Introdução

Nos últimos anos, a conversa sobre IA generativa foi dominada por uma pergunta relativamente simples:

Como podemos usar mais IA?

Cuja resposta era igualmente simples:

Com modelos maiores. Contextos maiores. Bases de conhecimento maiores. Mais agentes. Mais ferramentas. Mais automação. Mais tokens.

Mas nas últimas semanas comecei a notar um padrão curioso surgindo em artigos, pesquisas e discussões técnicas vindas de diferentes empresas e comunidades. Embora abordem problemas distintos, todos parecem apontar para a mesma direção:

O futuro da IA generativa talvez não esteja em usar mais inteligência artificial, mas em usar apenas a quantidade necessária.

Essa percepção surgiu ao ler três artigos publicados recentemente:

• Not everything should cost a token: the case for deterministic AI, da Vybe, que argumenta que nem toda decisão precisa ser delegada a um LLM e que lógica determinística continua sendo uma ferramenta arquitetural extremamente valiosa.
• How we taught a small LLM to throw away 68% of our RAG context, da Kapa AI, que mostra como reduzir drasticamente o contexto enviado ao modelo pode melhorar eficiência sem comprometer resultados.
• Learning to Replicate Expert Judgment in Financial Tasks, da Thinking Machines, que explora como modelos podem aprender a reproduzir o julgamento de especialistas em vez de simplesmente processar grandes volumes de informação.

Da arquitetura LLM-First para a arquitetura LLM-Last

Se os primeiros anos da IA generativa foram marcados pela corrida para incorporar modelos em praticamente qualquer aplicação, os sinais recentes apontam para uma mudança de maturidade. A pergunta já não parece ser:

Como posso usar um LLM aqui?

Mas sim:

Onde exatamente um LLM agrega valor aqui?

Essa pode parecer uma diferença sutil de formulação, mas ela muda profundamente a forma como arquitetamos soluções baseadas em IA generativa.

A primeira geração: LLM-First

As primeiras arquiteturas de IA generativa costumavam seguir um modelo relativamente simples:

Usuário -> LLM -> Resposta

Com o amadurecimento das técnicas de RAG (Retrieval-Augmented Generation), a arquitetura evoluiu para algo como:

Usuário -> Busca -> LLM -> Resposta

Ou ainda:

Usuário ->Knowledge Base -> LLM -> Resposta

Os sinais de uma mudança de paradigma

Se os três artigos apresentados até agora já sugerem uma mudança de direção no uso da IA generativa, o mais interessante é que essa mesma discussão está surgindo simultaneamente em diversos laboratórios de IA, hyperscalers e especialistas da indústria.

Embora utilizem terminologias diferentes e abordem problemas distintos, todos parecem convergir para uma conclusão semelhante:

O desafio não é mais colocar mais inteligência artificial nas aplicações. mas sim decidir quando, como e onde utilizá-la de forma eficiente.

Essa convergência é um forte indicativo de que não estamos diante de uma tendência passageira, mas sim de uma mudança estrutural na forma como arquitetamos sistemas baseados em IA.

Anthropic: comece pela solução mais simples

Um dos sinais mais claros dessa mudança aparece no artigo Building Effective Agents, publicado pela Anthropic.

Após trabalhar com dezenas de implementações corporativas de agentes, a empresa apresenta uma recomendação surpreendentemente simples:

Comece pela solução mais simples possível e só aumente a complexidade quando necessário.

Para a Anthropic, muitos problemas são melhor resolvidos por fluxos previsíveis e orientados por código do que por agentes altamente autônomos. A empresa inclusive recomenda que equipes esgotem abordagens mais simples antes de introduzir sistemas agentic complexos. Outro aspecto interessante é a presença de um padrão arquitetural chamado Routing, descrito como a classificação de uma solicitação seguida pelo encaminhamento para um especialista apropriado.

OpenAI: agentes devem ser usados onde realmente agregam valor

A OpenAI segue uma linha de pensamento muito semelhante.

