As equipes de IA empresarial querem o que a Deutsche Telekom oferece com sua plataforma LMOS

Arun Joseph no InfoQ descreve uma camada de computação agentiva real e em produção: agentes efêmeros, uma ADL e um catálogo central de capacidades.

Em termos simples. Arun Joseph, apresentando na InfoQ, descreveu a plataforma de IA empresarial da Deutsche Telekom (LMOS): uma camada que substitui a "proliferação de ferramentas" por um conjunto de abstrações centrais e introduz uma Linguagem de Definição de Agentes (ADL) com agentes efêmeros. A estrutura: a computação agentiva é a camada ausente que nenhum provedor de nuvem oferece pronta para uso.

O fato

A InfoQ publicou em 3 de agosto de 2026 a apresentação de Arun Joseph sobre o LMOS na Deutsche Telekom. Três teses: (1) as empresas sofrem com a proliferação de ferramentas LLM/agentes mal gerenciadas ("tool sprawl"); (2) o que elas precisam é de uma camada de "computação agentiva" com abstrações comuns; (3) o LMOS propõe uma Linguagem de Definição de Agentes (ADL) e agentes efêmeros em vez de serviços persistentes.

Nossa leitura

A tese de Joseph não é nova — o QCon AI Boston (publicação #1211) e a Cloudflare Agents Week (publicação #1766) contam variantes da mesma história — mas seu interesse está em abordá-la a partir de um operador de telecomunicações que precisa manter décadas de código legado. O LMOS é um relato de experiência de produção, não uma keynote de fornecedor.

O que esse padrão implica para sua arquitetura

• Efêmero em vez de persistente. Um agente não tem estado entre sessões; o estado reside no plano de dados (banco vetorial, DB legado, log de eventos). Isso evita o problema de "conversas longas que vazam contexto" e facilita o escalonamento horizontal. O custo cognitivo: pensar cada chamada de agente como uma chamada de função pura, não como um objeto vivo.
• ADL como contrato. Descrever um agente pelo que consome e produz, não pelo prompt passado a ele. Duas equipes diferentes podem então escrever agentes interoperáveis. Essa é a promessa real do MCP aplicada internamente, com tipagem mais forte.
• Plataforma central vs. proliferação de ferramentas. Em vez de cada equipe conectar suas ferramentas via LangChain de um lado, LlamaIndex de outro, um catálogo central de capacidades compartilhadas, com observabilidade e políticas compartilhadas. É um trabalho de plataforma, não de aplicação.

Por baixo dos panos

O LMOS ainda não é público. A alternativa open source mais próxima é o que está surgindo em torno do MCP + registros (Anthropic MCP hub, Cloudflare AI Gateway, Portkey). A diferença estrutural: a Deutsche Telekom tem controle sobre o plano de dados (telefonia, faturamento, CRM interno) — um caso de uso que um provedor de nuvem americano não pode terceirizar, e onde a internalização da plataforma é estrutural.

E então?

Para arquitetos que estão entre "framework agentico do mês" e uma verdadeira plataforma: o teste é o seguinte. Se sua camada de agentes não permite definir um agente sem escrever código Python e implantá-lo sem redimensionar um serviço, não é uma plataforma, é um SDK. O LMOS sugere que as verdadeiras plataformas em produção se parecem mais com o Airflow do que com o LangChain.

A se observar

Possível abertura do LMOS ou de um componente (ADL) em open source; publicação de métricas operacionais (número de agentes em produção, latência, custo por tarefa); adoção por outros operadores europeus sob DMA/soberania de dados.