A incorporação de agentes artificiais no ambiente corporativo vai além de uma inovação tecnológica. Representa uma transformação estrutural, que redefine como as organizações operam, tomam decisões e gerenciam seus recursos.
Na abertura da CES de 2025, o CEO da NVIDIA, Jensen Huang, resumiu a mudança em uma frase: o departamento de TI de cada empresa se tornará o RH dos agentes de IA (Huang, 2025). A formulação acerta ao reconhecer que agentes exigem algo parecido com gestão de pessoas: precisam ser configurados, orientados, acompanhados, avaliados e, em algum momento, autorizados a decidir. E provoca a pergunta que dá título a esta seção: como gerenciar essa nova força de trabalho digital?
O departamento de TI de cada empresa se tornará o RH dos agentes de IA.
Este paper sustenta que a resposta exige uma pergunta anterior. Antes de decidir quem lidera os agentes, é preciso observar onde eles operam. E eles operam num espaço que nenhuma área governa por inteiro. Esse espaço é aqui nomeado Vácuo da Gestão Multiagente.
Descreve a organização como um ciclo de tarefas compartilhado por agentes humanos e artificiais.
Nomeia e caracteriza o Vácuo da Gestão Multiagente e suas formas de manifestação.
Atualiza o modelo de três camadas e quatro eixos, publicado originalmente pelo autor (Cappra, 2025b).
Propõe que os eixos operem como ciclo e que a autonomia dos agentes seja uma concessão organizacional revisável.
Este é um ensaio conceitual e uma atualização. A primeira formulação do RH+A apresentou o modelo e suas práticas. Esta edição acrescenta o diagnóstico que o justifica, o vácuo, uma base teórica, a leitura dos eixos como ciclo e um conjunto de proposições examináveis. As proposições derivam de revisão teórica e da prática do Cappra Institute, e ainda não foram submetidas a teste empírico sistemático.
Multiagente não é usado aqui no sentido estrito da computação, em que sistemas multiagentes designam conjuntos de agentes de software que interagem entre si (Wooldridge, 2009). Designa a organização em que agentes humanos e artificiais compartilham o mesmo fluxo de trabalho. E vácuo substitui o termo gap, usado na representação visual original: o problema não é a distância entre dois pontos, mas um espaço de gestão vazio que os agentes passaram a ocupar.
Toda organização opera em ciclos. Tarefas são programadas, executadas, analisadas, e geram aprendizado que realimenta a programação das próximas tarefas. Esse ciclo sempre existiu. O que muda é quem participa dele.
Num ambiente multiagente, pessoas e agentes artificiais não trabalham em fluxos paralelos, cada um com suas tarefas. Conectam-se ao mesmo fluxo, em pontos diferentes, frequentemente na mesma tarefa. Um agente prepara a análise que uma pessoa interpreta; uma pessoa define o critério que um agente aplica mil vezes; um agente monitora o resultado que uma pessoa negocia. A unidade de trabalho deixa de ser a função e passa a ser o fluxo.
A unidade de trabalho deixa de ser a função e passa a ser o fluxo.
A ideia de que a cognição organizacional se distribui entre pessoas e artefatos não é nova. Hutchins (1995) mostrou como a navegação de um navio resulta de um sistema que inclui pessoas, instrumentos e procedimentos, e Orlikowski (2007) descreveu tecnologia e trabalho como práticas entrelaçadas. O que é novo é que um dos participantes do sistema agora age por conta própria.
Na definição clássica, um agente é qualquer entidade que percebe seu ambiente e age sobre ele (Russell; Norvig, 2021). Wooldridge e Jennings (1995) acrescentam autonomia, reatividade, proatividade e capacidade social. Os agentes de IA que chegam às organizações reúnem essas propriedades: planejam, usam ferramentas, executam sequências de ações e interagem com pessoas e com outros agentes. A diferença em relação às gerações anteriores de software analítico é decisiva para a gestão: o sistema não apenas informa uma decisão, ele a executa.
As capacidades dos dois tipos de agente são complementares. Licklider (1960) já descrevia a simbiose entre humanos e computadores como divisão de trabalho entre quem formula e quem processa. Raisch e Krakowski (2021) mostram que automação e ampliação não são escolhas excludentes, mas um paradoxo a ser gerido ao longo do tempo. No vocabulário do Cappra Institute, trata-se da interdependência Humano·Dado·Máquina (H·D·M): nenhum dos três produz sozinho o resultado do sistema (Cappra, 2025a).
