Um agente de inteligência artificial não é um funcionário digital: é um software probabilístico com acesso a ferramentas e permissões. A diferença não é semântica. Um funcionário tem discernimento, contexto acumulado, responsabilidade legal e a capacidade de dizer: "Isso não faz sentido, vou perguntar". Um agente tem um objetivo, um conjunto de ações disponíveis e uma probabilidade de estar certo.
A metáfora do funcionário tornou-se comum porque vende. E vende porque permite comparar o preço de uma licença com o custo de uma folha de pagamento, que é a comparação mais favorável possível. O problema surge quando essa metáfora passa da apresentação de vendas para o projeto do sistema, porque aí você projeta como se houvesse julgamento onde só existe probabilidade.
Um chatbot responde. Um agente age. Essa é toda a diferença, e é uma diferença enorme.
Quando um modelo gera texto, o pior resultado possível é uma resposta incorreta que alguém lê. Quando um modelo pode executar ações — criar um pedido, emitir um reembolso, modificar um registro, enviar um e-mail para um cliente — o pior resultado possível é uma ação incorreta que já ocorreu e precisa ser desfeita.
Um agente é composto por quatro elementos, e é aconselhável ser capaz de nomear todos os quatro antes de aprovar qualquer um deles:
Os três primeiros geralmente são definidos. O quarto é o que está ausente na maioria dos projetos que auditamos, e é ele que determina se o agente é um ativo ou um passivo.
A pesquisa da McKinsey de 2025 revelou que 62,1% das organizações estavam experimentando agentes, mas apenas 23,1% os haviam implementado em escala em pelo menos uma função. A discrepância entre esses dois números é o tema deste artigo.
Em junho de 2025, a Gartner foi mais direta: prevê que Mais de 401.000 projetos de IA com agentes serão cancelados antes do final de 2027., Isso se deve ao aumento dos custos, à falta de clareza sobre o valor comercial ou a controles de risco inadequados. Na mesma análise, Anushree Verma, diretora sênior de análise da empresa, estimou que, dos milhares de fornecedores que se apresentam como especialistas em agenciamento, apenas cerca de 130 o são de fato. Os demais foram rotulados com um termo que deveria ser adicionado ao vocabulário de qualquer comitê de compras: *lavagem de imagem*.
Esta não é uma estatística contra os agentes. É uma estatística sobre o que diferencia os projetos que sobrevivem daqueles que não sobrevivem: custos projetados, valor definido e controles de risco planejados.
Atributo | Funcionário | Agente de IA |
Responsabilidade legal | Próprio, dentro do quadro trabalhista | Da empresa que o implementa, sempre. |
Julgamento diante do inesperado | Ele percebe que algo não se encaixa e pergunta | Complete a tarefa com as informações que você possui. |
Contexto acumulado | Anos de conhecimento tácito da empresa | Apenas o que lhe for fornecido em cada execução. |
Rastreabilidade | Reconstruível através da conversa | Só existe se o registro tiver sido projetado. |
Custo de um erro | Limitado e detectável | Escalável: repete o mesmo erro milhares de vezes. |
A linha divisória entre responsabilidade legal e responsabilidade civil deixou de ser teórica. No caso *Moffatt v. Air Canada*, julgado em 2024 pelo tribunal civil da Colúmbia Britânica, a companhia aérea argumentou que seu chatbot era uma entidade separada, responsável por suas próprias declarações. O tribunal considerou esse argumento extraordinário — no pior sentido da palavra — e ordenou que a empresa indenizasse o cliente pelas informações errôneas fornecidas pelo sistema.
A conclusão operacional é simples: a empresa é responsável pelo que seu software diz e faz. Sempre. Não existe uma arquitetura de delegação que transfira essa responsabilidade para o fornecedor do modelo.
O custo do erro é o aspecto que os comitês mais subestimam. Um funcionário que interpreta uma política incorretamente aplica esse erro a todos os casos que atende no dia. Um agente o aplica a todos os casos até que alguém o identifique. A escala, que é o principal argumento de venda, também é o multiplicador de risco.
Seria absurdo escrever este artigo de uma posição defensiva. Os agentes resolvem problemas que antes não tinham uma boa solução, e estes são os padrões em que eles consistentemente apresentam bom desempenho:
Tarefas com linguagem e estrutura ambíguas. Ler cinquenta e-mails de fornecedores, extrair o número do pedido e a data prometida e inserir essas informações em um sistema. Anteriormente, isso exigia regras rígidas ou trabalho manual.
