Por todo o lado se proclama o “ano dos agentes de IA”. No YouTube, no X e em palestras de conferências as promessas atropelam-se: os agentes substituiriam departamentos inteiros e em breve valeriam como colaboradores de pleno direito. Muito disso é simplesmente falso ou, pelo menos, muito exagerado. Numa conversa do podcast “Marketing Against the Grain”, Joe Mora, CEO e fundador da crewAI, enquadra a situação com sobriedade – incluindo uma avaliação honesta do que funciona hoje e do que ainda não funciona. Para quem decide numa PME, é precisamente esta separação entre substância e marketing que é decisiva antes de haver orçamentos.
- Um agente de IA é mais do que um chatbot: recebe uma tarefa, trabalha de forma autónoma e usa para isso memória (memory) e ferramentas (tools) para aceder a sistemas como CRM ou ERP.
- Os agentes estão realmente em uso – mas são mais lentos e mais suscetíveis a erros do que o hype sugere. Estamos na fase da experimentação, não da automatização total de departamentos inteiros.
- Começar bem significa: escolher casos de uso simples, com pouca exigência de precisão, e não processos altamente críticos como formulários fiscais.
- Ficam mais pessoas no processo (“human in the loop”) do que muitos esperam. O controlo e a rastreabilidade são centrais.
- Só cerca de 15 por cento das empresas inquiridas têm agentes em uso produtivo – quem começa agora está entre os que se mexem cedo.
O que é afinal um agente de IA
Os grandes modelos de linguagem, como os que estão por trás do ChatGPT ou do Claude, são no essencial muito bons a prever a palavra seguinte e a gerar conteúdos. Escrevem um e-mail, tornam-no mais descontraído se lhes pedirem e conseguem até escolher entre duas variantes com uma justificação – uma espécie de avaliação rudimentar.
Um agente usa exatamente essa capacidade para pensar um problema de forma autónoma. A diferença face ao chat: dá-se uma tarefa ao agente e pode sair-se da sala. Ele tenta então, autonomamente, alcançar um objetivo ao longo de vários passos. Mora resume-o assim: um agente precisa de agency, ou seja, capacidade de agir.
Dois elementos são típicos para isso:
- Memory (memória): para que o agente retenha informação ao longo dos vários passos – a curto e a longo prazo.
- Tools (ferramentas): interfaces para outros sistemas como CRM, ERP ou serviços de pesquisa, para que o agente possa agir em nome do utilizador.
O teste de realidade: lento, mas útil em segundo plano
Serve de exemplo o “Operator” da OpenAI, disponível na variante ChatGPT Pro por cerca de 200 dólares norte-americanos por mês. O agente controla um browser e consegue, por exemplo, pesquisar hotéis, voos ou restaurantes. O juízo na conversa é sóbrio: o Operator é lento e por vezes desajeitado – por estimativa, dez vezes mais lento do que uma pessoa na mesma tarefa.
O ponto decisivo: em tarefas que podem correr em segundo plano, a lentidão quase não conta. Mora descreve como usa agentes para as suas publicações nas redes sociais: introduzir a ideia, ir buscar um café, continuar a trabalhar – e o rascunho está pronto quando regressa. Assim faz regularmente algo que de outro modo deixaria por fazer por falta de tempo.
Ideia central: a latência não é crítica quando um pequeno “exército” de agentes trata de tarefas em segundo plano enquanto se dedica ao que é mais importante.
Confiança e controlo: porque a pessoa tem de continuar visível
Uma questão central dos agentes autónomos é a lógica de utilização: deve o agente limitar-se a comunicar uma reserva de restaurante como “feita”, ou deve poder ver-se-lhe o trabalho? O Operator aposta em deixar o agente trabalhar à vista e permitir intervir a qualquer momento.
Isso tem duas razões: segurança e confiança. Vê-se o que acontece e pode corrigir-se. Um exemplo de aviso vindo da conversa: um primeiro agente de e-mail devia apenas criar rascunhos, mas começou a enviar por conta própria mensagens em parte caricatas. Sobretudo nas empresas vale o seguinte: quem automatiza um processo crítico quer poder visualizá-lo, controlá-lo e verificá-lo mais tarde.
Começar bem: baixa precisão primeiro
A recomendação talvez mais prática diz respeito à escolha dos primeiros casos de uso. Mora distingue entre exigência de precisão baixa e alta:
- Baixa precisão (cerca de 90 por cento de exatidão chegam): por exemplo um agente que cria rascunhos de apresentações de venda a partir de transcrições de conversas ou de dados do CRM. Os erros são aqui suportáveis e fáceis de corrigir.
- Alta precisão (são necessários 99,99 por cento): por exemplo o preenchimento de formulários fiscais ou de organismos públicos. Mora refere formulários com mais de 70 páginas e manuais de 620 páginas – aqui nada pode correr mal.
A indicação é clara: não comece pela alta precisão, senão queima os dedos. Comece de forma simples e escale a partir daí.
Quatro linhas de orientação para o arranque
- Adotar cedo: ganhe um avanço em vez de ficar à espera.
- Não esperar por casos de uso alheios: não olhe para o que faz o grupo X – encontre o seu próprio ponto de partida simples.
- Começar simples: decomponha um papel em tarefas individuais e escolha as de baixa exigência de precisão.