Execução sem viés emocional não significa execução sem viés. Agentes herdam os vieses dos dados com que foram treinados, dos critérios com que foram parametrizados e dos contextos em que aprendem. A ausência de emoção remove uma fonte de distorção, não todas. É por isso que a ética aparece, no modelo RH+A, como prática de parametrização, e não como atributo do agente.
A ausência de emoção remove uma fonte de distorção, não todas.
A adoção de agentes artificiais vai além da digitalização de processos. Trata-se de uma transformação estrutural dentro da Cultura Analítica, que define o futuro das organizações na era da informação.
Organizações que reconhecem os dados como ativos estratégicos não apenas extraem informação: usam a IA para impulsionar decisões e constroem vantagem a partir disso (Davenport; Harris, 2007). Organizações que mantêm modelos convencionais de gestão, ou que adotam tecnologia sem alinhamento com a realidade do negócio, correm o risco de obsolescência. A Cultura Analítica ensina que a IA não é apenas ferramenta operacional, mas elemento que influencia toda a estrutura organizacional. Três condições decorrem disso.
A gestão dos agentes exige um ambiente em que decisões não sejam guiadas apenas por intuição, mas por métricas e evidências extraídas dos dados.
As funções tradicionais de TI, RH e áreas de negócio se reconfiguram para atuar de forma interdependente na supervisão dos agentes.
Organizações com maturidade analítica sabem que a IA não é estática e precisa ser aprimorada constantemente para gerar impacto real.
Sem essas condições, agentes tendem a ser usados como automação de processos existentes: replicam o que já se fazia, mais rápido, sem alterar a qualidade das decisões. Com elas, tornam-se participantes de um sistema que aprende. A Cultura Analítica é, portanto, a condição de possibilidade do modelo apresentado adiante, e não um complemento a ele.
A IA entra na organização pelo núcleo técnico. Por décadas, gerir tecnologia significou gerir esse centro: configurar, integrar, proteger.
Ao redor do núcleo, a organização construiu camadas de gestão, cada uma com dono e objeto próprio. A TI governa sistemas. O RH governa pessoas. As áreas de negócio governam resultados. A divisão funciona porque cada objeto cabe dentro de uma camada: um servidor não precisa de avaliação de desempenho, e um vendedor não precisa de patch de segurança.
Agentes de IA não cabem em nenhuma camada. Executam sobre a infraestrutura da TI, interagem com pessoas como um colega, tomam decisões dentro dos processos de negócio e, cada vez mais, operam além da fronteira da organização, diante de clientes, fornecedores e agentes de outras empresas.
O Vácuo da Gestão Multiagente é o espaço organizacional ocupado por agentes artificiais que atravessam TI, RH e Negócios sem que nenhuma prática de gestão os acompanhe por inteiro.
Quando um agente erra, cada área pode apontar para a outra. Matthias (2004) chamou de lacuna de responsabilidade a situação em que ninguém pode ser razoavelmente responsabilizado pela ação de um sistema que aprende. Elish (2019) mostrou o desfecho mais comum: a culpa recai sobre o humano mais próximo da execução, que funciona como zona de amortecimento moral.
A autonomia dos agentes cresce por integração técnica: cada nova conexão a um sistema amplia o que o agente pode fazer. Raramente cresce por decisão organizacional explícita.
Agentes aprendem o contexto da operação, mas ninguém decide que cultura organizacional eles devem refletir ao tratar clientes, colegas e exceções.
A TI monitora a segurança e o negócio monitora o resultado. O efeito dos agentes sobre as pessoas, sobre a experiência de trabalho e sobre a qualidade das decisões fica sem observador.
O impacto é medido como eficiência, porque é o que se mede com facilidade, e não como qualidade de decisão, que é o que justifica o agente.
O vácuo não é percebido como ausência porque o agente continua funcionando. Ele é notado quando algo falha, e mesmo então costuma ser lido como incidente técnico, e não como lacuna de gestão. Bainbridge (1983) descreveu a ironia correspondente: quanto mais automatizado o sistema, mais crucial a contribuição humana nos momentos críticos, e menos preparadas as pessoas para fazê-la.
Há também uma redistribuição silenciosa. Cada agente integrado a um processo transfere para si uma parte das decisões que antes passavam por pessoas. Direitos decisórios mudam de lugar sem que nenhum programa de mudança tenha sido declarado. É exatamente o que a teoria da Inforganização chama de Reconfiguração Organizacional (Cappra, 2026a).
O problema não é que ninguém gerencia os agentes. É que cada área gerencia uma parte, e o agente opera no todo.
