Por que projetos de IA agêntica são cancelados e o que um piloto de oito semanas faz certo

Um cliente pede um reembolso, e o agente encontra o pedido no CRM, verifica a política de devoluções e redige uma resposta em menos de um minuto. Então, ele trava, porque a aprovação do reembolso está em um sistema financeiro ao qual nunca foi conectado, e o endereço do cliente não coincide nos dois bancos de dados. Lacunas desse tipo raramente aparecem em uma demonstração, mas determinam quanto custa operar um agente e se alguém pode confiar nele. Isso significa que o maior risco da IA agêntica está na empresa em que o agente é inserido, e não no modelo.

A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, apontando o aumento dos custos, a falta de clareza sobre o valor para os negócios e controles de risco frágeis. Uma leitura atenta mostra que essa previsão diz respeito à aprovação desses projetos com base no desempenho em uma demonstração, sem uma visão clara do custo atual do trabalho nem de quem responde pelos resultados.

A pergunta que eu faria a qualquer equipe de liderança é se a empresa consegue sustentar esse agente executando o trabalho todos os dias, a um custo e com um nível de risco que possa aceitar. Para responder, é preciso analisar de perto o que chamo de trabalho após a automação: tudo o que as pessoas ainda precisam fazer depois que o agente conclui sua parte. Um piloto de oito semanas é uma forma prática de medir isso antes de se comprometer com uma implementação completa.

Os problemas que um agente herda da empresa

Raramente um agente trabalha sozinho, pois até uma tarefa aparentemente simples envolve registros de clientes, alguns aplicativos de negócios e, em geral, uma etapa de aprovação. Cada conexão limita o que o agente pode ver e fazer. Quando os registros são inconsistentes ou ninguém sabe ao certo quem deve aprovar o trabalho, o agente herda essa confusão junto com a tarefa.

Os casos rotineiros raramente são o problema; as exceções, sim, porque é nelas que os custos operacionais se acumulam — e são justamente elas que uma demonstração evita. A pesquisa da Deloitte de 2026 constatou que apenas 5% das organizações consideram seus processos de negócios altamente preparados para agentes de IA. Esse dado é mais revelador do que qualquer avaliação comparativa de modelos, pois sugere que a IA está pronta muito antes da maioria dos processos.

O caso de negócio precisa incluir o trabalho após a automação

Medir a rapidez com que um agente produz um resultado é a maneira mais fácil de exagerar seu valor, pois o que importa é o esforço necessário para concluir a tarefa. Suponha que um funcionário leve 20 minutos para processar uma solicitação e que o agente reduza a primeira etapa do trabalho a dois minutos. Isso parece representar uma economia de 18 minutos, até que alguém gaste 15 minutos verificando o resultado e corrigindo erros. Economizar três minutos oferece um retorno modesto quando se contabiliza também o custo de operar o agente.

A análise da McKinsey sobre um agente de atendimento ao cliente de um banco mostra o mesmo padrão em grande escala: os tokens representavam de 20% a 25% dos custos operacionais variáveis, e a supervisão humana, de 70% a 75%. Portanto, a maior parte dos gastos ficava fora do modelo. Sem estabelecer uma linha de base antes de alguém escrever código, um piloto pode demonstrar bastante progresso técnico e, ainda assim, deixar sem comprovação o caso de investimento. No mínimo, o responsável pela área de negócios precisa ter uma resposta clara para cada um destes pontos:

• Volume: com que frequência o processo é executado e quantas pessoas participam dele.
• Tempo de conclusão: quanto tempo leva a tarefa inteira, incluindo verificações e correções.
• Precisão: com que frequência algo dá errado ou precisa ser refeito.
• Custo por tarefa: quanto custa hoje concluir uma tarefa com sucesso.
• Impacto nos negócios: o que uma melhoria real mudaria para os clientes, os funcionários ou a empresa.

Um agente precisa conquistar seu lugar no fluxo de trabalho

A adoção costuma ser tratada como parte da gestão da mudança, embora, na minha experiência, ela seja definida muito antes, pela posição do agente no fluxo de trabalho. Uma empresa global de serviços profissionais havia criado agentes para atividades de suporte e conformidade. O agente de suporte conseguia buscar informações em vários sistemas internos, mas as pessoas precisavam abrir um aplicativo separado para usá-lo e, em geral, nem se davam ao trabalho. Quando o mesmo fluxo de trabalho foi transferido para a plataforma de suporte já existente, o agente passou a aparecer no chamado em que os atendentes já trabalhavam. Um agente de triagem de conformidade seguiu o mesmo caminho: foi integrado ao Salesforce para ser executado sempre que um caso fosse criado.

