A maioria das empresas não precisa começar por um agente de IA. Muitos processos se resolvem com uma automação comum e uma única etapa de IA no meio, o que sai mais barato, é mais fácil de testar e falha de um jeito previsível. O agente entra quando os passos não podem ser definidos com antecedência.
Essa conversa ficou urgente porque a palavra virou etiqueta de marketing. Em junho de 2025, a Gartner previu que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor incerto ou controle de risco insuficiente. A mesma análise estimou que só cerca de 130 dos milhares de fornecedores que se dizem agênticos entregam isso de fato. É uma previsão, não uma medição, mas ajuda a calibrar as expectativas.
Qual é a diferença entre automação e agente?
A Anthropic separa os dois de um jeito útil. Em um fluxo de trabalho, a IA e as ferramentas seguem caminhos definidos no código. Em um agente, o próprio modelo decide os próximos passos e quais ferramentas usar. Na prática, são três degraus:
- Automação sem IA. Regra fixa: pedido pago gera nota e avisa o estoque. Se a regra cabe em uma frase, você não precisa de modelo nenhum.
- Automação com uma etapa de IA. O caminho é fixo, mas uma etapa lida com texto solto: ler um e-mail, extrair os dados e classificar o pedido. Resolve boa parte dos casos que costumam ser vendidos como agente.
- Agente. O objetivo é conhecido, mas o caminho muda a cada caso: investigar por que uma entrega atrasou consultando três sistemas, por exemplo.
A própria Anthropic recomenda buscar a solução mais simples e só aumentar a complexidade quando necessário, o que, nas palavras do texto, pode significar não construir um agente.
Por que agentes são mais difíceis do que parecem?
O primeiro motivo é matemático. Erros se acumulam quando cada passo depende do anterior. Imagine um agente que acerta 95% das vezes em cada passo: em uma tarefa de dez passos, a chance de acertar todos é de cerca de 60%. O número é só uma ilustração, mas mostra por que uma demonstração bonita não garante um processo confiável.
O segundo é o custo. Um agente pode chamar o modelo muitas vezes para concluir uma única tarefa, e essa quantidade varia. Sem limite por tarefa, a conta fica imprevisível justamente nos casos mais difíceis.
O terceiro é a segurança. A OWASP coloca a injeção de prompt como risco central: instruções escondidas em um site, arquivo ou e-mail podem alterar o comportamento do modelo. Em um chatbot, o estrago costuma ser uma resposta ruim. Em um agente que envia mensagens ou altera registros, o texto malicioso pode virar uma ação real. A recomendação é dar ao modelo só o acesso mínimo necessário e exigir aprovação humana nas operações sensíveis.
O que definir antes de construir?
- Uma métrica de sucesso. Por exemplo, a porcentagem de chamados resolvidos sem retrabalho. Sem ela, o piloto vira uma impressão e ninguém sabe se deve continuar.
- Um conjunto de testes. Separe de 30 a 50 casos reais, com o resultado esperado, incluindo os difíceis, e rode a cada mudança de modelo ou de instruções.
- Condições de parada. Limite o número de passos e o custo por tarefa. Ao bater o limite, o agente passa o caso para uma pessoa.
- Permissões por ação. Ler costuma ser seguro, escrever exige cuidado e enviar, pagar ou apagar exige aprovação. Comece só com leitura e rascunhos.
- Registro de tudo. Guarde o que o agente viu, decidiu e fez. Sem isso, não dá para investigar um erro.
- O dono do processo. Alguém da operação precisa revisar os resultados e decidir quando ampliar a autonomia.
Permissão vem antes da resposta
Um relato recente no TabNews, sobre IA para uma equipe de 15 pessoas, mostra bem esse cuidado. O autor separa as bases de funcionários e de clientes, confere as permissões antes de buscar os documentos e cria filas diferentes para atendimento e tarefas de fundo, com orçamento próprio para picos. Nenhuma dessas decisões depende do modelo, e são elas que permitem confiar no sistema.
Por onde começar
Escolha um processo frequente, com um erro fácil de corrigir, e faça primeiro a versão mais simples: uma automação com uma etapa de IA, em que uma pessoa aprova o resultado. Meça por algumas semanas. Se a etapa fixa não der conta da variação dos casos, aí sim vale testar um agente, já com os dados e os testes prontos.
