Como criar um agente de IA na sua empresa
O caminho para tirar o primeiro agente do papel: escolher a tarefa, mapear as exceções, ligar as fontes de dado, limitar a autonomia e testar.
William MeloSócio-fundador da Maze Analytics
Criar um agente de IA na sua empresa é um trabalho de seis etapas: escolher uma tarefa repetida, mapear a decisão e as exceções que ela já tem hoje, ligar o agente às fontes de dado certas, definir até onde ele age sozinho, testar com casos reais e acompanhar depois que entra em operação. A escolha da ferramenta é a parte menor e a última. O que decide o resultado é a clareza da regra e a qualidade do dado que o agente enxerga.
Os pontos-chave:
- Comece por uma tarefa só, repetida toda semana, com regra escrita e resultado que alguém consegue conferir.
- A decisão vem antes do prompt. O que entra, o que sai, o que é exceção: isso precisa estar no papel.
- O agente só enxerga o que você conectar. Fonte errada vira resposta errada com cara de certa.
- Autonomia é escolha. Sugerir, executar com aprovação e executar sozinho são três projetos diferentes.
- Teste com caso real e acompanhe depois. Agente sem revisão perde a confiança da equipe rápido.
Comece escolhendo a tarefa, não a ferramenta
A maioria dos projetos começa pelo lado errado, escolhendo a plataforma antes de saber o que o agente vai fazer. A pesquisa do Sebrae com o FGV IBRE e o Google, publicada em janeiro de 2026 com cerca de 5 mil empresas ouvidas, mostra que o uso frequente de IA está em 15% das micro e pequenas empresas contra 35% das médias e grandes, e que entre os microempreendedores individuais o obstáculo mais citado é não saber como aplicar aquilo no próprio negócio.
Uma tarefa vira boa candidata quando responde sim a quatro perguntas: acontece toda semana, obriga alguém a olhar mais de um sistema, termina numa decisão entre poucas opções e tem um resultado que dá para conferir depois. Conferência de margem por pedido, checagem de estoque entre loja e marketplace, triagem de pedido de troca e cobrança de boleto vencido entram nessa lista.
O que não entra: decisão de posicionamento, negociação com fornecedor, escolha de crédito para cliente novo. O mapa por área está no guia sobre agentes de IA para empresas.
Mapeie a decisão e as exceções antes de escrever o prompt
Sente com a pessoa que faz a tarefa hoje e peça para ela narrar em voz alta. Anote quatro coisas: o que ela consulta, qual regra aplica, o que entrega no fim e em que situação ela abre exceção. Esse documento de uma página é a especificação do agente.
As exceções são o que derruba projeto. O cliente com tabela de preço própria, o pedido com frete combinado por telefone, a devolução lançada fora do prazo. Uma regra de margem parece trivial até aparecer a linha em que o custo de embalagem entra e a do marketplace em que não entra.
Escreva também o que o agente faz quando não tem certeza. "Não sei, confere com o financeiro" é uma resposta válida e precisa estar prevista. Agente que sempre responde alguma coisa é agente que inventa quando falta dado.
Escolha as fontes de dado que o agente vai enxergar
Liste onde cada número da tarefa mora: ERP, plataforma de e-commerce, CRM, planilha do comercial, sistema de frete. Para cada um, decida qual é a fonte oficial daquele número. Se faturamento existe em três lugares, o agente vai escolher um sozinho e a resposta vai mudar de semana para semana.
Três cuidados valem para qualquer porte:
- Acesso de leitura, com usuário próprio do agente. Nada de usar a credencial de uma pessoa da equipe.
- Permissão igual à da pessoa que pergunta. Quem não vê a folha de pagamento no sistema também não vê pelo agente.
- Origem citada em toda resposta. Sistema, período e filtro. É isso que permite conferir em vez de acreditar.
Quando o dado ainda está espalhado, o primeiro projeto não é de IA, é de integração. Isso não é má notícia, desde que fique explícito no começo e entre no orçamento. É a etapa que a Maze Analytics trata em dados e integrações, e ela costuma ser a maior parte do trabalho.
Defina até onde o agente decide sozinho
Autonomia não é um interruptor. É uma escala, e o nível certo depende do que acontece se o agente errar. A tabela abaixo é como nós separamos isso na prática.
| Nível | O que o agente faz | Onde cabe | O que precisa existir |
|---|---|---|---|
| Sugere | monta a resposta e entrega para uma pessoa decidir | primeiro mês de qualquer agente, análise de margem, resumo de reunião | origem citada na resposta |
| Executa com aprovação | prepara a ação e espera um clique | reembolso, mudança de preço, e-mail para cliente | fila de aprovação e registro de quem aprovou |
| Executa e avisa | faz e notifica o responsável | abrir tarefa, marcar pedido para conferência, alertar ruptura | notificação que alguém realmente lê |
| Executa sozinho | age sem aviso prévio | rotina de baixo impacto e fácil de desfazer | histórico completo e botão de desfazer |
O guia prático de agentes da OpenAI aponta dois gatilhos que devem sempre devolver a decisão para uma pessoa: quando o agente passa do limite de tentativas sem resolver e quando a ação é sensível, irreversível ou de alto impacto, como cancelar pedido, autorizar reembolso grande ou fazer pagamento. Comece no nível "sugere" e suba um degrau por vez, quando o histórico mostrar que vale.
