Stripe criou assistente de IA interno em uma semana
Um engenheiro da Stripe construiu a primeira versão do Kai, o assistente de IA interno da empresa, em uma semana, apoiado no Deep Agents, o arcabouço de agentes de código aberto da LangChain. Na abertura ao público interno, o Kai bateu a meta de adoção do trimestre em uma semana e passou de 296 para mais de 5.000 usuários em cerca de quatro semanas. Hoje 83% da Stripe usa o sistema toda semana, em mais de 60 mil sessões. Todos esses números vêm de um estudo de caso publicado pela própria LangChain, fornecedora da tecnologia, e não há apuração independente.
O que o Kai faz
O Kai é o nome interno da Knowledge AI Platform da Stripe. Roda sobre a pilha LangChain/LangGraph e está disponível para qualquer funcionário.
A interface é uma sessão de conversa. O usuário pergunta, e o sistema devolve artefato: relatório, painel, documento. O artefato fica ao lado da conversa e vai mudando conforme o diálogo avança. O modelo de uso é o de um agente de programação, com a diferença de que o público-alvo não programa.
O sistema está ligado ao data warehouse interno da Stripe, ao Slack e ao Google Suite. Vem carregado com contexto da empresa, então o funcionário não precisa explicar o que faz nem como a companhia funciona antes de cada tarefa.
| O que | Quanto |
|---|---|
| Tempo até a primeira versão | 1 semana, um engenheiro |
| Uso semanal | 83% da Stripe |
| Sessões | mais de 60 mil |
| Abertura ao público interno | de 296 para mais de 5.000 usuários em cerca de 4 semanas |
| Biblioteca de skills | mais de 1.000, mantidas por mais de 100 times |
| Ferramentas MCP internas | mais de 500 |
| Limite medido | queda de qualidade acima de 150 skills carregadas |
| Áreas de maior uso | marketing 95%, go-to-market 87% |
A semana só existe porque uma década veio antes
A Stripe passou mais de dez anos construindo ferramental interno, camadas de segurança e suporte de implantação em torno de Ruby e Java. Adotar uma pilha nativa em Python obrigou a refazer parte dessa estrutura de serviço para outra linguagem. O estudo de caso classifica isso como investimento grande e não informa o custo.
A empresa também expõe mais de 500 ferramentas MCP internas. O estudo de caso não informa quantas dessas já existiam no momento em que o Kai foi montado.
Deep Agents é o arcabouço de agentes de código aberto da LangChain. Ele entrega prontos o laço de chamada de ferramentas, a composição de middleware, o streaming e a gestão de estado. Nada disso é específico da Stripe, e o estudo de caso estima em meses o prazo para construir e estabilizar essa base do zero.
Sharadh Krishnamurthy, gerente de engenharia do time Agent Foundation, resume a escolha: a camada da LangChain "resolve todos os problemas que não são da Stripe".
Mais de 1.000 skills, e a qualidade cai acima de 150
A Stripe organiza o conhecimento interno em skills, módulos que descrevem como executar um tipo de tarefa e quais ferramentas carregar para isso. A biblioteca passou de 1.000 skills, mantidas por mais de 100 times.
O modelo é federado. Cada time é dono das próprias skills. O agente base carrega um conjunto fundamental de navegação pela empresa, e o restante entra conforme o perfil: quem trabalha em operações de vendas recebe um conjunto diferente de quem trabalha em finanças. O funcionário pode somar skills ao próprio perfil.
Carregar tudo é impossível. A solução foi um sistema de duas passadas: a lista allowedTools de cada skill decide quais ferramentas entram no contexto, e a escolha das skills fica com o próprio modelo. Anupam Upadhyay, o engenheiro de software que montou a primeira versão, descreve o raciocínio: o modelo já gasta esforço decidindo qual skill carregar, então esse mesmo esforço passa a decidir as ferramentas. Algumas skills fundamentais ficam fixas e não saem do contexto, para garantir política e contexto da empresa em qualquer sessão.