A formulação de Huang preenche o vácuo por atribuição: se os agentes não têm dono, entregue-os a uma área. É um modelo de propriedade, e qualquer escolha de dono reproduz o problema em outra forma.
Se a TI for o RH dos agentes, a gestão será tecnicamente sólida e organizacionalmente cega: haverá configuração, segurança e integração, mas a ética, a cultura e o grau de autonomia serão decididos como parâmetros técnicos. Se o RH for o dono, haverá atenção a cultura e impacto sobre pessoas, mas pouca capacidade de integrar e proteger sistemas. Se o dono for o negócio, haverá regras e metas, mas a segurança e o efeito sobre as pessoas ficarão em segundo plano.
A teoria da agência ajuda a ver por quê. Jensen e Meckling (1976) descreveram os custos que surgem quando um principal delega ação a um agente: monitorar, alinhar incentivos, limitar desvios. Com agentes artificiais, o problema clássico volta com uma complicação: o principal está fragmentado em três áreas, cada uma com uma parte da informação e um critério diferente de bom desempenho.
Com agentes artificiais, o principal está fragmentado em três áreas.
A alternativa é a interseção: as três camadas atuam ao mesmo tempo sobre os agentes, com responsabilidades distintas em cada eixo de gestão. Interseção não é comitê. É uma distribuição explícita de práticas, em que cada camada sabe o que lhe cabe em cada momento do ciclo de vida do agente. Galbraith (1974) já mostrava que, quando a incerteza de uma tarefa cresce, a organização precisa de mecanismos laterais de coordenação, e não apenas de mais hierarquia.
RH+A designa a gestão de recursos humanos e artificiais como uma prática única. O modelo distribui essa gestão entre três camadas interdependentes, TI, RH e Negócios, e quatro eixos complementares.
RH+A é o modelo de gestão em que TI, RH e Negócios atuam como três camadas interdependentes sobre os agentes artificiais, distribuindo entre si práticas organizadas em quatro eixos: parametrização, aprendizado, supervisão e autonomia.
A figura se lê do centro para fora. No núcleo está a IA. Ao redor, as três camadas: TI, mais próxima do núcleo; RH, no meio; Negócios, na borda, onde a organização encontra o mundo. O cone dos agentes atravessa todas. Os quatro eixos partem do núcleo e cruzam as três camadas; cada cruzamento é uma prática de gestão. São doze ao todo.
Os eixos são vetores, não fronteiras. Apontam para fora porque a gestão dos agentes acompanha seu movimento através das camadas. O modelo não elimina o cone: torna governado o espaço que antes era vácuo.
O +A não significa que o RH passa a gerir agentes. Significa que o conceito de recurso se amplia: a gestão de recursos de uma organização passa a incluir recursos artificiais, e essa gestão é distribuída entre as três camadas. O nome desloca a pergunta de Huang. Em vez de decidir qual área será o RH dos agentes, o modelo propõe que a própria noção de RH seja refeita para incluí-los.
Em vez de decidir qual área será o RH dos agentes, refazer a própria noção de RH.
Cada eixo responde a uma pergunta de gestão, e cada camada responde a ela de um ângulo diferente.
O que o agente pode e deve fazer?
Define as configurações técnicas dos agentes e assegura que operem conforme os padrões de segurança e infraestrutura.
Garante que os agentes sigam princípios éticos, evitando vieses e assegurando transparência.
Estabelece as regras e diretrizes que os agentes devem seguir para cumprir os objetivos estratégicos.
Como o agente melhora, e a quem ele se parece?
Desenvolve e aprimora os modelos técnicos para otimizar a performance dos agentes.
Define a cultura organizacional refletida nos agentes, garantindo alinhamento com a identidade da empresa.
Ajusta os agentes ao contexto específico da organização, refinando sua capacidade de tomada de decisão.
O que o agente está fazendo, e com que efeito?
Monitora a segurança dos agentes, prevenindo falhas técnicas, vazamentos de dados e ataques.
Coleta feedback sobre o impacto dos agentes na experiência dos funcionários e no ambiente de trabalho.
Supervisiona como os agentes operam no dia a dia, garantindo alinhamento com as necessidades operacionais.
Até onde o agente age sem intervenção humana?
Garante que os agentes se integrem de forma eficaz a outros sistemas e processos da empresa.
Define até que ponto os agentes podem tomar decisões sem intervenção humana: a agência dos agentes.
Mede o impacto dos agentes, avaliando a necessidade de ajustes para maximizar seu desempenho.
