Os agentes de codificação transformaram a engenharia na Stripe, mas quem não é engenheiro — como representantes de vendas, analistas financeiros, gerentes técnicos de conta e outros — ficou para trás na onda de IA do Claude Code e do Codex. Nenhuma ferramenta existente conseguia lidar com os requisitos de segurança de dados e os fluxos de trabalho específicos que a Stripe precisava: consultar data warehouses, pesquisar contas antes de chamadas de vendas, fazer triagem de incidentes, modelar cenários de receita ou preparar revisões de conformidade. Tudo isso mudou quando lançamos o agente de IA de conhecimento da Stripe.
GIF
Em duas semanas após o lançamento em abril, a maior parte da Stripe já estava usando a Plataforma de IA de Conhecimento da Stripe, também conhecida como Kai. Hoje, 83% são usuários ativos semanais, incluindo quase todo o time de GTM (marketing, vendas, gerentes de sucesso do cliente e gerentes técnicos de conta). A maioria das sessões com a Kai exige muitas interações, com usuários fazendo pesquisas aprofundadas, criando artefatos específicos ou refinando materiais antes de compartilhá-los interna ou externamente. Com a Kai, todos na Stripe têm um agente criado especificamente para ajudá-los no trabalho do dia a dia.
Por que criamos uma Plataforma de IA de Conhecimento
Para tarefas de codificação, a mudança específica varia, mas o fluxo de trabalho e as ferramentas necessárias para executar a tarefa permanecem mais ou menos os mesmos. Você edita arquivos, executa testes, faz commit. As linguagens de programação variam, mas o formato do trabalho é bastante uniforme, e é por isso que uma arquitetura de agente único funciona bem. O trabalho de conhecimento está no lado oposto desse espectro. Tarefas como pesquisar uma conta ou preparar uma revisão de conformidade exigem ferramentas diferentes, dados diferentes, resultados diferentes e definições diferentes de "pronto".
Antes da Kai, tínhamos duas opções de IA para o trabalho de conhecimento:
- NoCode Agent Builder: Qualquer pessoa podia criar e implantar agentes específicos para fluxos de trabalho que pudessem usar ferramentas. Mais de 4.000 agentes foram criados com esse sistema. No entanto, rapidamente percebemos que os times escreviam prompts conceitualmente semelhantes, mas com níveis de qualidade variados, e a proliferação desses microagentes se tornou cada vez mais difícil de monitorar e manter.
- Agentes de codificação: Os agentes de codificação eram poderosos, mas introduziam um conjunto diferente de riscos. Como nosso objetivo é permitir maior produtividade para toda a Stripe, alguns usuários alteraram seus fluxos de trabalho e optaram por agentes de codificação. No entanto, preocupações com segurança surgiram rapidamente, junto com uma nova carga de suporte para os times de qualidade de código, que nunca tinham atendido não-engenheiros antes.
Com essas experiências, percebemos que construir uma plataforma de IA de conhecimento exigia acertar três coisas: escalar a expertise sem centralizá-la, encontrar os usuários onde trabalham e impor salvaguardas que não existem no código.
Escalar a expertise sem centralizá-la
A amplitude de expertise necessária para atender os usuários da Stripe é impressionante. As pessoas que sabem fazer triagem de uma escalada de cobrança ou modelar um cenário de receita não estão centralizadas e certamente não estão no time que constrói a infraestrutura de agentes. Elas estão distribuídas em dezenas de domínios especializados — GTM, Finanças, Marketing, Jurídico, Ciência de Dados e outros — cada um com suas próprias ferramentas, fontes de dados, fluxos de trabalho e critérios sobre o que é "bom". Multiplique isso por todos os produtos e países em que a Stripe opera, e o resultado é surpreendentemente complexo. A Kai precisa modelar essa complexidade de uma forma que a torne invisível, para que a tarefa simplesmente funcione.
O agente precisa circular
Onde o agente aparece importa tanto quanto o que ele sabe. Nem todo mundo trabalha em uma aba do navegador, e ainda menos pessoas trabalham em um terminal. Portanto, um agente de conhecimento não pode ser apenas um produto único; ele precisa ser uma plataforma, flexível o suficiente para se incorporar onde quer que o trabalho aconteça.
Por exemplo, considere um aplicativo interno que nosso time de Finanças usa para modelar mudanças complexas no orçamento operacional da Stripe: o agente precisa ler o contexto, pesquisar documentos relacionados, propor mudanças válidas e resumir as diferenças, tudo sem tirar os usuários do aplicativo.
