Agentes de IA em processos: o que muda na prática

Uma empresa configura uma automação para aprovar reembolso abaixo de R$ 500. Funciona sempre igual, e ninguém questiona. Depois, alguém troca essa automação por um “agente de IA” para decidir a mesma coisa — e a decisão passa a variar um pouco de caso para caso, sem ninguém saber exatamente por quê. A primeira reação costuma ser “a IA está com bug”. Na maioria das vezes não é bug: é a natureza do agente, aplicada onde uma regra determinística já resolvia melhor e mais barato.

Este texto separa três coisas que o mercado trata como sinônimo — automação por regra, RPA e agente de IA — e mostra onde cada uma ganha, sem inflar promessa. Cobre as tarefas em que um agente supera qualquer regra escrita à mão, as tarefas em que ele é a escolha errada, onde colocar o ponto de revisão humana, como medir se o agente está funcionando de verdade (não “parece bom”), por que o custo de errar decide o nível de autonomia que você pode dar, e o que fazer quando o agente erra mesmo assim.

Três coisas que viram sinônimo de “automação” sem ser a mesma coisa

A confusão leva a duas decisões ruins: usar agente onde uma regra resolveria com previsibilidade total, ou tentar escrever regra para algo que só um agente consegue generalizar.

	Automação determinística	RPA	Agente de IA
Como decide	Regra explícita: “se campo X = Y, mova para fase Z”	Não decide — reproduz uma sequência de cliques e digitação que uma pessoa faria	Interpreta uma entrada não estruturada e escolhe uma saída com base em padrão aprendido
Previsibilidade	Total. Mesma entrada, mesma saída, sempre	Total, enquanto a tela do sistema-alvo não mudar	Alta, mas não é 100%. A mesma entrada pode gerar respostas ligeiramente diferentes
O que quebra	Só quebra se a regra estiver mal escrita	Quebra quando a interface do sistema-alvo muda — o robô “lê” a tela, não o dado	Quebra de um jeito mais sutil: erra a classificação, resume errado, ignora uma exceção que não parecia relevante
Auditoria	Fácil — a regra explica a própria decisão	Existe rastro de execução, mas não de “por quê”	Exige log do que foi lido e da resposta gerada; a justificativa não é auto-evidente

A régua prática: se dá para escrever a condição numa frase do tipo “se isso, então aquilo” e ela vale para todos os casos, use regra — é mais barato, mais rápido e cem por cento auditável. Se a entrada é um clique repetitivo num sistema sem API, RPA remendo o problema, mas com o risco de quebrar a cada atualização de tela, como já foi tratado em o que automatizar primeiro. Um agente de IA só entra quando a entrada é texto livre, imagem ou documento que uma regra não consegue generalizar. O ciclo completo de como um processo é desenhado, executado e medido antes de qualquer uma dessas três camadas entrar em cena está em o que é BPM: o guia completo.

Onde o agente ganha de disparada

Há tarefas em que nenhuma regra escrita à mão chega perto do resultado de um agente, porque a entrada não tem estrutura fixa para a regra segurar.

• Ler documento não padronizado. Nota fiscal de cada fornecedor num layout diferente, contrato em formato livre, currículo em PDF sem campos definidos. Mapear regra para cada variação de layout é um projeto sem fim; o agente lê o conteúdo e generaliza.
• Classificar texto livre. Categorizar um chamado ou uma reclamação pelo que a pessoa escreveu — não por um campo de seleção que ela marcou. Regra funciona quando existe estrutura para se apoiar; texto corrido não tem essa estrutura.
• Resumir histórico longo. Um card com quarenta comentários e uma dezena de anexos ao longo de três meses. Ninguém escreve regra para “resumir” — é compreensão de linguagem, não lógica condicional.
• Extrair dado de anexo. Puxar CPF, valor e data de um boleto anexado, sem digitação manual — inclusive quando o formato foge do padrão comum, como nome truncado ou data em ordem diferente.
• Redigir a primeira versão de uma resposta. Rascunhar o retorno a um cliente ou um parecer inicial para alguém revisar, em vez de partir da folha em branco. O agente corta o tempo de começar; não substitui a decisão de quem assina.