Lida por linha, a matriz revela que cada camada enxerga o agente de um modo. Para a TI, o agente é um sistema: configuração, técnica, segurança, integração. Para o RH, é um membro da organização: ética, cultura, feedback, agência. Para o Negócio, é um executor da estratégia: regras, contexto, operação, mensuração. Nenhum dos três olhares está errado. O vácuo aparece quando apenas um deles governa.
Definir até onde um agente decide sem intervenção humana parece uma questão técnica, e costuma ser tratada assim. O modelo a coloca no RH porque se trata de uma decisão sobre organização do trabalho e distribuição de responsabilidade. A literatura de automação descreve níveis de autonomia como escolha de projeto que depende da função, do risco e da confiabilidade (Parasuraman; Sheridan; Wickens, 2000), e a regulação europeia exige que sistemas de alto risco sejam projetados para supervisão humana efetiva (União Europeia, 2024). Em ambos os casos, a autonomia é uma decisão, não um efeito.
A autonomia é uma decisão, não um efeito.
Na formulação original, os quatro eixos eram apresentados como complementares. Esta atualização propõe que eles formem um ciclo, e que esse ciclo seja o mesmo do ambiente multiagente, visto do lado da gestão.
A correspondência é direta. A parametrização acontece quando a tarefa é programada. A supervisão acompanha a execução e a análise de performance. O aprendizado converte o que foi observado em melhoria. E a autonomia fecha o ciclo: com base na evidência acumulada, a organização decide expandir ou contrair o que o agente pode fazer sozinho, e essa decisão volta a ser parametrizada.
A consequência mais importante é que a autonomia deixa de ser um atributo do agente e passa a ser uma concessão organizacional revisável. Ela é ampliada quando a evidência sustenta, reduzida quando não sustenta, e sempre atribuível a uma decisão de pessoas identificáveis.
Regência humana é a condição em que a autonomia concedida aos agentes artificiais resulta de decisão organizacional explícita, revisável e atribuível a pessoas, e não de sua integração técnica.
Regência não é microgestão nem aprovação humana de cada ação. O regente não toca todos os instrumentos: define a interpretação, marca o tempo e intervém quando a execução se afasta do que foi combinado. Shneiderman (2022) mostra que altos níveis de automação e altos níveis de controle humano não são extremos de uma mesma escala, mas dimensões que podem crescer juntas. A regência humana é a forma organizacional dessa combinação.
O regente não toca todos os instrumentos.
Normas recentes de gestão de IA apontam na mesma direção ao exigir papéis, responsabilidades e mecanismos de supervisão definidos ao longo do ciclo de vida dos sistemas (ISO/IEC, 2023; NIST, 2023). O ciclo de regência oferece uma forma de distribuir esses requisitos entre as três camadas, em vez de concentrá-los numa área de conformidade.
O Vácuo da Gestão Multiagente e o modelo RH+A fazem parte de um programa de pesquisa mais amplo do Cappra Institute sobre a organização na era da inteligência artificial.
A Inforganização descreve a organização como sistema informacional adaptativo, em que a informação é elemento constitutivo da estrutura (Cappra, 2026a). Agentes são novos nós dessa arquitetura, e cada agente integrado produz Reconfiguração Organizacional: altera estrutura, cultura e direitos decisórios, em grande parte de forma imperceptível. O vácuo é um dos lugares em que essa reconfiguração é mais difícil de ver, porque acontece entre jurisdições.
A Governança Analítica é o campo dedicado a estabelecer princípios, estruturas e mecanismos que orientam como uma organização passa da informação à ação (Cappra, 2026b). O RH+A é a prática de gestão dos agentes nesse percurso. A Governança Analítica define os princípios; o RH+A distribui as práticas entre as camadas que precisam executá-los. Simon (1947) já descrevia a organização como sistema de decisões; o que os agentes acrescentam é a necessidade de governar decisões que não passam mais, necessariamente, por pessoas.
A tese de fundo é a interdependência entre humanos, dados e máquinas (Cappra, 2025a). Floridi (2014) descreve a passagem para um ambiente em que agentes humanos e artificiais compartilham a mesma infosfera. O RH+A traduz essa condição para a gestão: se pessoas e agentes são interdependentes no trabalho, sua gestão também precisa ser.
Ao incorporar agentes artificiais, é fundamental avaliar o nível de maturidade e a capacidade de governança da organização. As perguntas a seguir ajudam a localizar o vácuo antes que ele se manifeste como incidente.