O limite apareceu na medição. Com o cabeçalho de cada skill preso a 1.024 caracteres, o time viu a qualidade dos modelos de fronteira cair acima de 150 skills carregadas junto com o prompt de sistema. O estudo de caso registra o número de skills como problema em aberto.
Marketing usa mais que engenharia
Marketing usa o Kai em 95% e as áreas de go-to-market em 87%, percentuais acima do próprio time de engenharia.
O público que o projeto mirava era esse: vendedor, analista financeiro, gente de operações. Pessoas que receberam a ordem de usar IA e não encontraram ferramenta compatível com o trabalho que fazem. Os relatos citados falam em preparação de negócio, com o sistema puxando dado de várias fontes internas e devolvendo material pronto. Times de finanças usam para análise e geração de painéis. Recém-contratados usam para acelerar a integração.
O desenho veio da origem do projeto. Com o lançamento do Claude Code no fim de 2024, funcionários de toda a Stripe quiseram construir agentes, mas terminal, acesso a dados e camada de segurança barravam quem não é engenheiro. O time inverteu o caminho: em vez de empurrar o não-técnico para a ferramenta de desenvolvedor, entregou algo construído para ele.
A engenharia, que não era o público, acabou usando de qualquer forma, inclusive rodando o Kai contra os próprios registros de uso para descobrir onde faltava cobertura de skill.
O que a Stripe declara que ainda não resolveu
Quatro frentes seguem abertas, segundo o time:
- Seleção de skill em escala. Com mais de 500 ferramentas MCP e mais de 1.000
- skills, nenhum modelo faz a escolha de forma confiável sozinho. A seleção por
- modelo funciona na escala atual e, quando o contexto completo está disponível,
- entrega resultado melhor que RAG. A saída em estudo é híbrida: uma camada de
- recuperação ou um classificador pré-filtra, e o modelo decide no fim.
- Governança. Com milhares de funcionários usando, o time investe em segurança e
- conformidade para que o alcance do sistema não passe à frente da supervisão.
- Personalização de comportamento. Alguns times querem que o agente planeje e
- faça perguntas antes de agir; outros querem resposta direta. O time avalia
- classificadores para inferir isso sozinho, em vez de expor o ajuste ao usuário.
- Colaboração. Hoje a sessão é de um usuário só. O plano prevê skills e artefatos
- compartilhados e, depois, sessão conjunta.
A fonte é o fornecedor
O material desta matéria vem de um texto só: o estudo de caso publicado pela LangChain, que é a empresa por trás do Deep Agents. Nenhum outro veículo do levantamento cobriu o assunto por conta própria.
Ninguém de fora verificou os percentuais de adoção, o prazo de uma semana ou o salto de 296 para 5.000 usuários. As declarações citadas são de funcionários da Stripe, incluindo Chrissie, chefe da plataforma de IA, sobre a escolha do Deep Agents. Não há posição de quem tenha testado o sistema de fora, nem métrica financeira de retorno. O estudo de caso justifica o investimento pela demonstração de velocidade, e não apresenta número de produtividade.
O dossiê também não traz a data de publicação do texto original.
O que isso cobra da empresa brasileira
A semana só cabe em quem já pagou o pré-requisito. A Stripe tem data warehouse interno, Slack e Google Suite conectáveis, mais de 500 ferramentas internas expostas, e chegou nisso depois de mais de dez anos construindo infraestrutura de implantação. Quem não tem esse encanamento não constrói em uma semana. O tempo vai embora antes de chegar ao agente.
O que dá para copiar é a divisão de trabalho. A camada genérica, com laço de ferramentas, estado e streaming, é código aberto e ninguém precisa reescrever. A empresa constrói o que só ela sabe: quais são as fontes de dado, quais as regras, como cada área trabalha. A Stripe chama isso de skill e deixou a manutenção com os times de negócio, fora da engenharia central.
Projeto de IA interna no Brasil costuma começar por engenharia, que é quem pede. Os números da Stripe apontam para o outro lado: as áreas com maior uso semanal foram marketing e go-to-market. Isso vale como hipótese a testar, não como fato consolidado, porque o número saiu do fornecedor da tecnologia.
--- Apurado em 1 veículo de 1 país.