Onde o agente é a escolha errada

O mesmo motivo que torna o agente bom nas tarefas acima o torna ruim nestas: a margem de erro aceitável para resumir um histórico não é aceitável aqui.

• Cálculo. Juros, folha de pagamento, rescisão, imposto. Um modelo de linguagem não é calculadora: pode produzir um número errado com a mesma fluência de um número certo, e ninguém percebe porque o texto ao redor soa confiante. Cálculo é regra determinística, sem exceção.
• Decisão que exige justificativa auditável. Quando alguém for perguntar “por que essa solicitação foi aprovada e aquela não”, a resposta precisa ser uma condição que qualquer pessoa lê e confere — não “o modelo achou que fazia sentido”. Se a justificativa importa tanto quanto a decisão, use regra.
• Qualquer coisa com consequência jurídica ou financeira direta, sem revisão humana. Aprovar crédito, indeferir um benefício, desligar alguém, assinar um contrato. O agente pode preparar a análise; ele não deveria ser o ponto final de uma decisão que expõe a empresa a um processo administrativo ou judicial.

Colocar um agente para fazer o que uma condição simples resolve é gastar mais, decidir com menos previsibilidade, e ainda ter menos certeza sobre por que a decisão saiu daquele jeito.

Human-in-the-loop: onde colocar o ponto de revisão

Human-in-the-loop é o ponto em que uma pessoa entra entre a proposta do agente e o efeito real dela no mundo. A pergunta que define onde colocar esse ponto não é “o agente é confiável?” — é “o que acontece se ele errar e ninguém perceber a tempo?”.

Duas posições cobrem a maioria:

• Revisão antes de executar. O agente sugere, uma pessoa aprova, só então a ação acontece. Faz sentido para tudo que é caro ou difícil de desfazer: aprovar um valor, enviar um documento para fora da empresa, encerrar uma solicitação.
• Revisão depois, por amostragem. O agente executa direto, e uma pessoa audita uma fração dos casos periodicamente. Faz sentido para volume alto e efeito reversível: classificar a categoria de um chamado, sugerir a próxima etapa de um processo, resumir um card para quem vai atendê-lo.

O erro mais comum não é escolher a posição errada — é não escolher nenhuma.

Como medir se o agente está funcionando

“Parece que está indo bem” não é medição, é impressão — e impressão subestima erro, porque as pessoas notam o que dá errado de forma visível e não notam o que dá errado em silêncio (um resumo que omitiu um detalhe importante não gera reclamação, só uma decisão pior tomada com base nele).

O método que funciona é simples de descrever e exige disciplina para manter:

1. Defina “certo” antes de medir. Três categorias bastam: correto, correto mas com ajuste pequeno, errado. Sem essa definição prévia, cada revisor classifica do jeito que preferir.
2. Tire uma amostra aleatória, não os casos que alguém reclamou. Trinta a cinquenta casos por semana, no início, bastam para um primeiro sinal. Amostrar só o que gerou reclamação mede a cauda ruim, não a média real.
3. Um humano competente na tarefa revisa a amostra, sem ver antes o que o agente decidiu. Revisor que já viu a resposta do agente tende a concordar com ela — é viés de ancoragem, não avaliação.
4. Acompanhe a tendência, não o número isolado de uma semana. Uma taxa de 88% estável é mais confiável para decidir autonomia do que 95% medido uma vez só.

O mesmo raciocínio — medir com dado real em vez de opinião — vale para qualquer processo, como mostra como medir SLA, lead time e gargalo. Com agente, o que muda é o que se mede: não tempo de execução, e sim se a decisão gerada estava certa.

O custo de errar define a autonomia, não o quanto você confia no agente

A resposta para “posso deixar o agente decidir sozinho aqui?” muda conforme a consequência do erro, não conforme a taxa de acerto isolada. 95% de acerto ainda é um erro a cada vinte casos — aceitável se o erro é reversível e barato, grave se não for.