Em seu guia prático para construção de agentes, a empresa argumenta que agentes devem ser utilizados quando abordagens tradicionais, determinísticas e orientadas por regras deixam de ser suficientes para resolver um problema. A implicação é direta é que:

Nem todo processo exige um agente e consequentemente, nem todo processo exige um modelo de linguagem sofisticado.

A OpenAI também enfatiza padrões arquiteturais como:

• agentes especialistas;
• coordenadores;
• handoffs;
• roteamento entre capacidades.

Novamente observamos um tema recorrente:

A discussão está migrando de qual modelo usar para como orquestrar modelos, ferramentas e especialistas.

Microsoft: o retrieval virou um problema de raciocínio

A evolução recente do Azure AI Search, Agentic Retrieval e Foundry IQ talvez represente um dos exemplos mais claros dessa transformação.

Tradicionalmente, Retrieval-Augmented Generation (RAG) era visto como um mecanismo relativamente simples:

Pergunta -> Busca -> Contexto -> LLM -> Resposta

Nas implementações mais recentes, entretanto, a própria recuperação de informações passa a ser tratada como um processo de planejamento, decomposição e tomada de decisão.

A proposta do Foundry IQ é particularmente emblemática.

A plataforma descreve retrieval como uma atividade de raciocínio capaz de planejar consultas, navegar entre fontes de informação e combinar conhecimento proveniente de diferentes repositórios.

Isso representa uma mudança sutil, mas importante. A pergunta deixa de ser “qual documento devo recuperar?” e passa a ser “como devo encontrar o conhecimento necessário para responder esta pergunta?“. O retrieval deixa de ser uma simples operação de busca e passa a se tornar uma etapa de decisão arquitetural.

Google Research: mais agentes não significa melhores resultados

Outro estudo relevante vem do Google Research.

Em uma avaliação envolvendo múltiplas arquiteturas de agentes, pesquisadores observaram que aumentar o número de agentes nem sempre melhora os resultados. Dependendo da natureza da tarefa, arquiteturas mais complexas podem inclusive degradar a performance.

A principal conclusão é especialmente relevante para arquitetos:

Eficiência arquitetural pode ser mais importante do que escala arquitetural.

Essa observação reforça uma das hipóteses centrais deste artigo, de que eficiência arquitetural pode ser mais importante do que escala arquitetural.

Andrej Karpathy: a arquitetura voltou ao centro da discussão

Essa mesma tendência também aparece nas reflexões recentes de Andrej Karpathy sobre Software 3.0 e Agentic Engineering, onde ele argumenta que estamos migrando de um mundo onde o principal ativo era escrever código para um mundo onde o principal ativo passa a ser orquestrar sistemas inteligentes.

Talvez essa seja a melhor síntese para o movimento que estamos observando:

A inovação não está desaparecendo dos modelos, mas ela está migrando progressivamente dos modelos para a arquitetura.

A tese que emerge dessa convergência

Quando observamos em conjunto, surge uma conclusão difícil de ignorar:

A próxima geração de sistemas de IA generativa será definida menos pela capacidade de gerar respostas e mais pela capacidade de tomar boas decisões antes da geração.

Talvez este seja o verdadeiro pano de fundo por trás de todas essas discussões seja:

Antes de otimizar tokens, contexto e modelos, precisamos criar arquiteturas que tomem decisões antes que o primeiro token seja consumido.

O surgimento da arquitetura LLM-Last

O que vejo emergindo como padrão é uma arquitetura que coloca o modelo generativo no final da cadeia de decisão.

Algo que podemos chamar de LLM-Last Architecture, onde o LLM deixa de ser a aplicação e passa a ser apenas um componente da aplicação.

Usuário -> Classificação -> Roteamento -> Ferramentas -> Conhecimento -> LLM -> Resposta

O que muda na prática?

Em uma arquitetura LLM-First, o modelo recebe a responsabilidade de descobrir praticamente tudo:

• Como responder
• Qual é a intenção do usuário
• Quais fontes consultar
• Quais ferramentas utilizar
• Quais informações são relevantes

Na arquitetura LLM-Last, essas responsabilidades passam a ser distribuídas.