Quem quiser um formato mais formal de análise de risco encontra no AI Risk Management Framework do NIST uma lista de conferência voluntária, organizada em governar, mapear, medir e gerenciar.
Teste com caso real antes de soltar na operação
Monte um conjunto de 20 a 30 perguntas reais, tiradas do que a equipe faz hoje, com a resposta certa já conhecida. Inclua as exceções que você mapeou e uns três casos em que o dado simplesmente não existe. Rode o agente contra essa lista e conte três coisas: quantas ele acertou, quantas ele errou com confiança e quantas ele admitiu não saber.
A orientação da Anthropic em Building effective agents vai na mesma direção: comece pelo caminho mais simples que resolve, use agente só quando o fluxo fixo não dá conta e teste bastante em ambiente isolado antes da produção.
Depois disso, rode em paralelo por algumas semanas: a pessoa continua fazendo a tarefa e compara o resultado com o do agente. É chato e é o que evita o susto caro.
Fazer com o time interno ou com apoio externo
Os dois caminhos funcionam e os dois têm custo. A escolha depende menos de orçamento e mais de quem vai manter aquilo funcionando daqui a seis meses.
| Time interno | Com apoio externo | |
|---|---|---|
| Custo inicial | salário e tempo de gente que já está ocupada | proposta fechada, com escopo e prazo definidos |
| Velocidade | depende da agenda de quem já tem outra função | começa mais rápido, porque a integração já foi feita antes |
| Conhecimento do negócio | é o ponto forte, ninguém conhece a exceção como quem vive ela | precisa ser transferido, e isso consome reunião |
| Risco principal | o projeto para quando a pessoa sai ou muda de prioridade | virar dependência se o código e as regras não ficarem documentados |
| Quando escolher | há alguém com tempo dedicado e alguma experiência com dado | o dado está espalhado e não há time de dados na casa |
A franqueza dos dois lados: um time interno sem alguém dedicado a dados costuma travar na integração, não no modelo de IA, e projeto tocado nas horas vagas morre em silêncio. Do outro lado, fornecedor que entrega o agente funcionando mas deixa a regra dentro de uma caixa fechada cria uma dependência que você vai pagar depois. Se contratar apoio, peça que a documentação e os acessos fiquem com você desde o começo, e trate isso como cláusula, não como promessa verbal. É a mesma lógica que organiza o nosso trabalho em IA e agentes de dados: primeiro a base da empresa, depois o agente em cima dela.
O que muda depois que o agente entra em operação
Agente não é projeto com data de entrega, é rotina que precisa de dono. Alguém revisa uma amostra das respostas toda semana, olha as perguntas que ficaram sem resposta e corrige a regra quando a operação muda.
Três coisas quebram um agente que já funcionava: mudança no sistema de origem (o ERP atualiza e um campo muda de nome), canal novo que ninguém avisou que entrou, e regra de negócio alterada sem atualizar a especificação. Nenhuma delas é falha do modelo, e todas aparecem como resposta errada.
O consumo de IA costuma ser a menor linha da conta. O que pesa é a manutenção da integração e o tempo de quem revisa, e isso entra no orçamento do primeiro ano, não só no da implantação.
Quando falar com a Maze Analytics
Faz sentido conversar quando você já sabe qual tarefa quer resolver, mas o dado dela está dividido entre ERP, planilha e plataforma de venda, e não existe na casa alguém com tempo para ligar essas pontas.
Nós começamos entendendo a tarefa e o dado que ela exige, dizemos com franqueza se o caso é de agente ou se é de integração e organização antes, e mostramos o que precisaria ser resolvido primeiro. Quando a resposta certa é "ainda não é hora", nós dizemos isso também. A primeira conversa é de 30 minutos.
Perguntas frequentes
Quanto tempo leva para criar um agente de IA?
Depende quase inteiramente do estado do dado, não do agente. Quando os números já estão em uma base organizada e a regra da tarefa está escrita, o trabalho é curto. Quando é preciso integrar sistemas e definir qual fonte vale, a integração passa a ser o projeto e o agente vira a etapa final.
Preciso saber programar para criar um agente de IA?
Para um agente simples, que lê uma base e responde perguntas, existem plataformas que resolvem sem código. A programação aparece quando o agente precisa acessar o seu ERP, respeitar permissão por pessoa e executar ação em outro sistema. Na prática, a parte técnica costuma estar na integração, não na conversa.
Qual a diferença entre criar um agente e usar o ChatGPT na empresa?
O ChatGPT responde com o que sabe e com o que você cola na conversa. O agente consulta os seus sistemas na hora, aplica a regra que você escreveu e executa passos dentro de um limite definido. A pergunta que separa os dois é direta: o que ele consegue fazer além de escrever?
Como sei se o agente está respondendo certo?
Exigindo que toda resposta cite a origem, o sistema e o período de onde o número saiu, e revisando uma amostra toda semana no começo. Sem isso, a resposta certa e a errada têm exatamente a mesma aparência, que é o jeito mais rápido de a equipe parar de usar.
