Toda semana entra na nossa caixa o pedido de um agente. Atendimento, vendas, RH, jurídico. A pergunta quase sempre vem embrulhada de urgência — "o concorrente já tem", "o board cobrou", "o piloto da OpenAI passou no comitê". A resposta honesta nem sempre é sim. E quando é sim, raramente é o agente que estavam pedindo.
Agente é uma camada de execução. Ele pega um processo, conecta a sistemas, decide pequenas coisas e age. Se o processo abaixo dele está torto — ambíguo, mal documentado, com SLA inflado pra encobrir capacidade — o agente vai ampliar o problema, não resolver. Vai responder rápido coisas erradas, escalar ainda mais cedo, e gerar passivo de governança.
Esse texto não é contra agentes. É contra agentes mal colocados. Vamos por partes.
O sintoma e o diagnóstico
O sintoma costuma ser operação cara que não escala. Atendimento com fila, fluxo manual em planilha, time pequeno reagindo a SLA. O CEO ouve falar de Agentforce, ChatGPT corporativo, copiloto. A solução parece óbvia: bota um agente.
O diagnóstico real raramente é "falta agente". Costuma ser uma combinação de:
- Processo mal desenhado — passos não escritos, exceções não catalogadas, regras que vivem na cabeça das pessoas.
- Dados sujos ou fragmentados — o agente precisa de contexto, e o contexto está em silos que ninguém integrou. Não confundir com perseguir limpeza absoluta antes de qualquer projeto: o que trava é fragmentação e qualidade insuficiente pro caso de uso, não imperfeição em si.
- SLA mal calibrado — o time não tem capacidade pra atender no prazo prometido. O agente vira tampão e some o problema.
- Falta de feedback loop — ninguém mede o que o time faz hoje. Como medir o que o agente vai fazer amanhã?
Implantar agente antes de cuidar disso é o equivalente a colocar piloto automático num avião com manutenção atrasada.
Agente bom amplifica processo bom. Agente colado em processo ruim só vira ruído mais rápido.
Cinco perguntas para validar
Antes de aprovar qualquer projeto de agente, passamos por cinco verificações. Se três ou mais falham, agente não é a próxima decisão.
- O processo está escrito? Não basta existir na cabeça. Precisa estar num fluxo legível por humano não-iniciado e por LLM.
- Os dados que o agente vai consultar existem, são confiáveis e acessíveis via API? Não há mágica — agente sem dado é palpite confiante. Quando o conhecimento vive em documento e não em sistema, entra RAG — e aí a recuperação vira o gargalo, não o LLM.
- Tem KPI de operação atual? Tempo médio, taxa de resolução, NPS, custo por contato. Sem baseline, não dá pra provar valor depois — e avaliação séria de agente exige métricas próprias além das de canal.
- Há um humano dono do processo? Não o "patrocinador executivo" — o operador sênior que sabe onde dói. Sem essa pessoa o projeto vira teatro.
- O risco do agente errar é tolerável? Em atendimento humano, sim — com a fronteira clara entre o que automatizar e o que não. Em escalonamento jurídico, talvez não. Em decisão de crédito, certamente não sem governança específica.
O caminho do MVP em quatro semanas
Passou nas cinco? Aqui é o que entregamos. Quatro semanas, custo controlado, KPI no final.
Semana 1 — Mapear. Sentamos com o operador sênior, modelamos o processo, identificamos os 3–5 caminhos mais frequentes (cobrem ~80% dos casos), e os pontos onde IA pode decidir versus onde precisa escalar.
Semana 2 — Prototipar. Construímos um agente que cobre só o caminho mais simples (1 de 5). Conectamos aos dados via API, instrumentamos métricas, rodamos com 10 casos reais offline.
Semana 3 — Validar. Soltamos o agente em produção com supervisão humana — toda resposta é revisada antes de sair. Coletamos taxa de acerto, tipos de erro, casos que escalaram. Comparamos com o baseline da operação.
Semana 4 — Decidir. Reunião de stop/go. Se o KPI bateu (geralmente: 80%+ de acerto no caminho mais simples, com tempo médio <30% do atual), expandimos pros outros caminhos. Se não bateu, o problema raramente é o agente — é uma das cinco perguntas do começo.
Por que IA sem governança vira passivo
Última observação. Mesmo quando o agente funciona, ele precisa de governança desde o dia 1 — não como projeto futuro. Logs de toda interação, auditoria de decisões, kill switch, definição clara de quando escalonar pra humano, política de privacidade aplicada antes do primeiro prompt, processo de incidente.
Sem isso, o que parecia ganho de eficiência vira risco operacional silencioso. Os ganhos somem nos primeiros meses; o passivo aparece no primeiro incidente — geralmente público.
Boa IA empresarial é IA com auditoria embutida. Não é overhead — é o que separa um projeto que sobrevive a uma diretoria nova de um que vira slide de "lições aprendidas".