Classificação (Quem deve responder?)
↓
Roteamento (Qual capacidade utilizar?)
↓
Ferramentas (Quais dados recuperar?)
↓
Conhecimento (Quais evidências são relevantes?)
↓
LLM (Como transformar tudo isso em uma resposta útil?)

O modelo continua extremamente importante, mas ele passa a atuar onde efetivamente agrega valor:

• Síntese
• Explicação
• Contextualização
• Raciocínio complexo
• Interação natural

O novo objetivo: reduzir trabalho desnecessário do modelo

Foi nesse momento que percebi a conexão mais profunda entre os três artigos mencionados anteriormente.

Todos eles estão tentando resolver o mesmo problema através de abordagens diferentes.

Essas três abordagens podem ser resumidas em uma única diretriz arquitetural:

Use a menor quantidade possível de IA necessária para alcançar o resultado esperado.

Observe que isso não significa usar menos IA por usar menos IA. Significa reservar a capacidade dos modelos para aquilo que realmente exige inteligência generativa.

Arquiteturas LLM Last tendem a possuir as seguintes características:

• Maior governança
• Menor custo
• Menor latência
• Maior previsibilidade
• Melhor aproveitamento de SLMs
• Melhor aproveitamento de modelos especializados.

O impacto para arquitetos de soluções

Acredito que esta seja uma das mudanças mais importantes que estamos vivendo atualmente.

Nos primeiros anos da IA generativa, a inovação estava concentrada nos modelos, mas agora ela está migrando para a arquitetura, pois o principal diferencial competitivo não está mais apenas em possuir acesso ao melhor modelo, mas sim relacionado cada vez mais a capacidade de responder as seguintes perguntas ao arquitetar a solução:

• Quando devo usar um LLM?
• Quando não devo usar um LLM?
• Qual modelo devo utilizar?
• Que conhecimento realmente precisa participar da resposta?
• Qual decisão pode ser tomada antes da inferência?
• O uso de LLMs permite que a solução a ser criada será eficiente em termos de ROI e TCO?

Cenas dos próximos capítulos

Talvez estejamos focando na otimização errada.

Durante muito tempo, a principal preocupação das arquiteturas de IA generativa foi decidir quais informações deveriam chegar ao modelo. Mas e se a pergunta mais importante for outra?

E se antes de decidir qual contexto utilizar, precisássemos decidir quem deve responder?

No próximo artigo desta série explorarei essa ideia por meio de uma comparação entre duas abordagens cada vez mais presentes no mercado: Context Pruning e Capability Routing.

De toda forma, o ponto mais importante não é o “fim” do CoE Starter Kit, mas a evolução do lugar que a governança ocupa dentro da Power Platform.

Neste post, quero colocar essa mudança em perspectiva: o que está mudando, o que não está e como avaliar essa transição com calma, de forma pragmática e sem disrupções desnecessárias.

O CoE Starter Kit nunca foi um produto — e isso importa

O primeiro ponto que vale reforçar é simples, mas fundamental:

O CoE Starter Kit nunca teve a intenção de ser um produto completo da Microsoft.

Ele sempre foi posicionado como:

• Uma implementação de referência
• Um conjunto de padrões, modelos e automações de exemplo
• Um reflexo de cenários reais de governança observados em muitos clientes

Em outras palavras, o CoE Starter Kit respondia à pergunta:

“Como a governança, o monitoramento e a adoção poderiam ser implementados usando a própria Power Platform?”

Ele foi construído intencionalmente sobre a Power Platform (Dataverse, Power Apps, Power Automate, Power BI), e não dentro da plataforma. Essa distinção explica tanto seu valor quanto seus limites.

Sob essa perspectiva, o fato de a Microsoft deixar de manter ativamente o kit não representa uma desvalorização da governança. É um sinal de que esses padrões amadureceram o suficiente para migrar para experiências nativas.

“Se isso parece repentino, provavelmente você não notou os sinais”

Há uma verdade um pouco desconfortável — mas importante — aqui:

Se a transição parece surpreendente, é provável que os recursos nativos de governança já estivessem fazendo grande parte do mesmo trabalho.

