Agentes de IA, não chatbots: pôr o conhecimento da sua empresa a trabalhar

Toda a gente acrescentou um chatbot. Quase ninguém ganhou alavancagem.

Esta é a auditoria honesta a três anos de "adoção de IA" nas empresas. Apareceu um widget ao canto do site. Fez-se a demonstração de um piloto na reunião geral. Alguém ligou um modelo de linguagem à página de FAQ, o slide do conselho de administração ganhou o seu visto — e o trabalho real da empresa, os orçamentos, os relatórios, os follow-ups, o onboarding e as propostas, continua a ser feito como em 2019: por pessoas exaustas, em caixas de correio, à mão.

A desilusão era previsível, porque a descrição de funções estava errada desde o início. Pegámos na tecnologia de raciocínio mais capaz da nossa vida e demos-lhe o papel de quiosque.

Um chatbot responde. Um agente faz o trabalho.

A distinção não é vocabulário de marketing. É arquitetural, e decide se a IA chega alguma vez à sua conta de resultados.

Um chatbot é uma conversa com um modelo. Espera por uma pergunta, produz uma resposta e esquece-se de si. O seu output é texto — e o texto só ganha valor quando alguém o lê, o interpreta e vai depois fazer a coisa. Todas as interações com um chatbot acabam da mesma maneira: com uma pessoa a fazer o trabalho na mesma. É por isso que tantos pilotos geraram aplausos e poupança nenhuma, um beco sem saída que dissecamos em o seu chatbot é um beco sem saída.

Um agente é software que faz trabalho. Lê a caixa de correio, extrai o que interessa, confronta-o com os seus sistemas, preenche o formulário, atualiza o registo, redige a resposta, encaminha para uma pessoa os casos genuinamente ambíguos e regista cada passo que deu. O seu output não é um parágrafo. É um passo concluído de um processo de negócio.

Um chatbot é avaliado pela qualidade com que responde. Um agente é avaliado pelo trabalho que ficou feito.

Esta frase é o teste que aplicamos a todas as iniciativas de IA que nos aparecem à frente. Se a métrica de sucesso é a "qualidade da resposta", comprou uma FAQ muito cara. Se a métrica de sucesso são casos resolvidos, orçamentos emitidos, documentos produzidos, horas devolvidas à equipa — está a construir alavancagem.

As quatro capacidades que fazem de um agente um agente

Tire os slides do fornecedor e um agente digno do nome tem quatro propriedades. Falte uma que seja e volta a ter um chatbot com melhor iluminação.

1. Age através de ferramentas

Um agente tem mãos: o seu CRM, o seu ERP, o seu email, o seu armazenamento de ficheiros, o seu calendário, as suas APIs internas. "Agir" significa que o registo é mesmo atualizado, que o rascunho fica mesmo na caixa de saída à espera de aprovação, que o ticket avança mesmo. Se o único verbo do sistema é responder, nunca vai tirar trabalho de cima de ninguém — só consegue comentá-lo.

2. Tem memória

A maior parte da IA em produção sofre de amnésia. Cada conversa começa do zero: o cliente volta a explicar a situação, a equipa volta a ensinar as preferências, a correção da semana passada volta a ser esquecida. Um agente tem memória persistente — o que tratou, o que foi decidido, no que errou e como foi corrigido. Memória não é uma funcionalidade de luxo; é a diferença entre uma ferramenta que se treina uma vez e uma ferramenta de que se toma conta para sempre. Desenvolvemos o argumento por inteiro em os agentes precisam de memória, não de modelos maiores.

3. Corre sobre o conhecimento da sua empresa, não sobre o da internet

Um modelo fundacional sabe linguagem e sabe do mundo. Não conhece os seus contratos, a sua tabela de preços, as suas restrições de entrega, as suas regras de conformidade, os seus projetos anteriores nem o tom que os seus clientes esperam. A distância entre um modelo genérico e um agente útil fecha-se com a sua base de conhecimento — pesquisa e recuperação sobre os documentos, dados e decisões que a empresa já tem. É trabalho pouco glamoroso: recolher, estruturar, eliminar duplicados, indexar. É também onde o valor se acumula.

4. Sabe quando parar

Os melhores agentes não são os mais audazes; são os mais bem calibrados. Portas de aprovação, limiares de confiança e caminhos de escalamento são funcionalidades, não fraquezas. Um agente bem construído trata autonomamente dos 80% repetitivos e entrega os 20% que exigem critério a uma pessoa — com todo o contexto anexado, para que a decisão humana demore dois minutos em vez de vinte.

