Em 1968, um estudo seminal descobriu algo que moldaria o Vale do Silício por décadas: os melhores engenheiros de software eram dramaticamente mais produtivos que seus pares. Desde então, toda empresa de tecnologia está à caça desses indivíduos raros, capazes de gerar resultados extraordinários.
Ao voltar das férias em janeiro, influenciados pelos avanços dos modelos de fronteira, nossa equipe de engenharia começou a executar agentes em paralelo com git worktrees, Claude Code e Codex. Em algumas tarefas, eles estavam produzindo 5 vezes mais.
Isso levantou uma questão maior: se os agentes podiam tornar os engenheiros tão mais produtivos em um mês, o que seria preciso para levar isso a todos na Sierra? Montamos uma equipe de aceleração de IA de seis pessoas para descobrir. Este blog explica o que construímos e o que aprendemos no processo.
1. Agente, singular
Começamos com um grupo de agentes específicos para funções: um agente de suporte (PINE), um analista de dados (Pinewood), um engenheiro (Pinecone) e um agente de vendas (Reggie Jr). Um agente por função pode parecer intuitivo, mas falhou na prática.
Superficialmente, o problema era o fardo sobre os funcionários, que tinham que lembrar qual agente fazia o quê. Nosso amor por nomes com tema de pinheiro não ajudou. Mas a questão mais profunda era estrutural — o trabalho mais importante acontece entre equipes, não dentro delas.
No seu núcleo, as empresas são uma coleção de tarefas a serem realizadas. Veja o lançamento de um produto. Envolve equipes técnicas, bem como vendas, marketing, jurídico e operações. Os departamentos existem porque uma equipe ou pessoa não consegue fazer todas as partes do trabalho. A IA muda isso, já que pode cada vez mais completar o trabalho de ponta a ponta.
Então, colapsamos todos esses agentes específicos de função no Pinecone: um único agente com um handle do Slack, uma URL e um fio condutor ininterrupto da pergunta ao resultado final. O Pinecone descobre quais sistemas consultar e o que fazer com uma solicitação, para que os funcionários não precisem fazer isso. Isso é tecnicamente difícil, mas esse é o objetivo da IA: a tecnologia absorve a complexidade, não o funcionário.
É uma lição que já havíamos aprendido com nossa plataforma. Agentes construídos na Sierra são de serviço completo: um único agente pode lidar com tudo, desde a descoberta do produto até a configuração da conta, solução de problemas, faturamento e muito mais. Não é "pressione um para vendas, pressione dois para suporte" como um antigo URA.
Colapsar tudo em um agente te aproxima muito mais de onde está o valor em uma empresa — as tarefas a serem realizadas. Cada melhoria beneficia todo o negócio, então todos ficam melhores, mais rápido.
2. Proativo, não reativo
A maior parte do trabalho não é concluída em uma única sessão. Ela se desenrola ao longo de dias, semanas ou até meses, enquanto as equipes aprendem, as prioridades mudam e novas informações surgem. Um agente que aparece quando solicitado e desaparece quando a sessão termina tem utilidade limitada. O Pinecone persiste durante todo o processo — carregando o contexto adiante e retomando o fio da meada, até que o trabalho, não apenas a solicitação individual, esteja concluído.
A persistência também torna o Pinecone proativo. Em vez de esperar ser questionado, ele pode agir quando o próximo passo estiver pronto — um webhook dispara em um artefato, uma tarefa cai no Linear, uma revisão chega. Ele reúne contexto e dá uma primeira passada, trazendo as pessoas quando o julgamento delas é necessário. Notas de preparo estão prontas antes de uma reunião. Debriefs de entrevistas são rascunhados antes de você se sentar para adicionar suas pontuações. Revisões chegam com resumos, riscos principais e comentários sugeridos. O objetivo não é mais notificações. É menos trabalho chegando inacabado.
Ainda não acertamos isso totalmente — a maioria das sessões ainda começa com um prompt humano — mas inverter essa relação, para que os agentes acionem os humanos quando necessário, é para onde a persistência está nos levando.
3. O contexto de negócios é o gargalo, não a inteligência
O gargalo com a IA era a inteligência bruta — se um modelo era inteligente o suficiente. Hoje, os modelos de fronteira são capazes o suficiente para a maioria das necessidades de negócios. Então, o gargalo mudou para o contexto: o que é específico da sua empresa, seus fluxos de trabalho, seu histórico, os julgamentos que não aparecem em nenhum conjunto de treinamento.
Em janeiro, duas pessoas da nossa equipe montaram um agente analista de dados usando Claude Code e Opus 4.6, conectado aos nossos sistemas através do Model Context Protocol (MCP) e ferramentas de linha de comando. Sem muita orientação adicional, ele conseguia investigar um problema de cliente no Slack, GitHub, ClickHouse, Salesforce e PagerDuty em minutos. Um trabalho que antes consumia uma tarde inteira se tornou o primeiro passo na depuração e resposta a incidentes.