Custo de errar	Exemplo	Nível de autonomia recomendado
Baixo — reversível, sem efeito para terceiros	Resumo interno de um card, sugestão de próxima etapa	Agente executa direto; revisão por amostragem periódica
Médio — reversível, mas move recursos ou muda fila	Classificação que roteia para outro time, preenchimento automático de campo	Agente executa, mas com trilha fácil de reverter e amostragem mais frequente
Alto — difícil de reverter ou afeta terceiro diretamente	Aprovação de valor, decisão sobre pessoa, documento que sai da empresa	Agente só recomenda; humano decide, sem exceção

O ponto que costuma passar batido: autonomia não é propriedade do produto ou do modelo, é decisão por tarefa. O mesmo agente pode ter autonomia alta para resumir um card e autonomia zero para decidir se aquele card representa uma dispensa por justa causa.

Quando o agente erra

Ele vai errar — a questão é o que acontece depois de um erro, não como evitar todos.

• Rastreabilidade. Registre o que o agente leu, o que decidiu ou gerou, e quando. Sem esse registro, não dá para saber por que um erro aconteceu nem diferenciar um erro isolado de um padrão que vai se repetir.
• Correção que ataca a causa, não só o caso. Refazer aquela decisão é necessário, mas insuficiente. Se o mesmo tipo de entrada continuar produzindo o mesmo erro, o ponto a ajustar é a instrução dada ao agente ou onde a revisão humana entra — não só o resultado daquele caso.
• A responsabilidade continua sendo da empresa. Perante um cliente, um órgão fiscalizador ou a Justiça, “o agente decidiu sozinho” não é defesa — é a confissão de que faltava um ponto de revisão. Isso pesa ainda mais quando a decisão envolve uma pessoa, como fica claro em o que a lei permite na triagem de currículos por IA: a empresa que opera o processo responde pelo resultado, não o modelo que ela usou.

Onde isso dá errado

A maioria dos textos sobre agentes de IA para na demonstração do que funciona e ignora os modos de falha — todos evitáveis, e todos recorrentes.

• Dar autonomia demais, cedo demais. O agente acerta nos primeiros dez casos e alguém já remove a revisão humana. Dez casos não é amostra — é sorte ainda não medida.
• Não amostrar resultado. Deixar o agente rodando sem revisão periódica é operar às cegas: ninguém sabe se a taxa de acerto caiu até o efeito colateral aparecer em outro lugar, semanas depois.
• Usar agente para tarefa que uma regra resolveria melhor e mais barato. Quando a entrada é estruturada e a lógica é estável, o agente é mais caro, mais lento e menos previsível que uma condição simples — na prática, obscurece uma decisão que deveria ser transparente.
• Tratar a saída do agente como verdade, sem revisão. Um resumo, uma classificação ou um rascunho gerado por IA é ponto de partida, não conclusão. Tratá-lo como fato consumado é o jeito mais rápido de transformar um erro silencioso do agente num problema visível do negócio.

Como a TAI resolve

Na configuração de um fluxo, dentro da aba Automações, “Agente IA” e “Classificar/Rotear com IA” são ações disponíveis ao lado de ações determinísticas como Mover para Fase, Atribuir Responsável e Preencher Campo — a mesma automação pode combinar as duas naturezas: uma condição explícita decide quando disparar, e o agente decide o quê fazer dentro daquele gatilho. Antes de valer em produção, os botões Testar e Ver Diagnóstico mostram o que a regra ou o agente fariam com um caso real.

Dentro de cada solicitação, a aba IA do card oferece Classificar IA e Gerar Resumo — a plataforma classifica e resume, mas isso não substitui a etapa de aprovação: em fases do tipo Aprovação, só o responsável definido para aquela fase consegue aprovar ou reprovar, o que mantém o ponto de revisão humana exatamente onde o custo de errar é mais alto. O histórico do card registra o que aconteceu em cada etapa, incluindo o que passou pela aba IA — a base de rastreabilidade descrita neste texto.

Isso também deixa explícito o que a plataforma não faz: não promete decisão de IA sem revisão possível, nem substitui a aprovação humana em fases configuradas para exigi-la. O desenho completo — onde a IA entra e onde a decisão continua humana — está em Processos BPM com IA e no detalhe de configuração de TAI Processos.