A resposta curta antes de você assinar o contrato

Agente de IA em processos internos vale a pena quando a etapa exige interpretar informação não estruturada e decidir o próximo passo. Se o processo pode ser escrito como uma sequência de regras, um script ou uma integração por API resolve com menos custo, menos variação e mais auditoria.

A promessa comercial que circula hoje — "substitua seus analistas por agentes autônomos" — ignora uma distinção técnica simples: existem dois tipos de trabalho, e eles pedem ferramentas diferentes. O que quebra projetos não é o modelo errar uma frase. É ele executar uma ação com efeito financeiro em cima de uma interpretação errada.

Abaixo, os critérios que separam um caso do outro, com números para o gestor levar à reunião.

O que um agente faz que um script não faz

Automação determinística executa uma sequência predefinida sobre entradas conhecidas. É rápida, barata por execução e devolve sempre a mesma saída para a mesma entrada. Um robô de conciliação noturna, uma integração de pedido para nota fiscal, uma sincronização de estoque: nada disso precisa de IA.

Um agente recebe um objetivo, escolhe os passos, chama ferramentas, lê o resultado e se adapta. Ele lida com e-mail, PDF escaneado, mensagem de cliente, contrato com cláusula ambígua. Em troca, é mais lento, mais caro por execução e probabilístico: a mesma entrada pode gerar caminhos diferentes.

Não são tecnologias concorrentes. Cobrem tipos de trabalho distintos. A confusão começa quando alguém tenta usar a segunda para fazer o trabalho da primeira.

IA

Onde a automação determinística ainda ganha com folga

Colocar um LLM em um caminho que já funciona por regra adiciona custo e variabilidade sem ganho. Esse é o erro mais comum que vejo em propostas de "transformação com IA".

O processo se encaixa em automação clássica quando:

  • os passos são estáveis e documentados, sem interpretação;
  • a entrada é estruturada: payload de API, formulário, registro de banco, arquivo em layout fixo;
  • o volume é alto e o custo por execução pesa na conta;
  • a auditoria exige que a mesma entrada produza sempre a mesma saída;
  • a latência importa, como em integração em tempo real.

Se a interface gráfica é o único caminho de acesso, o RPA continua sendo a opção — mas ele permanece frágil: uma atualização de tela quebra o fluxo. O movimento durável é expor a capacidade por API e deixar o robô só onde não há alternativa.

Vale registrar um ponto de arquitetura: um agente operando tela é tão frágil quanto o RPA, com o agravamento de decidir sozinho. Se o objetivo é confiabilidade, o caminho passa por API, não por clique simulado.

Quando usar agente de IA: os critérios que realmente decidem

O agente ganha terreno quando o caminho depende de julgamento e a entrada chega bagunçada. Triagem de chamados, leitura de documentos variados, classificação de e-mails por urgência, resumo de histórico para atendimento, redação de proposta a partir de um briefing: todos são casos de linguagem, não de cálculo.

O sinal mais forte é a exceção. Se o caminho feliz já está automatizado e o esforço da equipe se concentra nos casos que saem da regra, a lista de regras cresce sem parar e vira um problema de manutenção. Aí faz sentido usar IA para interpretar.

O segundo sinal é a variação de formato. Quando cada fornecedor manda o mesmo documento de um jeito, um parser por layout morre na terceira semana. Um modelo que lê o conteúdo e devolve campos estruturados aguenta melhor — desde que a saída seja validada por regra antes de entrar no sistema.

O terceiro é o custo do erro. Julgamento sem consequência relevante é território de agente. Julgamento com consequência jurídica ou financeira é território de agente que propõe e regra que valida.

Matriz de decisão para o gestor

Use a tabela por etapa do processo, não pelo processo inteiro. Um fluxo de compras tem recebimento de nota, conferência de valor, aprovação e lançamento: cada uma tem natureza própria.

