- \n
- Um agente de IA \u00e9 mais do que um chatbot: recebe uma tarefa, trabalha de forma aut\u00f3noma e usa para isso mem\u00f3ria (memory) e ferramentas (tools) para aceder a sistemas como CRM ou ERP.<\/li>\n
- Os agentes est\u00e3o realmente em uso – mas s\u00e3o mais lentos e mais suscet\u00edveis a erros do que o hype sugere. Estamos na fase da experimenta\u00e7\u00e3o, n\u00e3o da automatiza\u00e7\u00e3o total de departamentos inteiros.<\/li>\n
- Come\u00e7ar bem significa: escolher casos de uso simples, com pouca exig\u00eancia de precis\u00e3o, e n\u00e3o processos altamente cr\u00edticos como formul\u00e1rios fiscais.<\/li>\n
- Ficam mais pessoas no processo (“human in the loop”) do que muitos esperam. O controlo e a rastreabilidade s\u00e3o centrais.<\/li>\n
- S\u00f3 cerca de 15 por cento das empresas inquiridas t\u00eam agentes em uso produtivo – quem come\u00e7a agora est\u00e1 entre os que se mexem cedo.<\/li>\n<\/ul>\n<\/div>\n
![\"Compara\u00e7\u00e3o](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/1493-1.png\")
Recomenda\u00e7\u00e3o do CEO da crewAI, Joe Mora: come\u00e7ar simples e escalar a partir da\u00ed.<\/figcaption><\/figure>\n O que \u00e9 afinal um agente de IA<\/h2>\n
Os grandes modelos de linguagem, como os que est\u00e3o por tr\u00e1s do ChatGPT ou do Claude, s\u00e3o no essencial muito bons a prever a palavra seguinte e a gerar conte\u00fados. Escrevem um e-mail, tornam-no mais descontra\u00eddo se lhes pedirem e conseguem at\u00e9 escolher entre duas variantes com uma justifica\u00e7\u00e3o – uma esp\u00e9cie de avalia\u00e7\u00e3o rudimentar.<\/p>\n
Um agente usa exatamente essa capacidade para pensar um problema de forma aut\u00f3noma. A diferen\u00e7a face ao chat: d\u00e1-se uma tarefa ao agente e pode sair-se da sala. Ele tenta ent\u00e3o, autonomamente, alcan\u00e7ar um objetivo ao longo de v\u00e1rios passos. Mora resume-o assim: um agente precisa de agency<\/strong>, ou seja, capacidade de agir.<\/p>\n
Dois elementos s\u00e3o t\u00edpicos para isso:<\/p>\n
- \n
- Memory (mem\u00f3ria):<\/strong> para que o agente retenha informa\u00e7\u00e3o ao longo dos v\u00e1rios passos – a curto e a longo prazo.<\/li>\n
- Tools (ferramentas):<\/strong> interfaces para outros sistemas como CRM, ERP ou servi\u00e7os de pesquisa, para que o agente possa agir em nome do utilizador.<\/li>\n<\/ul>\n
O teste de realidade: lento, mas \u00fatil em segundo plano<\/h2>\n
Serve de exemplo o “Operator” da OpenAI, dispon\u00edvel na variante ChatGPT Pro por cerca de 200 d\u00f3lares norte-americanos por m\u00eas. O agente controla um browser e consegue, por exemplo, pesquisar hot\u00e9is, voos ou restaurantes. O ju\u00edzo na conversa \u00e9 s\u00f3brio: o Operator \u00e9 lento e por vezes desajeitado – por estimativa, dez vezes mais lento do que uma pessoa na mesma tarefa.<\/p>\n
O ponto decisivo: em tarefas que podem correr em segundo plano, a lentid\u00e3o quase n\u00e3o conta. Mora descreve como usa agentes para as suas publica\u00e7\u00f5es nas redes sociais: introduzir a ideia, ir buscar um caf\u00e9, continuar a trabalhar – e o rascunho est\u00e1 pronto quando regressa. Assim faz regularmente algo que de outro modo deixaria por fazer por falta de tempo.<\/p>\n