Construir um produto de agente independente não funcionaria. Em vez disso, ele forçaria os usuários a sair de seus fluxos de trabalho naturais e entrar em um novo aplicativo. Construir um produto de agente separado para cada superfície também não funcionaria; seria difícil de manter, e os usuários que usam várias ferramentas teriam uma experiência fragmentada. A plataforma precisa encontrar o usuário onde ele está.
Construindo salvaguardas do zero
Os agentes de codificação operam em um ambiente com décadas de salvaguardas rápidas e verificáveis: compiladores rejeitam sintaxe inválida, testes capturam regressões e o git torna cada erro reversível. O trabalho de conhecimento tem muito pouco suporte para essas construções.
Considere um invariante central na Stripe: "você não deve combinar dados de dois contextos de clientes não relacionados em uma única análise". Um usuário pode ter acesso legítimo a ambos os contextos de forma independente, mas eles nunca podem aparecer na mesma sessão. A fronteira de isolamento não é "o que essa pessoa pode acessar com base no token de autorização dela?", mas sim "o que essa tarefa deve poder visualizar dado este contexto?" A plataforma precisa impor essas salvaguardas implícitas nas quais os usuários confiam.
Como construímos a Kai
Um agente monolítico simplesmente não consegue codificar todas essas restrições de forma eficaz. E pedir para cada time de domínio construir de forma independente uma infraestrutura de agentes segura, hospedada e com bom desempenho também não escala. Para gerenciar esse desafio, construímos a Kai em três camadas:
- APIs agnósticas de superfície que oferecem múltiplas interfaces para o mesmo agente
- AgentStudio, onde os donos de domínio criam e gerenciam seus próprios agentes da Kai, e
- Ambientes de execução para entregar segurança em segundos, sem que ninguém precise pensar em infraestrutura.
APIs agnósticas de superfície
A Kai vem com um aplicativo web opinionated e uma integração com o Slack, mas o principal primitivo é a API subjacente que alimenta ambos. O agente é um serviço, não um aplicativo, e as superfícies são simplesmente visualizações personalizadas dele.
A maioria dos funcionários da Stripe interage com a Kai por meio do aplicativo web hospedado internamente. Não há infraestrutura para configurar — está disponível para todos os funcionários desde o Dia 0.
Qualquer ferramenta interna também pode incorporar a Kai, e muitas já escolheram fazer isso. Por exemplo, um funcionário que trabalha em nossa plataforma de business intelligence pode fazer uma pergunta à Kai diretamente do aplicativo que já usa, porque nossas extensões do Chrome expõem os recursos da Kai dentro de ferramentas de terceiros baseadas na web.
Aplicativos personalizados incorporam a Kai por meio de APIs para levar experiências com agentes a todos os fluxos de trabalho
AgentStudio
O AgentStudio é o plano de controle para os donos de domínio. Os times o usam para criar, testar e monitorar suas skills, agentes personalizados da Kai e seleções de ferramentas. Um time de GTM, por exemplo, é dono de um agente da Kai ajustado aos seus fluxos de trabalho. Ele carrega as skills do time por padrão, conecta-se às fontes de dados e apresenta os resultados no formato que os usuários esperam. O AgentStudio exibe dados de uso e sinais de qualidade ao lado de cada ativo, para que os donos de domínio vejam o que está funcionando sem precisar perguntar ao time da plataforma.
As skills são organizadas em áreas em toda a Stripe, gerenciadas por especialistas de domínio
O ambiente de execução
Esta é a camada que materializa as promessas da plataforma. Os primitivos centrais, incluindo o harness do agente, o sandbox, a orquestração de fluxos de trabalho e a estrutura de controle de acesso, são compartilhados deliberadamente com os agentes voltados para produtos da Stripe. O trabalho de conhecimento interno opera sobre os mesmos dados sensíveis e atende os mesmos usuários que nossos produtos externos, por isso exige o mesmo nível de segurança e conformidade. Compartilhar a base impõe disciplina e cria um ciclo virtuoso: melhorias no ambiente de execução beneficiam simultaneamente os agentes internos e os agentes de produto.
O harness do agente, construído com o deepagents da LangChain, roda em Kubernetes com um sandbox seguro por sessão e um sistema de arquivos virtual multilocatário. Dentro de uma sessão, o agente trabalha com um sistema de arquivos virtual onde cria e itera sobre artefatos, enquanto um sandbox seguro de execução de código é usado para análises e processamento de dados.