Ao longo dos últimos anos, a Microsoft vem incorporando gradualmente recursos de governança diretamente à plataforma, muitas vezes com experiências equivalentes ou superiores às do CoE Starter Kit. Alguns exemplos:

• Telemetria e insights sobre o uso nativos

Power Platform agora oferece inventário, uso, monitoramento e insights de status (health) nativos diretamente no Power Platform Admin Center (PPAC) — sem fluxos customizados nem automações de sincronização.

Ambientes gerenciados

Introduziu controles de governança como limites de compartilhamento, obrigatoriedade do Solution Checker, experiências de boas-vindas para makers e insights semanais de uso — muitos deles cobrindo cenários historicamente implementados por meio de fluxos do CoE.

Pipelines for Power Platform

Uma experiência nativa e de primeira classe de ALM, que substitui boa parte do que as organizações costumavam alcançar com padrões de ALM customizados (ou com o ALM Accelerator).

Power Platform CLI e APIs de gerenciamento

Oferecendo capacidades de automação, script e integração em nível corporativo que vão muito além do que era prático dentro de uma solution empacotada.

Connectores Administrativos (Power Platform for Admins v2)

Expondo as mesmas APIs de gerenciamento usadas pelo PPAC, permitindo que clientes automatizem ações de governança sem depender de lógica específica do CoE.

Em conjunto, esses investimentos deixam claro que a estratégia de longo prazo da Microsoft tem sido trazer a governança para dentro da própria plataforma, em vez de mantê-la como um toolkit externo.

Este não é um momento de “rip and replace”

Outro esclarecimento importante:

A Microsoft não está dizendo aos clientes para desinstalar ou abandonar o CoE Starter Kit.

A orientação oficial é mais sutil — e mais razoável:

• O CoE Starter Kit continua disponível
• As implementações existentes continuam funcionando
• A recomendação é começar a mapear cenários do CoE para capacidades nativas

Exemplos do que pode migrar para o nativo

Muitas organizações já podem planejar a transição destes cenários:

• Inventário e descoberta em todo o tenant → PPAC Inventory
• Acompanhamento de adoção e uso → PPAC Usage and Admin Analytics
• Saúde operacional e monitoramento → PPAC Monitor and alerts
• Recomendações de governança → PPAC Actions (Advisor)
• Governança de ambientes → Managed Environments + environment groups
• Pipelines de ALM → Pipelines for Power Platform + CLI

Nessas áreas, a experiência nativa não é apenas comparável — ela costuma ser mais escalável, mais segura e mais integrada do que a implementação via CoE Starter Kit.

Principal mensagem: Use os recursos nativos da Power Platform onde eles já oferecem funcionalidade equivalente (ou melhor) e mantenha o CoE Starter Kit apenas onde ele ainda agrega valor único.

Onde o CoE Starter Kit ainda pode fazer sentido

Mesmo com o amadurecimento das capacidades nativas de governança, ainda existem cenários em que o CoE Starter Kit — ou soluções inspiradas nele — pode continuar agregando valor, especialmente quando os dados de governança precisam ir além dos administradores.

Alguns exemplos comuns incluem:

Compartilhando insights de adoção com líderes de negócio

A adoção de Power Platform raramente é apenas uma preocupação técnica. Líderes de negócio frequentemente querem respostas para perguntas como:

• Quais departamentos estão construindo apps e automações ativamente?
• Onde o valor está sendo criado — ou duplicado?
• Quem são os makers e champions mais ativos?
• Como a adoção evolui ao longo dos trimestres, e não apenas nos últimos 28 dias?

O CoE Starter Kit foi desenhado intencionalmente para atender a essa lacuna. Ao armazenar dados de inventário, uso e auditoria no Dataverse e apresentá-los por meio do Power BI, ele permitiu que organizações:

• Compartilhassem dashboards de adoção somente leitura com executivos e stakeholders de negócio.
• Oferecessem análise de tendência em períodos longos, não limitada a janelas curtas de retenção.
• Segmentassem insights por unidade de negócio, geografia ou iniciativa estratégica.