Nada mudou nos próprios agentes; o que mudou foi a posição deles no fluxo de trabalho. Os atendentes já tinham motivo para abrir um chamado ou criar um caso, então encontrá-los naquele momento não exigia nenhum esforço adicional. Por isso, a localização do agente é uma decisão de arquitetura tanto quanto de adoção: ele precisa ter contexto no local em que o trabalho acontece, e seu resultado deve alimentar a etapa seguinte sem que alguém precise copiá-lo manualmente.

A autonomia muda a equação de segurança

Um agente que só pode ler informações representa um tipo de risco; um que pode alterar registros ou enviar e-mails a clientes representa outro completamente diferente. Portanto, os controles precisam acompanhar o que ele está realmente autorizado a fazer. Permissões excessivas e vazamento de dados confidenciais são riscos conhecidos, mas a injeção de prompt merece atenção especial: trata-se de instruções ocultas em um documento ou e-mail que o agente encontra enquanto realiza uma tarefa perfeitamente legítima.

As orientações da Gartner, de maio de 2026, sobre governança de agentes dividem a autonomia em quatro níveis, oferecendo uma maneira prática de decidir quão rigorosos devem ser os controles:

1. Observar: o agente recupera informações e identifica padrões, com acesso somente para leitura.
2. Aconselhar: o agente recomenda uma ação, e um funcionário toma a decisão.
3. Agir com aprovação: o agente prepara ou inicia uma ação que uma pessoa precisa autorizar antes de sua execução.
4. Agir de forma autônoma: o agente executa por conta própria as ações aprovadas, dentro de limites definidos, com monitoramento e escalonamento de exceções.

Em todos os níveis, um agente precisa ter identidade própria, permissões limitadas à tarefa e um registro de cada ação que executa. As organizações também precisam estabelecer regras para o tratamento e a retenção de dados, deixar claro o que é enviado a provedores externos de modelos e designar alguém com autoridade para pausar o agente e revogar seu acesso assim que algo parecer errado.

Cada um desses controles tem um custo recorrente: permissões mais amplas, monitoramento adicional e aprovações frequentes vão se acumulando com o tempo. Portanto, o nível adequado de autonomia é uma decisão econômica tanto quanto uma decisão de segurança, e deve ser aquele em que o agente gera um resultado que vale a pena, com um risco que a empresa pode aceitar.

Escolha um processo que justifique o uso de um agente

Muitas equipes começam pela tecnologia e depois procuram um problema para resolver. O melhor ponto de partida é um processo cujo custo ou cujos atrasos já sejam evidentes para quem realiza o trabalho.

Uma empresa global de redes de especialistas com a qual trabalhamos se encaixava nesse perfil: sua equipe associava solicitações de pesquisas a especialistas usando três sistemas que não se comunicavam entre si e, para cada correspondência, verificava manualmente os perfis, as participações anteriores e a conformidade. Criamos um agente que combinava a busca semântica com o histórico de participação e as regras de conformidade. Em produção, os chamados relacionados a correspondências incorretas caíram 80%, a precisão do mapeamento aumentou 40% e a equipe recuperou 22% de sua capacidade.

O projeto deu certo porque o problema era específico: as informações estavam dispersas, sua consolidação era manual e a qualidade das correspondências podia ser medida antes e depois. A especificidade também ajuda a determinar se um processo realmente precisa de um agente. Em geral, é mais barato lidar com trabalhos regidos por regras fixas usando automação convencional. Tarefas que consistem sobretudo em encontrar e resumir informações costumam ser bem atendidas por um assistente de IA. Já o custo e o risco adicionais de um agente se justificam quando o trabalho exige interpretar o contexto, escolher entre ações permitidas e encadear várias etapas para alcançar um resultado.

Um piloto de oito semanas com pontos de decisão claros

Todo o piloto gira em torno de uma questão comercial: este agente pode melhorar o processo o suficiente para justificar sua operação em grande escala? Oito semanas permitem testar o caso de negócio, a tecnologia e a capacidade da organização de gerenciar o que desenvolve.

