A Onni não vende a pilha de ninguém. O que entregamos é o método e a arquitetura: o mapa das atividades, as skills que as executam, os testes que as aprovam e a governança que o cliente opera. A escolha do fabricante vem depois, e vem da camada onde o problema realmente está.
Estes oito fabricantes cobrem, juntos, as seis camadas da arquitetura Onni. Cada um lidera em camadas diferentes, e é por isso que a combinação importa mais do que a marca. Com todos eles temos projetos de IA consolidados nos últimos anos — não é catálogo de parceria, é portfólio que já passou por produção.
Discovery, arquitetura de solução, build acelerado por IA, testes contínuos e deploy rastreável.
API de orquestração multi-framework, arquitetura RAG calibrada e biblioteca de agentes reutilizáveis.
Catálogo de atividades e skills, ontologia do negócio, RAG híbrido e dicionário de dados corporativo.
Workbench, pipelines, treino e deploy de modelos com monitoramento de drift e performance.
Mapeamento e documentação automática de APIs. A IA entra no que já existe, sem exigir reescrita.
Compute, rede de baixa latência, storage, inferência local, zero trust e observabilidade full-stack.
Atravessa as seis camadas e não é caixa-preta de fornecedor nenhum: cada organização governa o que se testa, o que se aprova, o que se vê, o que se bloqueia e o que se audita. Quando um parceiro entra aqui, entra como instrumento do cliente — nunca como dono do plano.
“Copiloto em cada função, agente em cada processo.”
A Microsoft levou a IA para dentro das ferramentas onde o trabalho já acontece — o documento, a caixa de correio, a reunião, a planilha — e abriu no Azure a fundição onde os agentes empresariais são construídos, avaliados e governados. É uma tese de adoção por proximidade: a IA não pede que a pessoa mude de lugar, ela aparece onde a pessoa já está. A consequência arquitetural é que a superfície de uso e a plataforma de construção falam a mesma língua de identidade, política e auditoria.
É a pilha mais presente no parque instalado dos nossos clientes, o que torna o primeiro passo mais curto: em muitos casos a identidade, a política e o dado já estão lá, e o que falta é o método que transforma isso em atividade executada. Temos projetos consolidados sobre essa base nos últimos anos, e é onde mais frequentemente provamos que a adoção morre ou vive na camada 03, não na escolha do modelo.
“IA aberta, governada e defensável perante o regulador.”
A tese da IBM é que o modelo maior raramente é o modelo certo. Modelos abertos e menores, especializados com o dado da própria organização e acompanhados de governança de série, entregam custo previsível e rastreabilidade que a empresa consegue defender numa auditoria. É um posicionamento construído para setores onde a decisão é contestável — e por isso conversa naturalmente com quem opera sob prazo legal e prestação de contas.
Quando o cliente precisa mostrar a um órgão de controle não só o resultado mas o caminho, a conversa muda de “que modelo você usou” para “o que você registrou”. A IBM é o parceiro cujo portfólio já nasce com essa pergunta respondida. Temos projetos consolidados de IA com a IBM nos últimos anos, tipicamente nos casos em que governança não é um requisito não-funcional — é o requisito.
“O mesmo modelo, no mesmo formato, em qualquer lugar.”
A Red Hat trata IA como carga de trabalho de plataforma, não como serviço de um provedor. Se roda em contêiner no OpenShift, roda no data center do cliente, em qualquer nuvem pública ou na borda — o mesmo artefato, o mesmo pipeline, a mesma política. É o posicionamento que transforma “sem lock-in” de promessa comercial em propriedade verificável da arquitetura.
É o parceiro que torna a nossa promessa auditável. Quando dizemos que o cliente pode sair, a Red Hat é a razão técnica pela qual isso é verdade: o artefato é portável por construção. Temos projetos consolidados de IA sobre OpenShift nos últimos anos, com concentração em organizações que precisam de soberania de dado por obrigação legal, não por preferência.
“O modelo mora junto do dado.”
A Google Cloud parte do princípio de que a inteligência nasce onde o dado já tem gravidade. O BigQuery é o centro de massa, o Vertex é a fábrica que treina, serve e avalia, o Gemini é a família multimodal — e os agentes são desenhados desde o início para conversarem entre si e com agentes de terceiros. É a pilha em que a distância entre a pergunta analítica e a resposta generativa é a mais curta.