Ideia central:<\/strong> a lat\u00eancia n\u00e3o \u00e9 cr\u00edtica quando um pequeno “ex\u00e9rcito” de agentes trata de tarefas em segundo plano enquanto se dedica ao que \u00e9 mais importante.<\/p><\/blockquote>\n
Confian\u00e7a e controlo: porque a pessoa tem de continuar vis\u00edvel<\/h2>\n
Uma quest\u00e3o central dos agentes aut\u00f3nomos \u00e9 a l\u00f3gica de utiliza\u00e7\u00e3o: 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 \u00e0 vista e permitir intervir a qualquer momento.<\/p>\n
Isso tem duas raz\u00f5es: seguran\u00e7a e confian\u00e7a. V\u00ea-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 come\u00e7ou a enviar por conta pr\u00f3pria mensagens em parte caricatas. Sobretudo nas empresas vale o seguinte: quem automatiza um processo cr\u00edtico quer poder visualiz\u00e1-lo, control\u00e1-lo e verific\u00e1-lo mais tarde.<\/p>\n
Come\u00e7ar bem: baixa precis\u00e3o primeiro<\/h2>\n
A recomenda\u00e7\u00e3o talvez mais pr\u00e1tica diz respeito \u00e0 escolha dos primeiros casos de uso. Mora distingue entre exig\u00eancia de precis\u00e3o baixa e alta:<\/p>\n
- \n
- Baixa precis\u00e3o (cerca de 90 por cento de exatid\u00e3o chegam):<\/strong> por exemplo um agente que cria rascunhos de apresenta\u00e7\u00f5es de venda a partir de transcri\u00e7\u00f5es de conversas ou de dados do CRM. Os erros s\u00e3o aqui suport\u00e1veis e f\u00e1ceis de corrigir.<\/li>\n
- Alta precis\u00e3o (s\u00e3o necess\u00e1rios 99,99 por cento):<\/strong> por exemplo o preenchimento de formul\u00e1rios fiscais ou de organismos p\u00fablicos. Mora refere formul\u00e1rios com mais de 70 p\u00e1ginas e manuais de 620 p\u00e1ginas – aqui nada pode correr mal.<\/li>\n<\/ul>\n
A indica\u00e7\u00e3o \u00e9 clara: n\u00e3o comece pela alta precis\u00e3o, sen\u00e3o queima os dedos.<\/strong> Comece de forma simples e escale a partir da\u00ed.<\/p>\n
Quatro linhas de orienta\u00e7\u00e3o para o arranque<\/h3>\n
- \n
- Adotar cedo:<\/strong> ganhe um avan\u00e7o em vez de ficar \u00e0 espera.<\/li>\n
- N\u00e3o esperar por casos de uso alheios:<\/strong> n\u00e3o olhe para o que faz o grupo X – encontre o seu pr\u00f3prio ponto de partida simples.<\/li>\n
- Come\u00e7ar simples:<\/strong> decomponha um papel em tarefas individuais e escolha as de baixa exig\u00eancia de precis\u00e3o.<\/li>\n
- Evoluir na dire\u00e7\u00e3o “low risk, high impact”:<\/strong> alargue passo a passo a casos de risco reduzido e elevado benef\u00edcio.<\/li>\n<\/ul>\n
Uma dica pr\u00e1tica da conversa: pegue num papel concreto – por exemplo o de um comercial (BDR) – e mande dividir as tarefas em baixa e alta precis\u00e3o. S\u00e3o justamente as tarefas de baixa precis\u00e3o os campos de experimenta\u00e7\u00e3o ideais. Para construir h\u00e1 hoje v\u00e1rios caminhos: plataformas no-code para utilizadores menos t\u00e9cnicos, tal como frameworks para programadores que criam agentes em Python.<\/p>\n
Como as empresas usam bem os agentes<\/h2>\n
A abordagem errada \u00e9 construir agentes como c\u00f3pia pura 1:1 de um posto de trabalho humano. Mais bem-sucedido \u00e9 automatizar micro-tarefas isoladas, de modo que as pessoas fiquem livres para o que \u00e9 mais importante – uma esp\u00e9cie de promo\u00e7\u00e3o: a responsabilidade pelo resultado final fica com a pessoa, o agente assume o trabalho preparat\u00f3rio.<\/p>\n