Semanas 1–2: defina o que precisa melhorar

Comece documentando o processo como ele funciona hoje, desde o volume e o tempo de conclusão até as taxas de erro, o retrabalho e o custo. Registre quais sistemas estão envolvidos, quem é responsável por cada etapa e quais exceções exigem intervenção humana. Em seguida, peça ao responsável pelo negócio e à equipe técnica que definam juntos o único resultado que o agente deverá melhorar. Ponto de decisão: prossiga quando o problema, a situação inicial, o responsável e as métricas de sucesso estiverem claros.

Semana 3: defina os limites do agente

É nesta etapa que se definem os limites do agente: sua identidade, suas permissões, o acesso a dados, as ferramentas aprovadas e seu grau de autonomia. Teste-o contra ataques de injeção de prompt, acesso não autorizado, exposição de dados confidenciais e uso indevido de ferramentas. Implemente também o registro de atividades e a resposta a incidentes, além de uma forma de suspender o agente ou revogar seu acesso. Ponto de decisão: prossiga quando os controles e os procedimentos de intervenção tiverem sido efetivamente testados e todos souberem o que o agente tem permissão para fazer.

Semanas 4–6: teste as condições que comprometem a demonstração

Agora, atribua ao agente tarefas realistas, incluindo registros incompletos, informações conflitantes, solicitações incomuns e eventuais falhas do sistema. Acompanhe quantas tarefas ele conclui, sua precisão e quanto trabalho de correção as pessoas precisam fazer. Em seguida, calcule o custo real de cada tarefa concluída com sucesso, contabilizando o uso de modelos, as integrações, o monitoramento e a revisão. Ponto de decisão: passe aos testes em ambiente real quando o agente atingir os limites acordados e a equipe compreender tanto seu custo operacional quanto as formas como ele falha.

Semanas 7–8: coloque o agente diante de usuários reais

Disponibilize o agente para um pequeno grupo de funcionários e uma parcela controlada do trabalho real, mantendo o processo antigo para tudo o que ele não conseguir fazer. Observe se as pessoas realmente o utilizam, se ele reduz o esforço delas e se confiam no que produz.

Ao final, compare os resultados com a situação inicial registrada na primeira semana e avalie a produtividade, a precisão, a adoção, a frequência com que as pessoas precisaram intervir, o custo operacional total e quaisquer riscos de segurança ainda pendentes. Então, decida se deve ampliar a implantação, corrigir problemas específicos e testar novamente ou interrompê-la. Mesmo que o piloto mostre que o agente é caro demais ou pouco confiável para a tarefa, ele terá cumprido seu papel: evitar um investimento muito maior baseado em suposições.

Meça os resultados e, então, decida quanta autonomia conceder

Contar quantas tarefas um agente processa diz muito pouco, já que um sistema pode processar milhares de solicitações e, ainda assim, deixar os funcionários verificando, corrigindo ou concluindo a maioria delas. O custo por tarefa concluída com sucesso, analisado em conjunto com a precisão e as taxas de exceção, oferece uma visão muito melhor de quanto o processo melhorou de ponta a ponta.

Essas mesmas métricas servem de base para conceder mais autonomia ao agente. Um agente que lida de forma confiável com solicitações rotineiras dentro dos limites acordados pode receber autorização para agir por conta própria. Já quando se depara repetidamente com casos ambíguos, uma pessoa continua aprovando essas decisões, enquanto as permissões são reavaliadas à medida que novas evidências se acumulam.

Expanda quando a empresa puder dar suporte ao agente

Mais cedo ou mais tarde, um agente que funciona bem para uma equipe terá de lidar com outros departamentos, aplicativos e fluxos de aprovação. Para expandi-lo, são necessários responsáveis claramente definidos, controles de acesso consistentes e uma forma de lidar com exceções, além de um orçamento para manter o agente atualizado conforme os processos ao seu redor mudam.

A decisão fundamental é quanta responsabilidade a organização está disposta a delegar, e ela deve se basear em evidências do trabalho real, não em uma boa demonstração. Ao fim das oito semanas, a liderança deve saber o que o agente consegue fazer, em que situações as pessoas ainda precisam intervir e quanto custará mantê-lo em operação. As empresas que se destacarão com a IA agêntica serão aquelas que, desde a primeira semana, planejam o trabalho após a automação e financiam agentes para as tarefas que eles realmente concluem.