Agentes de IA para empresas: o que realmente funciona hoje e o que ainda não

Agente de IA é hoje o termo mais inflacionado do mercado de tecnologia. Boa parte do que é vendido com esse nome é um chatbot com uma integração; boa parte do que é prometido — o sistema que 'cuida do processo sozinho' — ainda não é confiável o suficiente para rodar sem gente olhando. Ao mesmo tempo, existe uma faixa estreita e real de tarefas em que agentes já entregam ganho consistente. Este artigo tenta separar as duas coisas com honestidade.

A distinção que importa para quem decide não é técnica, é de risco. Um agente é um software que age em nome da empresa com julgamento probabilístico. Toda a discussão sobre onde usar, quanto autonomizar e quanto auditar deriva dessa frase.

O que é um agente de IA (e o que não é)

Um assistente de IA convencional recebe texto e devolve texto. Você pergunta, ele responde, você decide o que fazer. Um agente recebe um objetivo, decide sozinho quais passos dar, chama ferramentas para executá-los — uma consulta ao ERP, uma busca na base de conhecimento, a criação de um chamado — observa o resultado de cada passo e continua até concluir ou desistir.

Três elementos definem um agente de verdade: acesso a ferramentas que produzem efeito fora do chat, um laço de decisão em que ele escolhe o próximo passo com base no resultado do anterior, e algum critério de parada. Se falta o primeiro, é um chatbot. Se falta o segundo, é uma automação comum com um modelo de linguagem no meio — o que, aliás, muitas vezes é a escolha certa e mais barata.

Vale insistir na coluna do meio. Uma parcela grande dos projetos apresentados como 'agentes' seria mais barata, mais rápida e mais confiável como automação determinística chamando um modelo em um ou dois pontos específicos. Agente só se justifica quando a variação do caso real é grande demais para caber em regras — e é honesto verificar isso antes de assinar o projeto.

O problema central: confiabilidade composta

A pergunta que derruba a maior parte das demonstrações de agente é simples: qual a taxa de acerto e qual o custo de cada erro? Modelos de linguagem são probabilísticos. Eles não acertam sempre, e — pior para agentes — não avisam de forma confiável quando erraram. Um agente que interpreta mal um pedido segue executando com convicção.

Há um efeito de composição que costuma passar despercebido: um agente que executa uma cadeia de passos precisa acertar todos eles. Se cada passo tem alta chance de estar certo, a chance de a cadeia inteira estar certa cai a cada passo adicional. É por isso que demonstrações de três passos impressionam e implantações de doze passos frustram. Cadeias curtas são mais robustas que cadeias longas, e essa é uma das poucas regras estáveis do assunto.

Há ainda um segundo tipo de falha, menos discutido e mais desconfortável: o agente pode estar tecnicamente correto em cada passo e ainda assim resolver o problema errado, porque interpretou o objetivo de forma diferente da pretendida. Nenhum log de execução pega isso; só a revisão de resultado por alguém que entende o processo pega.

Onde agentes fazem sentido hoje

O critério prático tem três perguntas. A tarefa é reversível? O resultado é verificável rapidamente por quem recebe? O custo de um erro é baixo? Três sins e o agente é candidato. Um não em qualquer delas e você precisa de supervisão humana obrigatória no ponto crítico — ou de outra abordagem.

Repare no padrão: a fronteira não é a dificuldade técnica da tarefa. Conciliar pagamentos é tecnicamente mais fácil que triar tíquetes ambíguos. A fronteira é o custo do erro e a existência de um ponto de conferência antes de o efeito se tornar definitivo.

Permissões, limites e trilha de auditoria

Um agente é, para efeitos de segurança, um usuário do sistema. Só que um usuário que age rápido, em volume, e cuja lógica de decisão não é totalmente inspecionável antes da execução. Isso muda o desenho de controle: não se confia no bom comportamento do agente, se restringe o que ele consegue fazer mesmo quando erra.

• Credencial própria, nunca a de uma pessoa. Se o agente usa o login de alguém, você perde a distinção entre o que a pessoa fez e o que o agente fez — e a auditoria deixa de existir.
• Menor privilégio real: acesso apenas às tabelas, campos e ações que a tarefa exige. Leitura ampla e escrita estreita costuma ser o desenho correto.
• Limites duros aplicados fora do modelo: teto de registros por execução, teto de valor, lista fechada de destinatários. Instrução no prompt não é controle de segurança — é sugestão.
• Log de cada ação com entrada, ferramenta chamada, saída e decisão, guardado onde o agente não possa alterar.
• Uma forma clara de desligar. Alguém do negócio precisa conseguir parar o agente sem abrir chamado para a TI.
• Reversão pensada antes: como desfazer um lote de escritas erradas em quinze minutos.