O seu fosso competitivo não é o modelo

Aqui vai a parte contracorrente que a maioria dos fornecedores não diz em voz alta: o acesso a modelos é uma commodity. O seu concorrente aluga a mesma inteligência que a sua empresa, aos mesmos três ou quatro fornecedores, ao mesmo preço por token. Ninguém ganha um mercado por ter escolhido um modelo marginalmente melhor neste trimestre.

O que não é commodity é o seu conhecimento operacional — os mil pequenos factos sobre como o negócio funciona de facto, hoje presos em caixas de correio, propostas antigas, folhas de cálculo e nas cabeças das pessoas mais experientes. A empresa que converte esse conhecimento num ativo utilizável por máquinas fica com agentes que se comportam como veteranos de dez anos. A que não o faz fica com um estagiário esperto e sem contexto, para sempre.

A pergunta estratégica dos próximos cinco anos não é "que modelo?". É "quanto daquilo que sabemos consegue o nosso software usar?"

A confiança é um problema de engenharia, não um ato de fé

A objeção habitual: "Não podemos ter uma IA a improvisar com os nossos clientes." Correto. Não pode. E não tem de ser assim — porque a confiança em agentes constrói-se com engenharia, não com esperança:

• Determinismo onde importa. Preços, datas, cláusulas legais e cálculos vêm de dados validados e de código, nunca da imaginação do modelo. O modelo trata da linguagem e do critério; as regras tratam dos factos.
• Portas de aprovação. Tudo o que sai porta fora — um email, um orçamento, uma publicação — pode exigir o clique de uma pessoa. O agente prepara; alguém liberta. A autonomia alarga-se à medida que o histórico se acumula.
• Trilhos de auditoria. Todas as ações registadas: o que o agente viu, o que decidiu, o que fez. Quando algo parece estranho, reproduz-se o percurso — o que é mais do que se pode dizer da maioria dos fluxos de trabalho humanos.
• Âmbitos estreitos. Um agente que executa um fluxo de trabalho por inteiro vale mais do que uma plataforma que faz tudo por aproximação. Comece estreito, prove, alargue.

É também por isto que tantas demonstrações impressionantes morrem antes de chegar a produção — uma demonstração não precisa de nada disto e a produção precisa de tudo. Escrevemos sobre esse fosso em o abismo entre a demo e a produção.

O que isto é na prática

Impomo-nos um padrão incómodo: não publicamos afirmações sobre agentes que a nossa própria operação não use. Alguns exemplos reais — nossos, verificáveis, em produção:

• O assistente desta página é um deles. O concierge deste site não é um widget com guião: pesquisa sobre todas as páginas e artigos do site e mantém memória persistente ao longo da conversa. Pergunte-lhe algo específico sobre o nosso trabalho em sistemas de IA e ele responde a partir do conteúdo real, não de um guião enlatado. É conhecimento transformado em ação na sua forma útil mais pequena.
• A nossa publicação corre num agente, não num calendário. Entra um briefing no nosso hub de publicação e sai um artigo de blogue, um post de LinkedIn e um post de Facebook — redigidos dentro da marca, encaminhados por um único bus, publicados com aprovação humana. O artigo que está a ler passou por esse pipeline.
• Os dados de uma marca geram o site inteiro. O nosso motor multi-tenant pega nos dados estruturados de marca e de conteúdo de uma empresa e gera a partir deles um site completo, multipágina e pronto para SEO. Mudam-se os dados, o site acompanha. Sem projeto de reconstrução, sem ciclo de agência.

E um arquétipo ilustrativo, porque a maioria dos nossos leitores não são empresas de software: imagine uma operação logística com 40 pessoas. Os pedidos de orçamento chegam por email, em todos os formatos imagináveis. Hoje, dois despachantes passam as manhãs a reescrevê-los no TMS. Um agente lê cada pedido, extrai rota, carga e datas, verifica a viabilidade face às restrições reais, redige o orçamento a partir da tabela tarifária verdadeira e coloca-o em fila para aprovação com um clique. Os despachantes deixam de ser transcritores de dados e passam a ser aquilo para que foram contratados: pessoas que lidam com exceções e com relações. Nada nesta história exige ficção científica — todos os componentes existem hoje em automação bem construída.

Por onde começar

Não por uma decisão de plataforma, nem por um comité. Escolha um fluxo de trabalho de grande volume, muito assente em regras e tolerante a revisão. Ponha o respetivo conhecimento em formato pesquisável. Ligue o agente às ferramentas reais, atrás de uma porta de aprovação. Coloque-o a funcionar em semanas, meça as horas devolvidas e só depois alargue o âmbito. A alavancagem acumula-se a partir do primeiro fluxo de trabalho — mas só se o primeiro fluxo chegar mesmo a produção.

Se está a avaliar onde é que um agente se pagaria mais depressa na sua operação, fale connosco — uma conversa curta sobre os seus fluxos de trabalho não custa nada e costuma revelar a resposta.