Entrada Variabilidade Custo do erro Desenho recomendado
Estruturada Baixa Qualquer Workflow fixo ou integração por API. IA não agrega.
Estruturada Alta Baixo Workflow com ramificações. Agente só se a árvore ficar impossível de manter.
Texto livre Baixa intenção Baixo IA em tarefa estreita: classificar em categorias fechadas; o fluxo segue por regra.
Texto livre Alta Baixo Agente com ferramentas restritas e log de cada resposta.
Texto livre Alta Médio Agente interpreta e propõe; regra valida; pessoa aprova fora do padrão.
Qualquer Qualquer Alto Decisão fica com pessoa ou com regra transparente. IA no máximo resume.
Sem dono, métrica ou baseline — — Nenhuma automação. Primeiro mapeie o que acontece hoje.

A última linha é a mais ignorada. Sem medir o tempo, o erro e o volume atuais, não existe como provar que o agente melhorou algo. Projeto aprovado no entusiasmo e avaliado no achismo.

O custo de tokens é a menor parte da conta

Um erro de leitura comum: comparar o preço por milhão de tokens com o salário do analista e concluir que a conta fecha. O preço unitário é baixo. O consumo é que não é.

Na tabela pública da OpenAI em 2026, um modelo econômico como o gpt-6-luna aparece a US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de saída. O levantamento da Whizi sobre 335 modelos pagos mostra mediana de US$ 0,40 de entrada e US$ 1,60 de saída, com a saída custando cerca de 4 vezes a entrada. Ou seja: texto gerado pesa mais que contexto lido.

Agora a conta real. Considere 50 mil execuções por mês, cada uma com 3 mil tokens de entrada e 500 de saída, no modelo econômico citado: 150 milhões de tokens de entrada (US$ 15) e 25 milhões de saída (US$ 12,50). Trinta dólares. Parece irrelevante.

O problema aparece quando o agente raciocina em cinco passos. Cada passo reenvia contexto, recebe resultado de ferramenta e gera nova saída. O consumo por execução multiplica por três, cinco, dez. Some tentativas repetidas por falha de API, payloads longos devolvidos por ferramentas, histórico de conversa carregado a cada turno e o custo de reprocessar quando o resultado vem errado. Um fluxo mal desenhado transforma centavos em uma fatura mensal relevante — e variável, o que atrapalha previsão de orçamento.

Não é só token. O custo total inclui a avaliação de qualidade (alguém precisa ler amostras), o monitoramento contínuo, a manutenção de prompts e ferramentas, a revisão humana onde houver aprovação e o retrabalho quando o agente erra. Um agente sem dono e sem monitoramento é uma despesa que cresce sozinha.

RAG não é agente, e a diferença importa

RAG é uma técnica de busca: o sistema recupera trechos de documentos aprovados e responde com base neles. Ele não decide uma sequência de ações nem chama sistemas para executar tarefas. É útil para consulta em base de conhecimento, com muito menos risco que um agente com acesso a ferramentas.

Agente é quem orquestra passos. Automação determinística é quem executa com precisão. Misturar os três em um único rótulo comercial é o que faz o cliente comprar "um agente" e receber um chatbot que erra número de contrato.

Se a dor é resposta errada sobre conteúdo interno, o problema provavelmente está na preparação do acervo, não no modelo. Vale ler a comparação entre busca em documentos com IA e RAG, que trata exatamente desse gargalo.

Onde os projetos de agente quebram

O primeiro ponto de falha é a ação com efeito colateral. Um agente que só escreve texto erra e alguém corrige. Um agente que emite nota, cobra cartão ou cancela pedido erra e o prejuízo é real. Se o sistema legado não tem chave de idempotência para reconhecer um pedido repetido, a tentativa do agente de reenviar por lentidão pode gerar duas notas fiscais.

O segundo é permissão. O agente não deve poder fazer nada que a API não permita. Se ele recebe uma credencial ampla "para funcionar", você criou um risco novo com o nome de inovação.

O terceiro é dado pessoal. O artigo 20 da LGPD garante ao titular o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses. A lei não exige expressamente que o revisor seja humano — a redação original previa isso e foi alterada —, mas exige canal, dono, prazo e critério explicável. Se o agente decide crédito, prioridade de atendimento ou bloqueio de cadastro, esse fluxo precisa existir antes do primeiro caso contestado.