Embora o Power Platform Admin Center agora ofereça boa visibilidade nativa para administradores, ele é intencionalmente restrito a usuários com privilégios administrativos. Para organizações que precisam ampliar essa visibilidade de forma adequada ao papel de cada público, padrões de relatórios no estilo CoE Starter Kit continuam altamente relevantes.

Análises de adoção mais profundas e customizadas

Os analytics nativos da plataforma são otimizados para governança operacional — respondendo a perguntas como “O que existe?”, “O que é mais usado?” ou “O que precisa de atenção agora?”

O CoE Starter Kit complementa isso ao permitir:

• Correlação entre apps, makers, connectors, environments e padrões de uso.
• Análise histórica de longo prazo usando Power BI sem depender de recursos em preview para exportação
• Dashboards narrativos que contam uma história de adoção, e não apenas exibem dados de sobre o uso.

Para organizações com práticas maduras de analytics, essa capacidade de contextualizar os dados de adoção — em vez de apenas observá-los — costuma ser crítica para sustentar o apoio executivo ao longo do tempo.

Fluxos de governança e enablement específicos da organização

Algumas necessidades de governança são, por natureza, específicas de cada organização:

• Validações de conformidade customizadas.
• Modelos de aprovação específicos por departamento.
• Comunicações direcionadas para makers e gestores.
• Pipelines de inovação e backlog de ideias.

Esses cenários nunca tiveram a intenção de ser resolvidos de forma universal pela própria plataforma. Em muitos casos, manter componentes selecionados do CoE — ou reconstruir equivalentes nativos usando admin connectors — continua sendo uma abordagem prática.

O princípio-chave aqui é a seletividade.

Principal mensagem: O objetivo não é preservar o CoE Starter Kit intacto, mas mantê-lo de forma intencional — usando-o onde ele ainda preenche lacunas e aposentando-o onde os recursos nativos da Power Platform já oferecem uma solução mais limpa e escalável.

O quadro maior: uma mudança de responsabilidade

O que realmente está mudando não é a governança em si, mas onde a responsabilidade por ela passa a estar.

• A plataforma agora fornece as capacidades centrais: telemetria, controles, pontos de controle e conectores para automação.
• As organizações decidem quanto processo, relatórios e enablement adicionais precisam construir sobre essa base.

Isso aproxima a Power Platform de outras plataformas corporativas: governança deixa de ser uma solução de exemplo que você instala e passa a ser uma capacidade nativa que você estende quando necessário.

Olhando para frente: capacidades de governança para acompanhar

À medida que a governança da Power Platform evolui, algumas capacidades despontam como próximos passos naturais. Não se trata de promessas nem de roadmap oficial, mas de áreas que podem fortalecer ainda mais a experiência nativa de governança:

• Acessos mais granulares no Admin Center (RBAC)
  Para permitir delegação segura de responsabilidades sem exigir privilégios amplos demais.
• Mais compartilhamento de insights e retenção histórica
  Para ampliar a visibilidade da adoção além dos administradores e viabilizar análises mais úteis ao longo do tempo.
• Automação nativa de ações de governança
  Para reduzir esforço operacional e tornar controles recorrentes mais consistentes.
• Mais suporte para onboarding e comunicação com makers
  Para fortalecer o enablement sem depender tanto de soluções customizadas.
• Extensibilidade mais clara via APIs e eventos
  Para permitir integrações e processos customizados com mais previsibilidade.

Em resumo, os recursos nativos de governança da Power Platform seguem uma trajetória positiva. À medida que evoluem, reduzem a dependência de implementações complementares e aproximam a plataforma de uma experiência de governança cada vez mais completa.

Reflexão final: planeje a transição, não tenha pressa

Para a maioria dos clientes, a resposta correta não é nem pânico nem negação.

Em vez disso:

1. Faça um inventário do seu uso atual do CoE.
2. Mapeie cada cenário para capacidades nativas.
3. Identifique lacunas reais (não apenas hábitos).
4. Planeje uma transição gradual.
5. Mantenha ou refatore apenas o que ainda agrega valor.

Sob essa perspectiva, o CoE Starter Kit não falhou — ele, em grande medida, cumpriu seu papel. Os padrões que ajudou a demonstrar agora estão sendo incorporados à própria plataforma.

