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.

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.




