Os agentes de I.A. saíram da demonstração e entraram na pauta de quem decide. Um assistente responde perguntas; um agente executa: consulta o ERP, abre chamado, gera pedido, escreve para o cliente. Essa capacidade de agir é o que cria valor e também o que cria risco. A pesquisa da AWS divulgada em setembro de 2026 mostra a distância entre intenção e prática: só 6% das empresas brasileiras que usam I.A. já operam agentes, e apenas 21% se dizem prontas para isso. Este artigo trata do que separa um piloto promissor de agentes de I.A. nas empresas de uma operação em produção, com controle.
O que muda quando a I.A. passa a agir
Tecnicamente, um agente é um modelo de linguagem com acesso a ferramentas (APIs, consultas a banco, envio de mensagens) e um ciclo de decisão: ele observa, escolhe a próxima ação, executa e avalia o resultado. Cada chamada de ferramenta tem efeito colateral em um sistema real.
Isso muda a natureza do erro. Em um chatbot, o erro é uma resposta ruim. Em um agente, o erro é um pedido cancelado, um desconto indevido ou um dado exposto. A pergunta de negócio deixa de ser "a resposta está boa?" e passa a ser "quem responde por essa ação?".
Por que tantos projetos de agentes não chegam a produção
O Gartner projeta que mais de 40% dos projetos de I.A. agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco inadequado. Nenhuma dessas causas está no modelo. Todas estão no desenho e na operação.
O relatório Cost of a Data Breach 2025, da IBM, reforça o diagnóstico no Brasil: 87% das organizações analisadas não tinham política de governança de I.A., e 61% não tinham controle de acesso às ferramentas de I.A. Quando o agente nasce sem dono, sem limite e sem registro, o piloto até impressiona, mas ninguém assina embaixo da expansão.
Autonomia proporcional ao risco
O ponto de partida é classificar cada agente pelo que ele pode fazer, não pela tecnologia que usa. Uma escala simples funciona bem: o agente lê, o agente sugere, o agente executa com aprovação humana, o agente executa sozinho. Todo agente começa nos níveis mais baixos e sobe com evidência.
Na engenharia, isso se traduz em privilégio mínimo por ferramenta, credenciais próprias do agente (nunca as de um usuário humano), limites de valor e de volume por operação e aprovação obrigatória para ações irreversíveis. No negócio, o efeito é liberar valor cedo sem apostar a operação inteira em um comportamento que ainda não foi provado.
Rastreabilidade: cada passo precisa deixar registro
Um agente em produção precisa de trilha completa: a entrada recebida, as ferramentas chamadas, os parâmetros, o resultado de cada chamada e a versão do prompt e do modelo em uso. Com observabilidade por traces, avaliação contínua sobre um conjunto de casos de teste e alertas para desvios de comportamento, o time enxerga o problema antes do cliente.
Um cuidado específico: conferir o relato do agente com o estado real do sistema. Um agente que informa ter feito algo que não fez gera um problema de auditoria difícil de rastrear depois. Prompts, ferramentas e regras devem ser versionados como código, com rollback rápido. Para a empresa, isso significa responder a auditorias, cumprir a LGPD e explicar ao cliente o que aconteceu.
Medir o retorno antes de escalar
Na mesma pesquisa da AWS, só cerca de um terço das empresas confia na própria capacidade de medir o retorno da I.A. Com agentes, a medição precisa começar antes do piloto: tempo de ciclo do processo, custo por transação, taxa de retrabalho e taxa de escalonamento para humanos, todos registrados no cenário atual.
Do outro lado entra o custo de execução por tarefa (tokens, chamadas de API, infraestrutura) e o tempo de supervisão humana. Sem essa comparação, o agente pode parecer eficiente e ainda assim custar mais do que o processo que substituiu.
Por onde começar
O melhor primeiro agente atua em um processo com dono claro, dados acessíveis e ações reversíveis: triagem de chamados, conciliação de cadastros, preparação de documentos para revisão. Na Alcance Tech, é por esse tipo de processo que começamos: o agente nasce com nível de autonomia definido, trilha de auditoria e métricas de linha de base, e só ganha mais autonomia quando os números sustentam a decisão.
O agente de I.A. que gera resultado não é o mais autônomo. É aquele que a empresa consegue explicar, medir e desligar quando precisa.