Supervisão humana nos pontos certos

Supervisão humana não significa alguém lendo tudo — isso anula o ganho e ninguém sustenta por mais de duas semanas. Significa escolher poucos pontos de conferência, colocá-los onde o erro ainda é barato de corrigir, e deixar o resto correr.

1. 1Antes de qualquer ação irreversível: envio externo, pagamento, exclusão, publicação. Aprovação explícita, sempre.
2. 2Quando o agente sinaliza incerteza ou o caso sai do padrão previsto. Vale desenhar o agente para escalar em vez de arriscar — uma taxa de escalonamento saudável é sinal de bom desenho, não de fracasso.
3. 3Por amostragem no fluxo normal, mesmo quando tudo parece bem. É como a degradação silenciosa aparece antes de virar incidente.
4. 4Em revisão periódica de logs, procurando padrões de erro repetidos em vez de casos isolados.

Um alerta sobre o fator humano: quando o agente acerta com frequência, o revisor para de revisar de verdade e passa a aprovar por reflexo. É um efeito documentado em qualquer sistema de supervisão e vale planejar contra ele — variando quem revisa, medindo a taxa de rejeição e desconfiando quando ela cai para zero.

Como começar pequeno

Você é um arquiteto de soluções cético, especializado em automação com IA. Seu trabalho é evitar que a empresa construa um agente onde ele não se justifica.

TAREFA QUE QUERO AUTOMATIZAR:
[descreva o processo passo a passo, como ele é hoje]

SISTEMAS ENVOLVIDOS: [liste]
VOLUME: [quantas vezes por dia/semana]
QUEM FAZ HOJE: [cargo e tempo gasto]

Analise e responda:

1. REVERSIBILIDADE — cada passo pode ser desfeito? Quais não podem, e em quanto tempo o efeito se torna definitivo?
2. VERIFICABILIDADE — como alguém confirma que o resultado está certo, e quanto tempo isso leva? Se for mais lento que fazer a tarefa, diga.
3. CUSTO DO ERRO — pior cenário realista de uma execução errada, em dinheiro, tempo e relacionamento.
4. VARIAÇÃO — essa tarefa caberia em regras fixas? Se sim, diga que uma automação determinística é a melhor opção e explique por quê.
5. PONTOS DE APROVAÇÃO — onde exatamente um humano precisa aprovar, e por quê.
6. VEREDITO — uma de três opções: (a) boa candidata a agente, (b) melhor como automação sem agente, (c) manter humana por ora. Justifique em até 5 linhas.

Seja direto. Se a resposta for 'não automatize', diga isso.

O que ainda não funciona bem

Ser útil aqui exige dizer o que não está pronto. Nenhum dos itens abaixo é impossível em princípio; todos são frágeis o suficiente hoje para não sustentarem um processo crítico.

• Autonomia longa sem checkpoints. Cadeias com muitos passos e sem conferência intermediária derivam do objetivo, e o desvio só aparece no final.
• Processos que dependem de conhecimento tácito não escrito. Se a regra real mora na cabeça de duas pessoas e não em nenhum documento, o agente vai inventar uma versão plausível dela.
• Interação direta com clientes sem revisão, em qualquer contexto com implicação contratual, financeira ou de reputação.
• Julgamento em zona cinzenta — exceções, casos-limite, situações em que a resposta certa depende de contexto político interno.
• Autoavaliação confiável. O agente que verifica o próprio trabalho tende a concordar consigo mesmo; verificação precisa vir de fora, por regra determinística ou por pessoa.

Uma observação de honestidade sobre prazos: os modelos que sustentam agentes — a família Claude, da Anthropic, e concorrentes diretos — melhoraram rápido em seguir instruções, usar ferramentas e manter coerência ao longo de tarefas. É razoável esperar que parte desta lista encolha. Não é razoável construir um processo crítico hoje apostando em quando isso vai acontecer.

Quanto custa manter um agente vivo

O custo de construir um agente é o menor dos custos. O que pesa ao longo do tempo é o resto: manter os prompts e as ferramentas quando o processo de negócio muda, refazer testes quando o modelo é atualizado, sustentar a supervisão, tratar exceções e responder às perguntas de auditoria. Projetos que ignoram isso na conta inicial costumam ser desligados no segundo semestre — não por falha técnica, mas porque ninguém foi designado para cuidar deles.

A pergunta certa antes de aprovar um projeto de agente não é 'quanto custa construir', e sim 'quem é o dono disso daqui a seis meses, e quanto do tempo dessa pessoa isso consome'.

“Automatizar um processo ruim só faz você errar mais rápido e em maior escala.”

— Inteligência Artificial para Negócios