Orquestração entre sistemas que não se comunicam. Consulte três fontes, compare-as e proponha um plano de ação. O agente não substitui a integração, mas reduz o atrito quando a integração completa não é economicamente viável.
Primeiro nível de classificação e roteamento. Decida em qual fila um incidente será inserido, qual a sua prioridade e quais informações estão faltando para resolvê-lo.
Preparar decisões, não executá-las. O modelo mais rentável que vimos: o agente reúne, compara e propõe; a pessoa aprova. A economia está na preparação, que é onde se gastava o tempo.
Note que, em todos os quatro casos, o agente opera dentro de um processo definido. Nenhum deles opera em um processo que ninguém tenha mapeado, pela mesma razão que explicamos ao discutir... Por que a IA não consegue consertar uma empresa mal estruturada?
Propomos substituir "funcionário digital" por capacidade automatizada supervisionada. É mais feio e menos comercializável, e descreve exatamente o que você está comprando.
Alterar o vocabulário altera as perguntas feitas na reunião. Ninguém pergunta a um "funcionário digital" qual é o seu escopo máximo de atuação, porque os funcionários não têm um escopo máximo de atuação definido em um documento. No entanto, a uma capacidade automatizada, a pergunta é feita:
Um projeto que consegue responder a todas as seis perguntas está pronto para produção. Um projeto que não consegue responder a três ou mais delas não está pronto, independentemente do desempenho da demonstração.
A questão da identidade e das permissões merece um tratamento à parte, pois é aí que reside o verdadeiro risco: nós a desenvolvemos em identidades não humanas, agentes de IA e cibersegurança
Quando alguém propõe implantar um agente, a pergunta útil não é o que ele pode fazer. É O que acontece no dia em que ele comete um erro?, Porque cometerá erros: é um software probabilístico e isso faz parte da sua natureza, não é uma característica sua.
Se a resposta incluir um registro completo do ocorrido, um mecanismo de reversão, a identificação de um responsável e limites claros de ação, o projeto está bem concebido. Se a resposta for que nada dará errado porque o modelo é muito bom, o que está sendo comprado não é um sistema, mas sim uma expectativa.
Um chatbot responde com texto; um agente executa ações em sistemas reais. Um agente consiste em um objetivo, um conjunto de ferramentas, um conjunto de permissões e um mecanismo de controle. A diferença é crucial: o pior erro de um chatbot é uma resposta incorreta, enquanto o pior erro de um agente é uma ação incorreta que já foi executada.
Porque atribui julgamento, contexto acumulado e responsabilidade pessoal a um sistema que não os possui. Um agente completa a tarefa com as informações disponíveis, mesmo que o contexto esteja ausente, não reconhece quando algo não se encaixa e repete o mesmo erro em larga escala até que alguém o detecte.
A empresa que o implementa. No caso Moffatt v. Air Canada (2024), o tribunal rejeitou o argumento de que o chatbot era uma entidade responsável pelas suas próprias declarações e ordenou à companhia aérea que compensasse o cliente pelas informações errôneas do sistema.
Segundo a McKinsey (2025), 62,1% das organizações estão experimentando agentes, mas apenas 23,1% os implementaram em alguma função. A Gartner prevê que mais de 40,1% dos projetos de IA com agentes serão cancelados até o final de 2027 devido a custos, valor incerto ou controles de risco insuficientes.
Em tarefas com linguagem e estrutura ambíguas (extração de informações de e-mails ou documentos), na orquestração entre sistemas que não se comunicam, na classificação e encaminhamento de incidentes e, sobretudo, na preparação de decisões que serão posteriormente validadas por uma pessoa.
Ser capaz de responder a seis perguntas: o que pode e o que não pode ser feito, com qual identidade acessar os sistemas, o que é registrado em cada execução, quais decisões exigem validação humana, como uma ação incorreta é revertida e quem é o responsável pelo resultado.
Você está avaliando um projeto de agente? Analisamos o caso de uso, o modelo de permissões e os controles de risco antes que a implementação se torne difícil de reverter. Duas horas de consultoria, sem compromisso. Vamos conversar → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