Ele foi projetado para manter o estado ao longo de sessões longas e complexas — uma delas chegou recentemente a 932 interações. Com os avançados recursos de gerenciamento de tarefas da Kai, uma única conversa pode consistir em centenas de interações e centenas de chamadas de ferramentas e de LLM sem exceder o tempo limite ou sobrecarregar a janela de contexto. Isso é importante porque o trabalho de conhecimento raramente é uma única pergunta. É um raciocínio iterativo que se desenvolve sobre si mesmo, e a sessão precisa manter esse estado sem degradar.
Os comportamentos dos usuários estão mudando, e as sessões são cada vez mais usadas para colaboração profunda em múltiplas rodadas
Uma das partes mais interessantes do harness é como ele escolhe a skill correta para usar. A Kai está conectada a mais de 1.000 skills e ferramentas que abrangem vários sistemas internos — de dashboards de business intelligence que acompanham métricas-chave a ferramentas de gerenciamento de projetos que organizam a execução interna, além de serviços de terceiros como Zoom e Google Workspace. Qualquer pessoa pode fazer uma pergunta e confiar que ela carregará o contexto certo e usará as ferramentas certas para fazer o trabalho. Os agentes de codificação têm uma vantagem natural aqui: as pastas em que trabalham oferecem uma organização natural para skills e contexto. Em um próximo artigo, vamos detalhar como resolvemos isso sem essa estrutura pré-existente, utilizando uma abordagem híbrida de RAG/LLM, entre outras técnicas.
Impacto
Os resultados têm sido impressionantes. Os novos contratados do GTM são nativos da Kai: eles a usam 2,7x mais, e os usuários avançados fecham 80% mais valor do que os usuários de baixa utilização na mesma turma. Quando os executivos de contas usam a Kai, eles produzem 2x mais atividade de vendas, criam 17% mais oportunidades, geram 26% mais oportunidades de receita e fecham 39% mais negócios em comparação com os mesmos vendedores nas semanas em que não a usam. No total, a Kai ajudou a deslocar 25.000 horas por ano de trabalho administrativo para trabalho de geração de receita.
Em finanças e operações, a Kai está ajudando os funcionários da Stripe a analisar dados desorganizados, gerar resumos recorrentes e transformar contexto fragmentado em artefatos utilizáveis.
Na engenharia, a Kai agora é um lugar natural para fazer perguntas sobre sistemas, pesquisar para pedidos de execução, analisar logs, elaborar planos e acionar agentes e skills mais especializados.
E em toda a Stripe, mais de 5.000 sessões por dia são centradas em análise de dados. Isso faz da Kai um ponto de alavancagem único: ao conectar o contexto certo sobre qualidade de dados e nossa camada de analytics, podemos garantir respostas corretas por padrão para a maioria das perguntas.
O feedback direto dos funcionários da Stripe confirma esses números: eles relatam se sentir "capacitados a adotar a IA" e "espantados com o que a Kai faz com tanta precisão". Mas nossa anedota favorita é a de um não-engenheiro que saiu de uma sessão introdutória da Kai e imediatamente colaborou em um resumo que reúne Asana, Slack e Jira em um único processo automatizado.
Ainda não vencemos
Na Stripe, um dos nossos bordões favoritos é "ainda não vencemos", e isso se aplica bem à Kai. Estamos nos estágios iniciais dessa jornada e temos muito mais que queremos fazer:
- Melhor gerenciamento de estado: Agentes de propósito geral, como a Kai, geram muito estado enquanto fazem chamadas de ferramentas de forma iterativa, baixam documentos grandes e muito mais. Estamos continuamente ajustando tanto o contexto "ativo" enviado ao LLM quanto o contexto "estendido" armazenado em repositórios de estado como S3 ou o sistema de arquivos virtual.
- Reflexão e autoaperfeiçoamento: Estamos trabalhando em um ciclo de melhoria de qualidade que permite à Kai refletir sobre traces que envolvem uma skill, propor melhorias, testá-las e enviar mudanças para o dono da skill revisar.
- Melhores primitivos de colaboração: Os usuários geram muito contexto em suas sessões com a Kai que atualmente fica "preso", mas não é assim que o trabalho acontece. Queremos permitir que as pessoas compartilhem o que a Kai traz à tona entre sessões e que várias pessoas (e agentes!) colaborem nos mesmos artefatos.
Os agentes de codificação tornaram a IA concreta para os engenheiros de software primeiro. A Kai ajudou a trazer esse mesmo senso de alavancagem para os trabalhadores do conhecimento em toda a Stripe. É interessante porque, embora tenhamos melhorado consideravelmente a produtividade, ainda não sabemos qual é o teto - e estamos animados para continuar expandindo os limites aqui. Se construir sistemas de agentes que impulsionam a produtividade interna e agentes externos parece o tipo de desafio que você gosta, estamos contratando.
