Agentes versus automação clássica

Duas ferramentas, um mesmo discurso de venda

O mercado vende agente de IA como substituto natural da automação clássica, e essa simplificação gera projetos ruins nas duas direções. Vemos empresas contratando agentes para tarefas que um script resolveria por um centésimo do custo, e empresas mantendo exércitos de robôs de RPA que quebram toda semana em processos que pediam um agente desde o início.

As duas tecnologias resolvem classes diferentes de problema. A automação clássica, do script ao RPA, executa regras conhecidas sobre entradas previsíveis. O agente decide sob incerteza: interpreta uma entrada que nunca viu, escolhe entre ações possíveis e usa contexto para resolver o que a regra não previu. Confundir as duas classes custa caro, então vale separar com precisão onde cada uma ganha.

Onde a automação clássica continua imbatível

Um processo determinístico com regra estável é território de automação clássica, e ali ela vence por três razões objetivas. O custo por execução é próximo de zero, contra o custo de inferência que o agente paga a cada chamada. O comportamento é reproduzível, o que simplifica auditoria e conformidade. E o erro, quando acontece, é sistemático e fácil de rastrear até a regra que o causou.

Conciliação de pagamentos com formato fixo, migração de dados entre sistemas, geração de relatórios recorrentes, disparos condicionados a eventos claros. Nada disso precisa de modelo de linguagem. Colocar um agente para fazer trabalho de script adiciona latência, custo variável e uma camada de imprevisibilidade que nenhum benefício compensa.

A fraqueza da automação clássica está nas bordas. Ela pressupõe que o mundo não muda, e o mundo muda. A tela do sistema ganha um campo novo e o robô de RPA quebra. O fornecedor altera o layout do boleto e a extração falha em silêncio. Times de operação conhecem bem o ciclo: cada mudança pequena no ambiente vira chamado, fila e manutenção. O custo de manter a automação frágil raramente aparece no business case original, e no acumulado ele costuma superar o custo de construir.

Onde o agente muda o jogo

O agente ganha exatamente onde a regra acaba. Três condições, juntas, indicam o território dele.

• A entrada é não estruturada ou varia demais para ser enumerada: e-mails de clientes, documentos com layouts diversos, pedidos por WhatsApp escritos de qualquer jeito.
• A tarefa exige decisão com contexto, como classificar um caso ambíguo, priorizar uma fila ou escolher a próxima ação com base no histórico.
• As exceções são frequentes o bastante para que tratar exceção seja o próprio trabalho, e não um desvio raro.

Um exemplo típico do nosso campo: triagem de solicitações que chegam por canais diferentes, em formatos diferentes, e precisam virar registro estruturado no sistema certo com a prioridade certa. A automação clássica empurra toda a variação para uma fila humana. Um agente bem construído resolve a maior parte dos casos e encaminha para revisão humana apenas o que estiver abaixo do limiar de confiança.

A palavra importante é limiar. Agente de produção sem guardrail explícito é passivo esperando incidente. O desenho que defendemos trata o agente como funcionário novo: escopo de ação delimitado, permissões mínimas, log de toda decisão e revisão humana nos casos incertos. Num CRM em produção, esse tipo de guardrail personalizado nos permitiu reduzir alucinações em 73%, e o número importa menos que o método: medir, limitar e auditar são parte do produto.

Critério prático de escolha

A decisão cabe numa tabela que usamos em diagnóstico.

Quando as respostas se dividem, a arquitetura certa costuma ser híbrida, e essa é a configuração que mais entregamos: o agente na borda, interpretando e decidindo, com automação clássica executando o miolo determinístico. O agente lê o documento e extrai os campos, o pipeline valida e grava. Cada tecnologia fica onde é forte, e o custo de inferência incide só onde gera valor.

O custo total, sem romantismo

Resta comparar o que cada caminho custa de verdade ao longo do tempo. A automação clássica é barata de rodar e cara de manter em ambiente instável. O agente é mais caro por execução e exige supervisão contínua, com monitoramento de qualidade e reavaliação periódica de prompts e modelos, mas absorve mudança de ambiente sem quebrar. Em processos de alta variação, essa resiliência paga o custo de inferência com folga. Em processos estáveis de alto volume, nunca paga.

A pergunta que fazemos ao cliente resume o critério: quanto do trabalho desse processo é seguir a regra, e quanto é decidir o que fazer quando a regra falha. A resposta define a tecnologia, e definir isso antes de contratar qualquer uma das duas é o que separa projeto de moda.

Onde a Deep Dive entra

Construímos as duas coisas, agentes sob medida e automação de processos, e o diagnóstico define qual cabe em cada fluxo antes de qualquer contratação. Nossa plataforma Deep Agents entra como base pronta, com implementação sob medida para a sua operação. Os caminhos estão em /solucoes e /deep-agents, e a conversa começa em /contato.