E isso geralmente é um sinal de maturidade, não de perda.

Mensagem principal: Se você está planejando ativamente seu roadmap de governança e quer avaliar com tranquilidade quais partes do seu setup atual de CoE podem migrar para o nativo — e quais ainda deveriam permanecer — este é um bom momento para fazer esse trabalho de forma deliberada, e não reativa.

Leitura adicional recomendada

Microsoft Power Platform Center of Excellence (CoE) Starter Kit transition to Power Platform admin center

Microsoft Power Platform admin documentation

Overview of the Power Platform admin center

O que é o Microsoft Build?

O Microsoft Build é o principal evento anual da Microsoft voltado para desenvolvedores, engenheiros e profissionais de tecnologia. Desde sua primeira edição em 2011, o Build se consolidou como o espaço onde são apresentadas as mais recentes inovações em inteligência artificial, desenvolvimento de software, nuvem e dados.

Tive a oportunidade de participar presencialmente da edição que foi realizada em Seattle, o que para mim foi uma experiência fantástica. Ter contato com o time de produtos, liderança, parceiros e clientes de todo o mundo me permitiu aprender muito e a criar conexões fantásticas. É algo que tentarei fazer novamente sempre que for possível e que recomendo a todos.

O que esperar da edição de 2026?

Neste ano, o evento será realizado em São Francisco, EUA, com transmissão online para participantes de todo o mundo. Isso significa que você pode acompanhar as novidades diretamente de casa ou do escritório e a seu tempo (se elas forem gravadas).

As sessões deste ano estão organizadas em torno de grandes temas que refletem o futuro da engenharia de software e da IA:

• Inteligência Artificial e Agentes: como agentes inteligentes apoiam todo o ciclo de desenvolvimento, desde planejamento até operações em produção.
• Responsabilidade e Segurança em IA: governança, observabilidade e confiabilidade em soluções baseadas em agentes.
• Produtividade de Desenvolvedores: novidades do GitHub Copilot e Visual Studio para depuração, testes e otimização de código.
• Plataforma e Dados: inovações no Azure e no Microsoft Fabric, integrando AI e BI em escala.
• Modelos e Futuro da Engenharia: execução híbrida de modelos, defensibilidade de software e técnicas avançadas de fine-tuning.

Dicas para quem vai acompanhar remotamente

Não tente acompanhar tudo nestes dois dias pois será impossível. Tenho algumas dicas que requerem pouco investimento em tempo, e permitirão que você assista o conteúdo conforme a sua disponibilidade.

• Inscreva-se antecipadamente nas sessões que mais lhe interessam.
• Priorize aquelas que não serão gravadas, para garantir que você não perca conteúdos exclusivos.
• Marque todas como Favoritas: isso permite assistir às gravações das sessões que você não conseguiu acompanhar ao vivo por conflito de horário e também baixar materiais disponibilizados.

Para se inscrever

Basta acessar o site do evento e se inscrever gratuitamente.

Microsoft Build 2026 (site oficial).

Se você respondeu “sim” a alguma dessas perguntas, eu tenho um convite imperdível para você.

No dia 26/11/2025 às 19h00m, eu estarei ao vivo no YouTube para conversar sobre um tema que deixou de ser “o futuro” e virou “o agora”: A Inteligência Artificial. Mas calma! Não vamos falar sobre robôs dominando o mundo ou teorias complexas de programação. O objetivo dessa live é praticidade.

Não guarde essa oportunidade só para você. Se você conhece amigos que estão procurando emprego ou querendo dar um “up” na carreira, encaminhe este post para eles. Vamos crescer juntos!

Te vejo lá!

Por que você não pode perder?

• Resumo completo das inovações em Power Apps, Power Automate, Copilot Studio, Dataverse e muito mais
• Dicas práticas para aplicar as novidades no seu dia a dia
• Espaço para tirar dúvidas diretamente com quem entende do assunto

Data: 6 de novembro de 2025
Horário: 15h às 16h (Horário de Brasília)
Inscreva-se aqui: link de inscrição

Não perca essa oportunidade de ficar por dentro do que está transformando o mundo do Low Code e da Inteligência Artificial!