O quarto é a ausência de limite de gasto. Sem teto por execução, por usuário e por dia, um loop mal configurado consome orçamento em horas.

O quinto é a falta de baseline. Sem medir o processo atual, ninguém sabe se o agente reduziu tempo ou apenas transferiu o trabalho para a revisão.

A arquitetura que costuma dar certo

O desenho mais confiável não escolhe um lado. Ele divide a responsabilidade: o agente cuida do julgamento — ler o pedido, reunir contexto, propor a ação e explicar o motivo. A camada determinística executa: valida campos, atualiza o sistema de registro, dispara a notificação, grava a trilha de auditoria.

Na prática, o agente chama ferramentas que são APIs governadas. Ele decide abrir um chamado; a integração cria o chamado com os campos, as permissões e os logs corretos. Quando a ação tem consequência, uma pessoa aprova antes da execução.

Esse arranjo resolve as duas objeções clássicas. Segurança, porque o agente não pode fazer o que a API não permite. Confiabilidade, porque a parte que precisa ser exata é determinística. E cria um bônus: o log mostra o que o modelo interpretou e o que o sistema executou, o que facilita investigar erro.

É nesse ponto que o desenho do processo pesa mais que a escolha do modelo. Um agente caro em um fluxo sem idempotência, sem dono de métrica e sem trilha de auditoria é um problema mais caro. Na Site Sob Medida, o trabalho começa pelo mapeamento da etapa e do custo do erro antes de definir se entra LLM, API ou os dois — e o código, a documentação e os acessos ficam com a empresa cliente. Isso importa quando o fornecedor do agente muda de preço ou de modelo.

Perguntas para vetar ou aprovar o projeto

Leve esta lista para a próxima reunião com o fornecedor. Se alguma resposta vier vaga, o escopo ainda não está pronto.

  • A etapa escolhida lida com entrada não estruturada ou com regra clara? Se for regra, por que usar IA?
  • Qual é o custo de uma ação errada e ela pode ser revisada antes de executar?
  • Existe chave de idempotência no sistema que recebe a ação?
  • O agente tem apenas as permissões da API que ele chama?
  • Há teto de custo por execução, por usuário e por dia?
  • Existe baseline do processo atual: tempo, volume, taxa de erro e custo?
  • Quem é o dono da métrica de qualidade e com que frequência ela é medida?
  • Como o agente explica a decisão e como o titular pede revisão, se houver dado pessoal?
  • Se o modelo mudar de preço ou for descontinuado, o que acontece com o fluxo?

Se a maioria das respostas for "depois a gente vê", o projeto está sendo vendido como produto e entregue como experimento. Agentes de IA em produção são engenharia, não instalação.

Vale também calibrar a expectativa de maturidade. Ter um agente não significa ter processo maduro — o tema de maturidade no uso de IA ajuda a separar resposta pronta de operação de fato. E se a conversa for sobre agentes com papel de assistente para a equipe, vale entender por que agentes de IA não são funcionários: falta a eles o que sustenta um cargo — responsabilidade, contexto e critério.

Conclusão: o critério é o custo do erro, não o hype

A pergunta certa não é "podemos usar um agente aqui?", e sim "qual é o custo de uma decisão errada nesta etapa?". Onde o erro é caro e irreversível, regra e aprovação humana. Onde o erro é barato e reversível, o agente pode executar e a pessoa trata a exceção. Onde a entrada é estruturada, a automação clássica continua sendo a escolha mais barata e auditável.

Um agente que substitui um analista inteiro raramente existe. Um agente que remove a parte chata do trabalho do analista existe, e costuma pagar o investimento. A diferença entre os dois está no desenho do processo, não no modelo escolhido.

Se você tem um processo interno na mesa e não sabe se o caso é de agente, de automação determinística ou de RAG, vale colocar o cenário específico no papel com quem já desenhou esse tipo de fluxo. Antes de aprovar orçamento, dá para mapear a etapa, o volume, o risco e o custo real por execução — e decidir com números em vez de apresentação de fornecedor.