Um exemplo da pr\u00e1tica: uma empresa de telecomunica\u00e7\u00f5es automatiza a an\u00e1lise de contratos. Antes de um contrato chegar ao departamento jur\u00eddico, os agentes j\u00e1 fornecem recomenda\u00e7\u00f5es e altera\u00e7\u00f5es assinaladas (“red lines”). Assim \u00e9 poss\u00edvel escalar coisas que antes eram demasiado caras.<\/p>\n
Quanto \u00e0 ancoragem na empresa, desenha-se um padr\u00e3o: afastamento de colaboradores isolados que usam o ChatGPT \u00e0s escondidas, revelando eventualmente dados sens\u00edveis e fechando conhecimento em silos – em dire\u00e7\u00e3o a uma gest\u00e3o central, muitas vezes sob o CIO, o CTO ou um head of AI. Isso cria controlo sobre que modelos s\u00e3o usados e sobre como se lida com dados pessoais. O valor realmente grande \u00e9 obtido por equipas t\u00e9cnicas, porque as automatiza\u00e7\u00f5es complexas t\u00eam de ser integradas em profundidade com dados n\u00e3o estruturados e com sistemas pr\u00f3prios.<\/p>\n
Casos de uso concretos em marketing e vendas<\/h2>\n
Tr\u00eas exemplos da conversa mostram para que servem hoje os agentes:<\/p>\n
- \n
- Enriquecimento de leads com hip\u00f3teses:<\/strong> se algu\u00e9m se regista de novo num site, os agentes pesquisam a pessoa e a empresa. Al\u00e9m disso formulam hip\u00f3teses 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 pr\u00e9-visualiza\u00e7\u00f5es de produto \u00e0 medida.<\/li>\n
- Prepara\u00e7\u00e3o comercial:<\/strong> os agentes pesquisam clientes antecipadamente – por exemplo atrav\u00e9s de ferramentas de pesquisa como o Sonar da Perplexity. Assim um comercial prepara-se n\u00e3o necessariamente mais depressa, mas melhor em abrang\u00eancia, e consegue ter mais reuni\u00f5es. Atrativa \u00e9 tamb\u00e9m a ideia de replicar a forma de trabalhar do melhor comercial, para que todos estejam preparados a esse n\u00edvel.<\/li>\n
- Otimiza\u00e7\u00e3o de SEO e de convers\u00e3o:<\/strong> os agentes criam capturas de ecr\u00e3 do pr\u00f3prio site, analisam textos e concorrentes e da\u00ed derivam hip\u00f3teses sobre o que poderia mudar. O contributo humano mant\u00e9m-se enxuto: o pr\u00f3prio site, uma descri\u00e7\u00e3o do setor e o objetivo de otimiza\u00e7\u00e3o. O resto fazem-no os agentes, entregando propostas de testes A\/B.<\/li>\n<\/ul>\n
Onde a expetativa e a t\u00e9cnica se afastam<\/h2>\n
Segundo Mora, o maior desencontro entre hype e realidade est\u00e1 em dois pontos:<\/p>\n
- \n
- Mais pessoas no processo do que se pensa:<\/strong> precisamente agora \u00e9 preciso bastante mais “human in the loop”. A automatiza\u00e7\u00e3o integral, de ponta a ponta – sobretudo em processos de alta precis\u00e3o – ainda n\u00e3o est\u00e1 l\u00e1. Os agentes falham ainda muitas vezes a meio.<\/li>\n
- A integra\u00e7\u00e3o d\u00e1 mais trabalho do que o esperado:<\/strong> nas empresas h\u00e1 muita “cola” entre sistemas. Para que os agentes consigam navegar por esses caminhos, \u00e9 preciso c\u00f3digo claro e instru\u00e7\u00f5es claras. N\u00e3o \u00e9 por acaso que o setor come\u00e7a pelo browser – a\u00ed existe uma interface comum. Muitas empresas usam, por\u00e9m, software de desktop que nem sequer est\u00e1 online.<\/li>\n<\/ul>\n
