Agentes de IA que chegam à produção — não à demonstração.

Sim, e a diferença está no que acontece depois da resposta. Um assistente de conversa entende a pergunta e responde. Um agente consulta os sistemas da empresa, aplica as regras do processo, executa as ações que está autorizado a executar e registra o que fez — abrir o chamado, atualizar o pedido, encaminhar a exceção para a pessoa certa. Quando o processo termina sem alguém precisar repetir manualmente o que foi conversado, o trabalho está feito.

Depende do caso de uso, e a resposta honesta às vezes é não. Alguns cenários toleram dado imperfeito porque a saída é revisada por uma pessoa; outros, como consulta a indicadores ou execução de ações financeiras, exigem base confiável e autorização de uso. A avaliação de dados faz parte da seleção do caso de uso: quando a base não sustenta, ou escolhemos outro processo para começar, ou tratamos a base antes — normalmente pela frente de Integração de Sistemas, APIs e Dados.

Limitando o que ela pode fazer e registrando tudo o que ela faz. O agente recebe um escopo de ação explícito, credenciais com permissão mínima e uma fronteira clara entre o que executa sozinho e o que exige aprovação humana. Toda ação fica registrada e é reversível quando a natureza da operação permite. Além disso, mantemos avaliações que detectam degradação de comportamento — porque o risco em IA não aparece só no lançamento, aparece ao longo do tempo.

Por avaliação contínua, não por percepção. Mantemos conjuntos de teste com casos reais, acompanhamos taxa de erro, taxa de exceção, custo por execução e quantas ações os controles bloquearam. Modelos são atualizados pelos fornecedores, dados mudam e processos mudam — sem medição periódica, a queda de qualidade só aparece quando alguém reclama.

Existem três componentes: o consumo dos modelos, a infraestrutura de integração e observabilidade, e a operação — avaliações, ajustes e evolução. O consumo é o único que varia com o uso, e por isso acompanhamos custo por execução como indicador desde a validação: é o número que diz se a solução escala ou se fica cara justamente quando começa a funcionar. A faixa é apresentada com as premissas antes da implementação.

Raramente. Na maior parte dos casos empresariais, o que produz qualidade não é treinar um modelo, e sim dar bom contexto: acesso aos dados certos, instruções claras, ferramentas bem definidas e regras de negócio explícitas. Treinamento ou ajuste fino entram quando há volume, especificidade de domínio e um ganho mensurável que justifique o custo adicional — e essa comparação é feita com números, não por preferência técnica.

Não é esse o objetivo do trabalho, e não é assim que ele costuma terminar. O que acontece na prática é a redistribuição do que cada um faz: o sistema assume o repetível e a equipe fica com exceção, julgamento e relação — que é onde a experiência das pessoas realmente rende. Automação sem redesenho do trabalho gera resistência e baixa adoção, e adoção é parte do resultado que medimos.