Qual é o grau de maturidade da organização na adoção de IA? Existe governança estruturada ou ainda se está em fase experimental?
A responsabilidade pela supervisão dos agentes está clara? Como TI, RH e áreas de negócio colaboram para garantir o funcionamento adequado e a regulação dessas inteligências?
Existem processos definidos para revisão e correção de falhas? Há um modelo de accountability que assegure transparência e responsabilidade nas decisões automatizadas?
A cultura organizacional está preparada para a interdependência entre humanos e máquinas? Os colaboradores entendem a IA como complemento à força de trabalho, e existem estratégias de adaptação e formação contínua?
Os agentes estão alinhados aos objetivos estratégicos? Estão promovendo inovação e melhores decisões, ou apenas replicando processos existentes sem impacto real?
Quem decidiu o nível de autonomia de cada agente em operação hoje? A decisão está registrada, e quando será revista?
As cinco primeiras perguntas vêm da formulação original do modelo. A sexta é acrescentada nesta edição e decorre diretamente do ciclo de regência. As perguntas não constituem instrumento de diagnóstico: servem para orientar a conversa entre as três camadas. Instrumentos de aferição devem ser tratados em publicações próprias.
As proposições a seguir sintetizam o argumento do paper em forma examinável. São hipóteses de trabalho que orientam a investigação, não conclusões estabelecidas.
Em ambientes multiagentes, a unidade relevante de gestão deixa de ser a área funcional e passa a ser o fluxo de tarefas compartilhado entre pessoas e agentes.
A adoção de agentes artificiais produz um Vácuo da Gestão Multiagente sempre que os agentes atravessam camadas governadas separadamente.
Modelos de propriedade, que atribuem os agentes a uma única área, reduzem o vácuo aparente, mas deslocam os pontos cegos para as camadas não proprietárias.
Quando a distribuição de práticas entre camadas não é explícita, a responsabilidade por falhas de agentes tende a recair sobre o humano mais próximo da execução.
Na ausência de decisão explícita, a autonomia dos agentes cresce por integração técnica, e não por decisão organizacional.
Organizações que operam os quatro eixos como ciclo calibram a autonomia dos agentes com menos incidentes e menos subutilização do que as que os operam como funções isoladas.
O Vácuo da Gestão Multiagente é uma forma de Reconfiguração Organizacional: redistribui direitos decisórios sem programa de mudança declarado.
Como identificar e dimensionar o vácuo numa organização: inventário de agentes, mapa de práticas por camada e lacunas de cobertura.
Estudos de caso de incidentes com agentes para observar como a responsabilidade é efetivamente distribuída, e onde recai.
Como as organizações definem, registram e revisam o nível de autonomia de cada agente, e quem participa dessa decisão.
Como a cultura organizacional se inscreve na parametrização e no aprendizado dos agentes, e como isso é percebido por colaboradores e clientes.
Quais funções híbridas surgem na interseção entre as camadas, e se a gestão de agentes tende a se tornar uma competência transversal ou uma nova área.
Este é um ensaio conceitual. O modelo foi formulado a partir da prática do Cappra Institute com organizações em processo de adoção de agentes, e não de estudo empírico controlado. A divisão em três camadas reflete a estrutura funcional mais comum em grandes organizações; em empresas com outras arquiteturas, como estruturas por produto ou plataformas, as camadas podem ter outros nomes e fronteiras, embora a tese do vácuo se mantenha.
O desafio não é apenas saber quem gerencia os agentes de IA, mas como as organizações estruturam seu modelo de gestão para incorporar essa nova força de trabalho.
Entregar os agentes a uma área é a resposta mais rápida, e a que mantém o problema. O vácuo não se resolve pela escolha de um dono, mas pela distribuição explícita de práticas entre as camadas que os agentes atravessam, e pela decisão consciente sobre quanto eles podem agir sozinhos.
Estamos entrando numa era de interdependência entre humanos e máquinas, em que a atuação híbrida amplia a capacidade analítica das organizações e leva a tomada de decisão a escalas antes impossíveis. A chave dessa transformação não está apenas na tecnologia, mas na forma como as organizações desenham sua estrutura de governança, integram sua cultura e sustentam um ciclo contínuo de aprendizado.
Três camadas, quatro eixos, um ciclo. A nova força de trabalho digital não pertence a uma área: opera na interseção, sob regência humana.
A pergunta não é quem lidera os agentes de IA. É como a organização governa o espaço que eles passaram a ocupar.