Digno de nota \u00e9 o n\u00famero da ado\u00e7\u00e3o: 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 j\u00e1 s\u00e3o, de qualquer modo, tecnicamente inclinados, o n\u00famero na economia no seu todo dever\u00e1 ser mais baixo. A mensagem para quem decide: \u00e9 muito cedo – e quem come\u00e7a agora est\u00e1 ainda entre os que se mexem depressa.<\/p>\n
Os agentes como futuro crit\u00e9rio de contrata\u00e7\u00e3o<\/h2>\n
Uma perspetiva que d\u00e1 que pensar: o CEO da Microsoft, Satya Nadella, esbo\u00e7ou que no futuro as pessoas tamb\u00e9m poderiam ser contratadas pelos agentes que constru\u00edram para si – em vez de apenas por certificados e experi\u00eancia 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 n\u00e3o o faz \u00e9 reprovado. O qu\u00e3o bem algu\u00e9m usa estas ferramentas pesa de forma determinante na decis\u00e3o de contrata\u00e7\u00e3o.<\/p>\n
Conclus\u00e3o<\/h2>\n
Estamos na fase em que muitas empresas experimentam agentes e os colocam em produ\u00e7\u00e3o – mas n\u00e3o na fase em que os agentes assumem o quadro de pessoal. A realidade s\u00f3bria: hoje os agentes s\u00e3o muitas vezes mais lentos do que as pessoas, precisam de supervis\u00e3o 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 s\u00e3o suport\u00e1veis. Para quem decide numa PME isso significa: come\u00e7ar pequeno e simples, come\u00e7ar por uma baixa exig\u00eancia de precis\u00e3o, manter a pessoa visivelmente no ciclo e evoluir passo a passo para casos de baixo risco e forte impacto. Quem procede assim ganha hoje experi\u00eancia pr\u00e1tica – sem cair no hype.<\/p>\n
- A integra\u00e7\u00e3o d\u00e1 mais trabalho do que o esperado:<\/strong> nas empresas h\u00e1 muita “cola” entre sistemas. Para que os agentes consigam navegar por esses caminhos, \u00e9 preciso c\u00f3digo claro e instru\u00e7\u00f5es claras. N\u00e3o \u00e9 por acaso que o setor come\u00e7a pelo browser – a\u00ed existe uma interface comum. Muitas empresas usam, por\u00e9m, software de desktop que nem sequer est\u00e1 online.<\/li>\n<\/ul>\n
- Prepara\u00e7\u00e3o comercial:<\/strong> os agentes pesquisam clientes antecipadamente – por exemplo atrav\u00e9s de ferramentas de pesquisa como o Sonar da Perplexity. Assim um comercial prepara-se n\u00e3o necessariamente mais depressa, mas melhor em abrang\u00eancia, e consegue ter mais reuni\u00f5es. Atrativa \u00e9 tamb\u00e9m a ideia de replicar a forma de trabalhar do melhor comercial, para que todos estejam preparados a esse n\u00edvel.<\/li>\n
- N\u00e3o esperar por casos de uso alheios:<\/strong> n\u00e3o olhe para o que faz o grupo X – encontre o seu pr\u00f3prio ponto de partida simples.<\/li>\n
- Alta precis\u00e3o (s\u00e3o necess\u00e1rios 99,99 por cento):<\/strong> por exemplo o preenchimento de formul\u00e1rios fiscais ou de organismos p\u00fablicos. Mora refere formul\u00e1rios com mais de 70 p\u00e1ginas e manuais de 620 p\u00e1ginas – aqui nada pode correr mal.<\/li>\n<\/ul>\n
- Tools (ferramentas):<\/strong> interfaces para outros sistemas como CRM, ERP ou servi\u00e7os de pesquisa, para que o agente possa agir em nome do utilizador.<\/li>\n<\/ul>\n
- Memory (mem\u00f3ria):<\/strong> para que o agente retenha informa\u00e7\u00e3o ao longo dos v\u00e1rios passos – a curto e a longo prazo.<\/li>\n