Esta é uma ótima oportunidade para aprofundar seus conhecimentos em Copilot Studio de forma leve e no seu ritmo. Basta acessar a playlist com todos os vídeos através deste link.

Como criar um caso de teste no Power Automate Desktop

Confira neste tutorial como criar um caso de teste simples para seus fluxos desktop.

• 1) Atualizar o Power Automate Desktop

  

  Primeiro, é preciso atualizar o Power Automate Desktop para a versão 2.54. Com você terá acesso a função “Tests” no menu lateral esquerdo.

• 2) Criar o fluxo de teste

  

  Clique em New e depois em Test Case.

• 3) Defina um nome e o fluxo a ser testado

  

  Defina um nome para o seu caso de teste, bem com o fluxo que será testado, dentre outras configurações.

• 4) Crie uma ação do tipo “Test a desktop flow”

  

  Adicione uma ação do tipo “Test a desktop flow” para que você possa informar o valor para as variáveis de entrada do fluxo a ser testado, o que irá variar de acordo com a características do mesmo. O caso de teste deste exemplo executa apenas um teste por vez, mas é possível, por exemplo, testar diversas execuções criando um loop com a ação de teste que utiliza um arquivo CSV ou XLS como fonte de dados.

  Algo que notei é que, pelo menos neste momento, não é possível inserir textos muito longos nestas caixas de diálogo. Como workaround, criei uma variável de entrada e inseri o texto necessário (um JSON) para que meu fluxo fosse executado com sucesso.

• 5) Insira uma ação do tipo “Assert”

  

  Adicione uma ação do tipo “Assert” que é onde você vai definir a lógica de avaliação a ser aplicada em cada teste executado. Você poderá utilizar valores das variáveis de saída.

• 6) Execute o teste

  

  Para executar o caso de teste, você utilizará a mesma funcionalidade utilizada para executar os fluxos desktop: o botão “Run“. O fluxo desktop que está sendo testado será então executado e caso a condição informada em “Assert” seja atendida, o teste será concluído com sucesso.

Para aumentar a potencial de transformação digital da Power Platform, existem estratégias de adoção denominadas padrões de valor (patterns of value), que representam abordagens de adoção focadas em atender desafios específicos.

Este é um tema que abordarei neste blog em detalhes em breve, mas segue um resumo para que vocês tenham um contexto mínimo e assim aproveitar ao máximo os webinars

Application Modernization

Extend LOB Systems

Optimize with Hyperautomation

Build your own copilots

Você sabia que até 75% do backlog de desenvolvimento pode ser acelerado utilizando Power Platform? Conecte aplicativos, automações e agentes a suas APIs e bancos de dados existentes para que os usuários de negócio possam criar rapidamente e com o apoio de IA soluções inovadoras.

Customizar aplicações core como ERPs é extremamente custoso e demorado, além de tornar dificultar a atualização de versões. Mas com o uso combinado dos conectores da Power Platform, aplicativos e automações é possível otimizar os processos de negócios, aumentar a produtividade e eliminar tarefas manuais, mantendo suas aplicações core no looping de informações.

Todas as organizações possuem aplicações legadas (antigas) com limitada (ou inexistente) conectividade e processos de negócio custosos, complexos e sujeitos a erros humanos. Com a Power Platform, você pode enfrentar esses desafios utilizando recursos de automação DPA, RPA e Process and Task Mining totalmente integrados e que contam com recursos avançados de IA para acelerar a criação de soluções robustas de automação.

Como o volume e ritmo das demandas de clientes, colaboradores e parceiros continua a aumentar, assistentes de IA são fundamentais para garantir um atendimento consistente e de alta qualidade. Com os agentes do Copilot Studio é possível fornecer um alto nível de atendimento através de respostas consistentes e de qualidade.

Agora que você conhece um pouco mais sobre os padrões de valor da Power Platform, se inscreva nos webinars apresentados por especialistas no tema e descubra como soluções de IA e low-code podem impulsionar a inovação e o valor em toda a sua organização.

Para se inscrever basta acessar o link abaixo:

Patterns of value: Power Platform