O líder da API da OpenAI detalha o sucesso empresarial com o SDK Agents e a API Responses

Na conferência Transform 2025 da VentureBeat, Olivier Godement, diretor de produtos da plataforma API da OpenAI, ofereceu uma perspectiva interna sobre como as equipes empresariais estão implementando e dimensionando agentes de IA.

Em um painel exclusivo de 20 minutos que organizei com Godement, o ex-pesquisador da Stripe e atual líder da API da OpenAI detalhou as mais recentes ferramentas de desenvolvimento da empresa — a API Responses e o Agents SDK —, ao mesmo tempo em que apresentou aplicações do mundo real, medidas de segurança e exemplos de retorno sobre o investimento de usuários pioneiros, como Stripe e Box.

Para os líderes empresariais que perderam a sessão ao vivo, aqui estão as oito ideias mais importantes:

Os agentes estão passando rapidamente do protótipo para a produção

Godement destacou que 2025 representa uma mudança significativa na implantação em larga escala da IA. Com mais de um milhão de desenvolvedores ativos mensalmente em todo o mundo usando a plataforma API da OpenAI e um aumento de 700% no uso de tokens em relação ao ano anterior, a IA está avançando além do estágio experimental.

“Já se passaram cinco anos desde que lançamos o GPT-3... e a jornada desde então tem sido realmente notável.”

Ele destacou que a demanda atual vai muito além dos chatbots. “As aplicações de IA estão evoluindo de simples perguntas e respostas para casos de uso em que o agente pode realizar tarefas ativamente em seu nome.”

Essa transição levou a OpenAI a introduzir duas ferramentas importantes para desenvolvedores em março: a API Responses e o Agents SDK.

Quando usar agentes únicos vs. arquiteturas de subagentes

Um tema central foi a tomada de decisões arquitetônicas. Godement explicou que, embora os loops de agente único — que combinam acesso total à ferramenta e contexto em um único modelo — sejam elegantes em teoria, muitas vezes se mostram difíceis de implementar em escala.

“É difícil criar agentes únicos precisos e confiáveis. É realmente complicado.”

À medida que os sistemas se tornam mais complexos — com ferramentas adicionais, diversas entradas de usuários e lógica intricada — as equipes frequentemente adotam designs modulares usando subagentes especializados.

“Uma abordagem comum é dividir os agentes em vários subagentes... aplicando princípios de engenharia de software, como a separação de interesses.”

Esses subagentes operam como funções dentro de uma equipe: um agente de triagem categoriza as solicitações, os agentes de nível um gerenciam tarefas rotineiras e outros lidam com casos complexos ou incomuns.

Por que a API Responses é uma mudança radical

Godement descreveu a API Responses como um avanço fundamental nas ferramentas de desenvolvimento. Anteriormente, os desenvolvedores precisavam gerenciar manualmente sequências de chamadas de modelo. Agora, essa coordenação é feita automaticamente.

“A API Responses é indiscutivelmente a camada de abstração mais significativa que introduzimos desde o GPT-3.”

Ela permite que os desenvolvedores se concentrem na intenção, em vez de configurar fluxos de trabalho do modelo. “Seu objetivo é fornecer uma resposta excelente ao cliente... a API de respostas gerencia todo esse processo.”

A API também inclui recursos integrados para recuperação de conhecimento, pesquisa na web e chamada de funções — componentes essenciais para fluxos de trabalho de agentes empresariais do mundo real.

Observabilidade e segurança integradas

A segurança e a conformidade foram enfatizadas como considerações críticas. Godement destacou as principais salvaguardas que tornam a plataforma da OpenAI adequada para setores regulamentados, como finanças e saúde:

• Recusas baseadas em políticas
• Registro SOC-2
• Suporte à residência de dados

Ele identificou a avaliação como o principal desafio na transição da demonstração para a produção.

“Na minha opinião, a avaliação do modelo é provavelmente o maior obstáculo para a adoção generalizada da IA.”

A OpenAI agora integra ferramentas de rastreamento e avaliação na pilha de API, ajudando as equipes a definir métricas de sucesso e monitorar o desempenho do agente ao longo do tempo.

“Sem investir em avaliação... é difícil construir a confiança necessária para garantir a precisão e a confiabilidade do modelo.”

O ROI inicial é visível em funções específicas

Certas aplicações empresariais já estão mostrando benefícios mensuráveis. Godement forneceu exemplos de:

• Stripe, que usa agentes para acelerar o processamento de faturas, relatando “resolução de faturas 35% mais rápida”
• Box, que implantou assistentes de conhecimento, permitindo “triagem de tickets sem intervenção humana”

Outros casos de uso de alto impacto incluem suporte ao cliente (incluindo sistemas baseados em voz), governança interna e assistentes de conhecimento para navegar em documentação complexa.

O que é necessário para lançar em produção

Godement enfatizou a importância da iniciativa humana em implantações bem-sucedidas.

“Um pequeno grupo de indivíduos altamente motivados vê um problema e uma solução tecnológica e mergulha de cabeça.”

Esses defensores internos nem sempre têm formação técnica. O que eles têm em comum é a determinação.

“A resposta imediata deles é: ‘Como posso fazer isso funcionar?’”

A OpenAI observa que muitas implantações iniciais são impulsionadas por esse grupo — os primeiros usuários do ChatGPT em ambientes corporativos que agora estão explorando sistemas de agentes completos.

Ele também destacou um fator frequentemente esquecido: o conhecimento especializado na área. “O conhecimento essencial dentro de uma empresa... não reside nos engenheiros, mas nas equipes operacionais.”

Permitir que não desenvolvedores usem ferramentas de criação de agentes é um desafio importante que a OpenAI está trabalhando para resolver.

O que vem a seguir para os agentes empresariais

Godement ofereceu uma prévia dos próximos desenvolvimentos. A OpenAI está atualmente focada em:

• Agentes multimodais capazes de interagir por meio de texto, voz, imagens e dados estruturados
• Memória de longo prazo para reter conhecimento em todas as interações
• Orquestração entre nuvens para dar suporte a infraestruturas de TI complexas e distribuídas

Essas não são mudanças revolucionárias, mas melhorias incrementais que se baseiam nos recursos existentes. “Quando tivermos modelos capazes de processar informações em minutos ou horas, em vez de segundos, isso abrirá caminho para algumas aplicações verdadeiramente inovadoras.”

Conclusão: os modelos de raciocínio são subestimados

Godement concluiu reafirmando sua convicção de que os modelos de raciocínio — aqueles capazes de refletir antes de responder — serão os verdadeiros impulsionadores da transformação a longo prazo.

“Continuo convencido de que estamos atualmente em um estágio comparável ao GPT-2 ou GPT-3 em termos de maturidade do modelo de raciocínio... Ainda estamos apenas começando a explorar o que esses modelos podem alcançar.”

Para os líderes empresariais, a conclusão é clara: a infraestrutura para automação orientada por agentes já está disponível. O sucesso depende da identificação de casos de uso específicos, do empoderamento de equipes multifuncionais e da manutenção de uma abordagem iterativa. A próxima onda de valor não virá de demonstrações chamativas, mas de sistemas robustos moldados pelas necessidades do mundo real e pela excelência operacional.