NVIDIA e ServiceNow anunciam agentes autônomos de IA

Introdução

Agentes autônomos de IA saem do laboratório e chegam ao trabalho real com a união de NVIDIA e ServiceNow, anunciada em 5 de maio de 2026 durante o Knowledge 2026. A parceria foca em governança, eficiência e segurança, conectando o desktop do colaborador à AI Factory no data center, um passo crucial para escalar agentes autônomos de IA em empresas.

A palavra-chave aqui é agentes autônomos de IA. Em vez de protótipos isolados, o anúncio traz componentes concretos, como o runtime seguro NVIDIA OpenShell, o ServiceNow AI Control Tower e a integração ao design validado da NVIDIA Enterprise AI Factory. Juntos, esses blocos prometem agentes que atuam com contexto empresarial, trilhas de auditoria e custos por token competitivos, reduzindo o atrito entre inovação e conformidade.

O que muda com a parceria NVIDIA e ServiceNow

A colaboração estende agentes autônomos por toda a pilha, do desktop ao data center. No palco do Knowledge 2026, Jensen Huang e Bill McDermott destacaram que o foco agora não é só gerar ou raciocinar, é agir com contexto e controle. O acordo integra habilidades de agentes, modelos abertos, execução segura e governança centralizada, fazendo os agentes conversarem com dados, processos e políticas já existentes no ServiceNow.

Três movimentos sustentam essa virada. Primeiro, o Project Arc, o agente autônomo de desktop da ServiceNow. Segundo, o OpenShell, camada de execução que cerca as ações do agente com sandbox, políticas e roteamento de inferência privado. Terceiro, a inclusão do AI Control Tower no design validado da NVIDIA Enterprise AI Factory, permitindo observabilidade e governança desde o endpoint até a infraestrutura de IA em larga escala.

![Agentes autônomos, do desktop ao data center]

Project Arc, exemplos práticos no desktop

Project Arc nasce como um agente autônomo de longa duração instalado no desktop, voltado a desenvolvedores, equipes de TI e administradores. Em termos práticos, Arc pode abrir terminais, manipular arquivos locais, interagir com aplicativos e executar tarefas multietapas, sempre vinculado às políticas de TI. Isso cobre casos como correção de incidentes em estações remotas, execução de scripts de remediação, preparação de ambientes de desenvolvimento e atualizações operacionais que, antes, exigiam intervenção manual extensa.

O diferencial não está só nas ações, está na governança ponta a ponta. Cada ação do Arc roda dentro do OpenShell, que aplica isolamento tipo navegador, registro detalhado de decisões de permitir ou negar, e políticas programáveis que definem o que o agente pode ver, onde pode executar e como pode usar a rede. O AI Control Tower monitora e audita cada leitura de arquivo, comando e chamada de API, criando um trilho de conformidade que os líderes de segurança podem inspecionar e aprovar.

OpenShell, segurança e privacidade por padrão

OpenShell posiciona-se como o runtime de referência para agentes autônomos. A premissa é simples e potente, reduzir a superfície de risco sem amputar a autonomia do agente. Em vez de confiar no autocontrole do modelo, a execução acontece em sandboxes programáveis, com verificação granular de permissões, trilhas de auditoria forense e um roteador de inferência privado que mantém contexto sensível no dispositivo e só encaminha para modelos externos quando as regras de custo e privacidade autorizam.

Esse design atende uma exigência recorrente nas empresas, a pergunta deixou de ser se o agente consegue, e passou a ser se o agente pode. Ao amarrar cada ação a políticas explícitas, equipes de segurança ganham um mecanismo para aprovar mudanças, bloquear binários não verificados e controlar chamadas de rede, sem impedir que o agente aprenda novas habilidades ou instale pacotes quando isso estiver permitido. Em operação, é o tipo de arquitetura que reduz incidentes e acelera homologação.

AI Control Tower e AI Factory, governança de ponta a ponta

Conectar o AI Control Tower ao design validado da Enterprise AI Factory entrega uma camada única de governança para cargas de trabalho de modelos e agentes em grande escala. Na prática, a organização descobre seu inventário de modelos e agentes, observa comportamento em tempo real, aplica controles de risco e regulações, e mede valor e custo, inclusive com conteúdo regulatório ampliado e mapas de acesso por provedores de nuvem. Isso diminui o fosso entre o que a TI precisa controlar e o que as áreas de negócio querem acelerar.

Para quem gerencia operações complexas, essa integração fecha o ciclo do endpoint à infraestrutura. O mesmo painel que governa o que o agente faz no desktop enxerga o que acontece no cluster Blackwell no data center, permitindo observar latência, custo, gargalos de agentes e aderência a políticas, além de automatizar remediações quando necessário. É o tipo de alinhamento que transforma pilotos pontuais em operações estáveis.

![Governança centralizada para agentes e modelos]

Eficiência, tokenomics e a arquitetura Blackwell

Agentes autônomos sempre ligados exigem eficiência de ponta a ponta, do aproveitamento por watt à redução do custo por milhão de tokens. Segundo a NVIDIA, a plataforma Blackwell entrega ganhos de throughput por megawatt que mudam a conta do ROI em inferência, com reduções expressivas de custo por token quando comparada à geração Hopper. Esses números, somados a melhorias de software como decodificação especulativa e orquestração de MoE, estabelecem a base econômica para escalar agentes em milhões de fluxos de trabalho.

