico e o que o último médico já havia descoberto. Cada especialista pode ser excelente. Mas o sistema ainda falha com você, porque o contexto nunca viaja. Apenas você viaja.
Antes de criar qualquer coisa, a equipe observou como o trabalho realmente acontecia, e a realidade na prática era, nas palavras de Bunkenburg, “bem mais complicada” do que o processo no papel. A pesquisa de contas por si só significava lidar com várias ferramentas de IA (ChatGPT, Claude, Gemini) que não compartilhavam contexto entre si ou com os sistemas do MongoDB, além de retornarem respostas genéricas e padronizadas. Encontrar evidências também era um processo manual. O mesmo valia para filtrar os resultados até chegar ao que realmente importava.
Holly resolve isso: oferece o contexto compartilhado que as outras ferramentas nunca tiveram. Uma interface única, sem alternância de ferramentas, que reúne tudo o que um vendedor precisa para pesquisar, preparar e executar. Nos bastidores, o Atlas Agent Engine faz o trabalho pesado: runtime, segurança, identidade, orquestração, estado, observabilidade e gerenciamento do ciclo de vida, para que os agentes da Holly operem em produção, e não apenas em uma demonstração.
Figura 1. Arquitetura de agente de Holly.
Na prática, isso significa que a Holly faz a curadoria e resume as transcrições das reuniões, redige briefs, identifica as perguntas que o representante ainda não respondeu e ajuda a redigir mensagens de prospecção. O resultado: representantes que usam a Holly reduziram em cerca de 95% o tempo necessário para pesquisar e criar uma lista de prospecção ativa, e a preparação que antes levava horas agora leva minutos. Isso significa que os representantes chegam a cada conversa mais bem preparados, e não apenas com mais agilidade.
“Antes da Holly, eu usava uma dúzia de ferramentas diferentes para fazer pesquisas e prospecção, então ter tudo em uma única interface tem agregado muito valor”, diz Bunkenburg. “Muitas ferramentas não entendem o negócio da MongoDB ou exatamente o que estamos tentando fazer com elas, mas a Holly entende.”
A plataforma de dados inteligente para a era da IA
No futuro, a visão é que a Holly se torne uma camada de inteligência totalmente integrada que entenda profundamente o MongoDB, nossos clientes e contas individuais — ajudando toda a organização de GTM a executar fluxos de trabalho de ponta a ponta com mais eficácia.
A parte que mais me entusiasma é o que está nos bastidores da própria Holly. A Holly opera com cerca de 30 agentes hoje, todos baseados na mesma arquitetura do Atlas Agent Engine. Essa arquitetura não fica mais instável conforme você adiciona agentes a ela; foi projetada para dar conta tanto de 30 quanto de 3.000 agentes. Não criamos apenas uma ferramenta para a nossa equipe de GTM. Validamos um modelo que escala com segurança a cada novo agente que uma organização adiciona, em vez de acumular riscos a cada um deles.
Essa é a mudança que o Atlas Agent Engine representa: deixar para trás agentes pontuais e avançar para uma plataforma reutilizável e com governança, que não fica vinculada a uma única nuvem, modelo ou framework. É a diferença entre esperar que seus agentes se comportem como esperado e saber que isso vai acontecer, não importa quantos estejam em execução.
O lançamento do Atlas Agent Engine é um dos três grandes anúncios feitos pelo MongoDB esta semana, juntamente com o MongoDB 9.0 e o Atlas Infinite. Os lançamentos se complementam: o MongoDB 9.0 fortalece a base na qual cada cliente do MongoDB já opera, o Atlas Infinite remove os limites de como essa base pode escalar e o Atlas Agent Engine coloca os agentes de IA para trabalhar sobre os dois, com governança e fundamentados em dados em tempo real.
Os desenvolvedores sempre escolheram o MongoDB porque seu modelo de documentos se ajusta ao formato natural dos dados da aplicação e à forma como os sistemas de IA representam e trocam informações. Isso torna as aplicações mais rápidas de desenvolver e mais fáceis de adaptar. As empresas escolhem cada vez mais o MongoDB porque ele combina essa adequação natural com dados operacionais em tempo real, escala elástica e liberdade para operar em qualquer lugar, além de, agora, uma plataforma criada especificamente para a era agêntica.
Uma única plataforma. Qualquer número de agentes. Crie, implante e execute-os onde seus dados já estão — com a plataforma de dados inteligente do MongoDB.
Próximos passos
Para aprender mais sobre como o Atlas Agent Engine pode ajudá-lo a criar, implantar e governar agentes em produção, confira nosso anúncio oficial ou a página do Atlas Agent Engine.
Comece a usar esses novos funcionalidades hoje mesmo em mongodb.com/atlas. E para criar as habilidades para transferir agentes de IA do protótipo para a produção, explore os novos Skill Badges do MongoDB em governança, observabilidade e avaliação de plataforma agente.