O mesmo padrão se estende muito além da depuração. Um agente com contexto completo pode preparar uma reunião com cliente, pesquisar uma conta, revisar um contrato ou RFP, rastrear uma decisão de produto e transformar trabalho disperso em um artefato finalizado. Claro, dar a um agente acesso a todo esse contexto introduz um novo problema. Um agente irrestrito é um enorme risco de segurança e privacidade. Nosso MCP Gateway resolve isso: o Pinecone herda o acesso de cada funcionário, aplica políticas em cada chamada de ferramenta, isola dados do cliente e deixa uma trilha de auditoria.
leia a descrição da imagem
ALT
O Sierra MCP Gateway conecta agentes a 37 sistemas
O Pinecone é construído sobre Claude Code e Codex. As melhorias frequentes deles são um vento a favor, mas o estado da arte muda constantemente — um modelo pode ser melhor em planejamento, outro em codificação, outro em prosa. Possuir a camada acima dos modelos nos permite rotear cada tarefa para o modelo certo, fazer failover durante inatividade e gerenciar custos, evitando ficar à mercê de um único player. Mas a vantagem duradoura não é possuir o modelo subjacente. É possuir o contexto, os fluxos de trabalho e a camada de roteamento que tornam cada modelo mais útil.
Também estamos experimentando deixar o Pinecone sonhar: refletindo sobre o trabalho de cada dia e propondo melhorias para suas próprias habilidades. Com o tempo, essa é a diferença entre um agente que apenas trabalha para a Sierra e um que aprende com a Sierra.
4. O agente é a interface do usuário, o sistema de registro é o backend
Cada pedaço de trabalho produz algo concreto, um artefato. Agentes de codificação encontraram o deles primeiro: o pull request. Todos os outros departamentos têm seu equivalente — uma história de cliente, um contrato, um questionário de RFP, um pitch deck, uma avaliação de desempenho.
Artefatos são tanto a entrada quanto a saída. Eles dão aos agentes o contexto necessário para fazer o trabalho — e é onde o trabalho finalizado pertence. Peça ao Pinecone para apertar um pitch deck, e o próprio deck volta atualizado, não uma mensagem de chat dizendo o que mudar.
Descobrimos que é melhor trabalhar com seus sistemas de registro, não substituí-los. O GitHub mantém o PR, o Salesforce mantém a conta e o Linear mantém a issue — o agente é a camada entre eles.
Substituir esses sistemas significa recriar décadas de software maduro. Pior, divide a empresa em dois — pessoas trabalhando através do agente e pessoas trabalhando diretamente nas ferramentas originais, cada uma com sua própria versão da verdade. Nossa aposta é que esses produtos se tornem mais como backends com o tempo, com o agente como a interface principal.
5. Resultados, não apenas atividade
Desde o primeiro commit do Pinecone em março, ele já executou mais de 75.000 sessões para mais de 600 pessoas. Hoje, 70% dos nossos PRs são abertos através dele, enquanto centenas de automações lidam silenciosamente com trabalhos que ninguém explicitamente solicitou.
Números como esses são tentadores para liderar com eles, e no início são a coisa certa a rastrear — são evidência de que algo está sendo realmente usado, não apenas sentado em um slide de roadmap juntando poeira. Mas sessões executadas e chamadas de ferramentas feitas são atividade, não resultado. Uma equipe pode fazer tokenmaxx para conseguir um gráfico de adoção impressionante sem que nada a jusante melhore de fato — o mesmo número de erros, os mesmos tempos de ciclo, apenas mais IA envolvida em produzi-los.
Então, o uso de tokens é um bom começo. As equipes precisam formar o hábito de usar a ferramenta antes que você possa medir se está funcionando. Mas não é onde está o valor, e não queremos que seja onde a história termina. A pergunta que estamos tentando aprender a fazer melhor não é quanto um agente fez — é o que realmente mudou por causa disso: se um negócio foi fechado mais rápido, se o problema de um cliente foi resolvido na primeira tentativa, se alguém recuperou sua noite em vez de terminar uma revisão até tarde da noite.
Ainda não temos uma boa maneira de medir isso. Sessões e chamadas de ferramentas são simplesmente mais fáceis de contar. Mas essa lacuna — entre o que podemos medir hoje e o que realmente importa — é a próxima coisa para a qual estamos construindo.
Aquele estudo de 1968 encontrou uma diferença de 10X entre os melhores e os demais — e por cinquenta anos, a única resposta foi sair para caçar essas pessoas raras. Agora existe uma melhor: dar a todos um agente para que tenham as vantagens dos poucos. O objetivo não é apenas fazer mais. É dar às pessoas mais tempo para o trabalho que só as pessoas podem fazer: julgamento, bom gosto, criatividade e construção de relacionamentos.
A seguir
Faremos mergulhos mais profundos nos sistemas que construímos:
- Allen Chen sobre o Pinecone, suas muitas iterações e a arquitetura técnica por trás dele
- Mihai Parparita sobre o MCP Gateway e a coleta segura de contexto completo
- Rohith Ravi sobre a Agency, a infraestrutura subjacente a tudo isso