Para o time financeiro, essa curva de eficiência se traduz em metas tangíveis. Menor custo por token, maior produção de tokens por megawatt e aproveitamento superior em cargas de raciocínio longo reduzem o custo marginal de automação e ampliam a fronteira de casos viáveis. Em comunicações recentes, a NVIDIA também relaciona Blackwell a reduções de custo por token em dois dígitos, reforçando o argumento de que a infraestrutura certa paga o investimento com ganho de produtividade de agentes em escala.

Benchmarks realistas, do EnterpriseOps-Gym ao NOWAI-Bench

Métricas importam, mas benchmarks genéricos escondem o desafio real dos fluxos corporativos multietapas. O NOWAI-Bench, iniciativa conjunta que inclui o EnterpriseOps-Gym e o EVA-Bench, ataca o problema com avaliações em ambientes containerizados, 1.150 tarefas curadas e verificação de resultado via SQL. O foco é raciocínio de longo horizonte, estado persistente e respeito a políticas, exatamente onde agentes tendem a tropeçar.

Resultados iniciais do EnterpriseOps-Gym mostram que até modelos de ponta ainda falham com frequência em cenários longos e governados, e que fornecer planos humanos de referência eleva a taxa de sucesso, isolando a lacuna de planejamento estratégico. Para líderes técnicos, esses dados orientam trilhas de melhoria prática, desde engenharia de prompts e decomposição de tarefas até a escolha de habilidades do agente e avaliações automáticas integradas à esteira de MLOps.

Habilidades de agente, modelos abertos e o Blueprint AI-Q

A parceria avança um ecossistema aberto de habilidades e modelos. O NVIDIA Agent Toolkit, a família Nemotron aberta, e o Blueprint AI-Q dão aos times blocos prontos para criar agentes especializados e auditáveis, com orquestração baseada em LangGraph, avaliação embutida e suporte a implantações locais, híbridas ou em nuvem. Para o gestor, isso significa menos lock-in e mais capacidade de adaptar o agente ao domínio e aos dados proprietários.

Casos práticos ganham tração quando a arquitetura combina RAG, habilidades de pesquisa profunda com citações e módulos de avaliação. Em operações, agentes podem monitorar filas de tickets e executar remediações, em engenharia de software podem acelerar investigações de bugs e preparar PRs, e em atendimento podem cruzar políticas de compliance com dados de produto antes de tomar ações, tudo com trilhas de auditoria ativas.

Como aplicar na sua empresa, roteiro recomendado

Comece no desktop com casos controláveis. Use o Project Arc em modo early preview para fluxos repetitivos e de alto impacto, como remediação básica de endpoint, coleta de logs e preparação de ambientes. Garanta políticas estritas no OpenShell, com permissão explícita para binários, caminhos e chamadas de rede.
Conecte contexto de negócios. Acople o agente ao Action Fabric e ao CMDB para que cada decisão seja informada pelo histórico operacional, catálogos de serviços e relacionamentos entre ativos. A qualidade da ação melhora quando o agente enxerga o sistema de registro.
Suba para a AI Factory com governança. Ao integrar AI Control Tower ao design validado da Enterprise AI Factory, estenda observabilidade, custo e risco ao nível de cluster. Defina métricas de tokenomics, alvos de latência e limites de custo por caso de uso, medindo ROI mês a mês.
Avalie com benchmarks corretos. Incorpore EnterpriseOps-Gym e NOWAI-Bench na esteira de liberação de agentes. Monitore sucesso por domínio, segurança de recusa e regressões em cenários longos. Use resultados para decidir onde investir em habilidades e modelos.

Riscos, limites e como mitigá-los

Drift de política e sombra de automação. Agentes que evoluem habilidades podem divergir de controles se as políticas não acompanharem. Mitigue com o mecanismo de políticas granulares do OpenShell e com auditoria contínua no AI Control Tower.
Custos invisíveis em raciocínio longo. Mesmo com Blackwell, investigações extensas podem inflar gasto por tarefa. Controle profundidade com orquestração no Blueprint AI-Q e metas explícitas de tokens por tarefa e por domínio.
Fragilidade em fluxos multietapas. Benchmarks mostram lacunas em planejamento de longo prazo. Mitigue com decomposição de planos, ferramentas verídicas, e avaliações automatizadas antes de promover agentes a produção.

Conclusão

A união de NVIDIA e ServiceNow sinaliza a maturidade dos agentes autônomos de IA para empresas. Com Project Arc, OpenShell, AI Control Tower e a Enterprise AI Factory, o mercado ganha uma trilha clara para colocar agentes para agir com contexto, trilhas de auditoria e eficiência econômica alinhada ao que o CFO espera ver no P&L. A arquitetura fecha o ciclo entre onde o agente executa e onde a IA roda, reduzindo atrito entre segurança, operações e velocidade de entrega.

Os próximos 12 meses devem separar experimentos de operações reais. Organizações que combinarem governança desde o primeiro dia, eficiência por token e benchmarks orientados a workflows terão condições de escalar agentes autônomos de IA com previsibilidade. A janela está aberta, e a infraestrutura, as políticas e os testes necessários já estão sobre a mesa.