- Evoluir na direção “low risk, high impact”: alargue passo a passo a casos de risco reduzido e elevado benefício.
Uma dica prática da conversa: pegue num papel concreto – por exemplo o de um comercial (BDR) – e mande dividir as tarefas em baixa e alta precisão. São justamente as tarefas de baixa precisão os campos de experimentação ideais. Para construir há hoje vários caminhos: plataformas no-code para utilizadores menos técnicos, tal como frameworks para programadores que criam agentes em Python.
Como as empresas usam bem os agentes
A abordagem errada é construir agentes como cópia pura 1:1 de um posto de trabalho humano. Mais bem-sucedido é automatizar micro-tarefas isoladas, de modo que as pessoas fiquem livres para o que é mais importante – uma espécie de promoção: a responsabilidade pelo resultado final fica com a pessoa, o agente assume o trabalho preparatório.
Um exemplo da prática: uma empresa de telecomunicações automatiza a análise de contratos. Antes de um contrato chegar ao departamento jurídico, os agentes já fornecem recomendações e alterações assinaladas (“red lines”). Assim é possível escalar coisas que antes eram demasiado caras.
Quanto à ancoragem na empresa, desenha-se um padrão: afastamento de colaboradores isolados que usam o ChatGPT às escondidas, revelando eventualmente dados sensíveis e fechando conhecimento em silos – em direção a uma gestão central, muitas vezes sob o CIO, o CTO ou um head of AI. Isso cria controlo sobre que modelos são usados e sobre como se lida com dados pessoais. O valor realmente grande é obtido por equipas técnicas, porque as automatizações complexas têm de ser integradas em profundidade com dados não estruturados e com sistemas próprios.
Casos de uso concretos em marketing e vendas
Três exemplos da conversa mostram para que servem hoje os agentes:
- Enriquecimento de leads com hipóteses: se alguém se regista de novo num site, os agentes pesquisam a pessoa e a empresa. Além disso formulam hipóteses sobre como essa pessoa poderia usar o produto, estruturam o resultado em JSON e enviam-no para o HubSpot e para a base de dados do produto. Resultado: e-mails hiperpersonalizados e pré-visualizações de produto à medida.
- Preparação comercial: os agentes pesquisam clientes antecipadamente – por exemplo através de ferramentas de pesquisa como o Sonar da Perplexity. Assim um comercial prepara-se não necessariamente mais depressa, mas melhor em abrangência, e consegue ter mais reuniões. Atrativa é também a ideia de replicar a forma de trabalhar do melhor comercial, para que todos estejam preparados a esse nível.
- Otimização de SEO e de conversão: os agentes criam capturas de ecrã do próprio site, analisam textos e concorrentes e daí derivam hipóteses sobre o que poderia mudar. O contributo humano mantém-se enxuto: o próprio site, uma descrição do setor e o objetivo de otimização. O resto fazem-no os agentes, entregando propostas de testes A/B.
Onde a expetativa e a técnica se afastam
Segundo Mora, o maior desencontro entre hype e realidade está em dois pontos:
- Mais pessoas no processo do que se pensa: precisamente agora é preciso bastante mais “human in the loop”. A automatização integral, de ponta a ponta – sobretudo em processos de alta precisão – ainda não está lá. Os agentes falham ainda muitas vezes a meio.
- A integração dá mais trabalho do que o esperado: nas empresas há muita “cola” entre sistemas. Para que os agentes consigam navegar por esses caminhos, é preciso código claro e instruções claras. Não é por acaso que o setor começa pelo browser – aí existe uma interface comum. Muitas empresas usam, porém, software de desktop que nem sequer está online.
Digno de nota é o número da adoção: das cerca de 4.000 a 4.500 pessoas inquiridas, apenas cerca de 15 por cento tinham agentes em uso produtivo; nas grandes empresas cerca de 23 por cento. Como estes inquiridos já são, de qualquer modo, tecnicamente inclinados, o número na economia no seu todo deverá ser mais baixo. A mensagem para quem decide: é muito cedo – e quem começa agora está ainda entre os que se mexem depressa.
Os agentes como futuro critério de contratação
Uma perspetiva que dá que pensar: o CEO da Microsoft, Satya Nadella, esboçou que no futuro as pessoas também poderiam ser contratadas pelos agentes que construíram para si – em vez de apenas por certificados e experiência profissional anterior. Mora concorda, menos por causa dos agentes em si e mais porque eles dizem algo sobre a pessoa. Na crewAI, os candidatos podem usar expressamente todas as ferramentas de IA na entrevista de engenharia – quem não o faz é reprovado. O quão bem alguém usa estas ferramentas pesa de forma determinante na decisão de contratação.
Conclusão
Estamos na fase em que muitas empresas experimentam agentes e os colocam em produção – mas não na fase em que os agentes assumem o quadro de pessoal. A realidade sóbria: hoje os agentes são muitas vezes mais lentos do que as pessoas, precisam de supervisão e falham ainda com regularidade. O seu valor aparece em tarefas de segundo plano, em micro-tarefas dentro de um papel e em todo o lado onde os erros são suportáveis. Para quem decide numa PME isso significa: começar pequeno e simples, começar por uma baixa exigência de precisão, manter a pessoa visivelmente no ciclo e evoluir passo a passo para casos de baixo risco e forte impacto. Quem procede assim ganha hoje experiência prática – sem cair no hype.