Este paper atualiza o modelo RH+A, apresentado originalmente pelo autor no artigo Quem lidera os agentes de IA?, e incorpora as representações visuais Ambientes organizacionais com multiagentes e O gap da gestão multiagentes, criadas por Ricardo Cappra. Integra o programa de pesquisa do Cappra Institute ao lado da Inforganização e da Governança Analítica.
Bainbridge, Lisanne. “Ironies of Automation.” Automatica, vol. 19, n. 6, 1983, pp. 775-779.
Cappra, Ricardo. Híbridos: o futuro do trabalho entre humanos e máquinas. Actual / Alta Books, 2025a.
Cappra, Ricardo. “Quem lidera os agentes de IA? RH+A: a gestão de recursos humanos e artificiais na interseção entre TI, RH e Negócios.” Artigo, 2025b.
Cappra, Ricardo. Inforganização: a organização informacional adaptativa na era da inteligência artificial. Research paper, versão conceitual 2.1. Cappra Institute, 2026a.
Cappra, Ricardo. Governança Analítica: governar a forma como a organização lida com informação. Research paper, versão conceitual 1.0. Cappra Institute, 2026b.
Davenport, Thomas H.; Harris, Jeanne G. Competing on Analytics: The New Science of Winning. Harvard Business School Press, 2007.
Elish, Madeleine Clare. “Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction.” Engaging Science, Technology, and Society, vol. 5, 2019, pp. 40-60.
Floridi, Luciano. The Fourth Revolution: How the Infosphere Is Reshaping Human Reality. Oxford University Press, 2014.
Galbraith, Jay R. “Organization Design: An Information Processing View.” Interfaces, vol. 4, n. 3, 1974, pp. 28-36.
Huang, Jensen. Keynote de abertura da CES 2025. Las Vegas, 6 jan. 2025.
Hutchins, Edwin. Cognition in the Wild. MIT Press, 1995.
ISO/IEC. ISO/IEC 42001:2023. Information technology, Artificial intelligence, Management system. International Organization for Standardization, 2023.
Jensen, Michael C.; Meckling, William H. “Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure.” Journal of Financial Economics, vol. 3, n. 4, 1976, pp. 305-360.
Licklider, J. C. R. “Man-Computer Symbiosis.” IRE Transactions on Human Factors in Electronics, vol. HFE-1, 1960, pp. 4-11.
Matthias, Andreas. “The Responsibility Gap: Ascribing Responsibility for the Actions of Learning Automata.” Ethics and Information Technology, vol. 6, n. 3, 2004, pp. 175-183.
NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology, 2023.
Orlikowski, Wanda J. “Sociomaterial Practices: Exploring Technology at Work.” Organization Studies, vol. 28, n. 9, 2007, pp. 1435-1448.
Parasuraman, Raja; Sheridan, Thomas B.; Wickens, Christopher D. “A Model for Types and Levels of Human Interaction with Automation.” IEEE Transactions on Systems, Man, and Cybernetics, Part A, vol. 30, n. 3, 2000, pp. 286-297.
Raisch, Sebastian; Krakowski, Sebastian. “Artificial Intelligence and Management: The Automation-Augmentation Paradox.” Academy of Management Review, vol. 46, n. 1, 2021, pp. 192-210.
Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.
Shneiderman, Ben. Human-Centered AI. Oxford University Press, 2022.
Simon, Herbert A. Administrative Behavior. Macmillan, 1947.
União Europeia. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho (Regulamento da Inteligência Artificial). Jornal Oficial da União Europeia, 2024.
Wooldridge, Michael. An Introduction to MultiAgent Systems. 2. ed. Wiley, 2009.
Wooldridge, Michael; Jennings, Nicholas R. “Intelligent Agents: Theory and Practice.” The Knowledge Engineering Review, vol. 10, n. 2, 1995, pp. 115-152.
Ricardo Cappra é cientista de dados e filósofo da tecnologia, fundador e cientista-chefe do Cappra Institute. Pesquisa a interdependência entre humanos, dados e máquinas. É autor de Rastreável (2021) e Híbridos (2025).
CAPPRA, Ricardo. O Vácuo da Gestão Multiagente: RH+A, a gestão de recursos humanos e artificiais na interseção entre TI, RH e Negócios. Research paper, versão conceitual 2.0. Cappra Institute, 2026.
© 2026 Ricardo Cappra
Publicado por Cappra Institute
Versão conceitual 2.0, 2026
A pergunta não é quem lidera os agentes de IA. É como a organização governa o espaço que eles passaram a ocupar.