Nos casos em que o problema começa no dado — cruzamento fiscal, saúde populacional, mobilidade, indicadores de rede — a camada 03 é onde o projeto se ganha, e é aí que a Google Cloud é mais difícil de bater. Temos projetos consolidados de IA sobre essa base nos últimos anos, tipicamente os que envolvem volume analítico alto e resposta em linguagem natural sobre esse volume.
“Antes de ser um problema de modelo, IA é um problema de rede.”
A Cisco olha para a IA pela infraestrutura que ela exige e pelo perímetro que ela abre. Computação junto ao dado, rede de baixa latência entre GPU e armazenamento, e a capacidade de ver e barrar o que sai. É o posicionamento menos glamouroso do conjunto e, na prática, o que mais decide se o piloto vira produção: a maioria das arquiteturas de IA não falha no modelo, falha no egress, na latência e na ausência de telemetria.
É o parceiro que sustenta a parte da promessa que ninguém vê no slide: o kill switch que funciona, a tela que mostra a chamada, o dado que não sai da rede autorizada. Temos projetos consolidados de IA com a Cisco nos últimos anos, e é recorrentemente o parceiro que viabiliza a inferência local quando o dado não pode atravessar a fronteira da organização.
“Para decisão que vai ter de ser explicada.”
O SAS ocupa o terreno onde a IA não pode ser opaca: fraude, risco de crédito, saúde populacional, inteligência fiscal. Cenários em que a decisão é contestada por alguém — um cidadão, um auditor, um tribunal — e em que “o modelo decidiu” não é resposta. O posicionamento é analítico antes de ser generativo: primeiro o score defensável, depois a linguagem natural em cima dele.
Há uma classe de atividade no Onni Map em que o parceiro certo não é o mais generativo, é o mais explicável — e ignorar isso é como se perdem projetos em auditoria. Temos projetos consolidados de IA com o SAS nos últimos anos, concentrados exatamente onde a decisão tem consequência jurídica ou orçamentária direta.
“A IA acelera a entrega, não só a resposta.”
O OutSystems aplica IA ao próprio ciclo de construção: gerar, integrar e publicar a aplicação que expõe o processo — e, mais recentemente, publicar agentes dentro dessa mesma aplicação. É um posicionamento sobre tempo. Enquanto a maior parte do mercado discute a qualidade da resposta, o OutSystems discute quanto tempo passa entre decidir e ter o serviço no ar.
Encurta o intervalo entre a atividade mapeada e o serviço no ar, que é onde a maior parte das iniciativas de IA perde a tração política dentro da organização. Temos projetos consolidados de IA com o OutSystems nos últimos anos, sobretudo em jornadas de atendimento e serviços digitais onde o prazo de entrega é parte do requisito.
“Agente com contexto de relacionamento.”
O Salesforce colocou o agente em cima do dado de relacionamento unificado e intercalou uma camada de confiança entre esse dado e o modelo. O argumento é que um agente de atendimento sem histórico é um chatbot com vocabulário melhor: o que o torna útil é saber quem está do outro lado, o que já foi pedido e o que já foi prometido — sem devolver ao modelo aquilo que não pode sair.
Nas atividades de atendimento ao cidadão e ao cliente, a camada 03 já existe e tem dono: é o CRM. Ignorar isso e construir contexto do zero é o erro mais caro que se comete nessa família de atividades. Temos projetos consolidados de IA com o Salesforce nos últimos anos, tipicamente onde o volume de relacionamento é alto e o custo do erro é reputacional.
Traga a atividade. Nós mostramos em que camada ela realmente trava, que combinação de tecnologia resolve aquilo e quanto do esforço manual desaparece. A escolha do fornecedor é consequência da arquitetura — nunca o contrário.
Todas as marcas, logotipos e nomes de produto citados pertencem aos seus respetivos titulares e são usados aqui apenas para identificar as tecnologias homologadas no ecossistema Onni.ai. A descrição do posicionamento de cada fabricante é leitura da Onni.ai sobre o portfólio público de cada um, e não constitui declaração oficial dessas empresas.
