Agentes de IA

Como criar um agente de IA para um fluxo de trabalho da empresa

Ferramentas manuais dispostas sobre uma bancada em uma oficina organizada Uma tarefa, bem-feita.

Para criar um agente de IA em que uma empresa possa confiar, escolha uma tarefa, confirme que ela realmente precisa de um agente e dê ao modelo o menor número de ferramentas que dê conta do trabalho. Adicione guardrails e uma etapa de aprovação humana para ações arriscadas, teste com casos reais antes do lançamento e comece com um único agente.

Nada disso exige uma equipe de pesquisa. A maior parte são decisões sobre a tarefa, as permissões e as verificações, e essas decisões importam mais do que o modelo ou o framework que você escolher. Este guia percorre a sequência que seguimos. Se você ainda está entendendo o básico, comece por o que é um agente de IA e depois volte aqui.

Agente de IA vs chatbot vs automação

Antes de construir qualquer coisa, tenha claro de qual dos três você precisa, porque são ferramentas diferentes. O guia prático para criar agentes da OpenAI define agentes como sistemas que realizam tarefas de forma independente em seu nome. Ele diz que chatbots simples e chamadas de modelo de linguagem de uma única rodada, que não usam o modelo para controlar a execução do fluxo de trabalho, não são agentes.

A Anthropic traça uma linha parecida em Building effective agents. Fluxos de trabalho seguem caminhos de código predefinidos. Agentes conduzem de forma dinâmica os próprios processos e o uso de ferramentas.

Então o chatbot responde, o fluxo de trabalho segue um roteiro que você escreveu e o agente decide o que fazer em seguida. Essa última capacidade é o que torna os agentes úteis para trabalhos bagunçados, e também o que os torna mais difíceis de testar e controlar.

Existe uma quarta opção que as pessoas esquecem: código simples. A documentação do Microsoft Agent Framework diz que, se você consegue escrever uma função para resolver a tarefa, deve fazer isso em vez de usar um agente de IA. Concordamos. Se quiser ver onde os agentes realmente se justificam, nossos exemplos de agentes de IA mostram tarefas reais.

Passo 1: Escolha uma tarefa e decida se ela precisa de um agente

Comece pela tarefa. O guia da OpenAI aponta três sinais de que uma tarefa combina com um agente, cada um com um exemplo.

  • Tomada de decisão complexa. A decisão depende de contexto e nuance, como aprovar um reembolso.
  • Regras difíceis de manter. O conjunto de regras cresceu tanto e ficou tão emaranhado que atualizá-lo é caro e sujeito a erros, como em revisões de segurança de fornecedores.
  • Grande dependência de dados não estruturados. O trabalho envolve ler documentos ou linguagem natural, como processar um sinistro de seguro residencial.

Se a sua tarefa não mostra nenhum desses sinais, o guia diz que uma solução determinística pode bastar. Esse é um bom resultado. Uma automação baseada em regras é mais barata de construir e mais fácil de confiar.

Se a tarefa passar, escreva uma descrição de um parágrafo antes que alguém abra um editor. Ela deve cobrir quatro coisas:

  1. Gatilho. O que inicia a tarefa: a chegada de um e-mail, o envio de um formulário, a alteração de um registro.
  2. Entradas. O que o agente lê, e onde isso fica.
  3. Saída. Como é uma tarefa concluída, em termos que você consiga contar.
  4. Aprovação. Quem aprova o resultado, e para quais ações.

Se você não consegue preencher os quatro, a tarefa não está pronta para ser construída. Um diagnóstico de prontidão para IA de uma semana existe exatamente para essa situação.

Passo 2: Comece pelo padrão mais simples

O conselho da Anthropic é encontrar a solução mais simples que funcione e só adicionar complexidade quando necessário. Às vezes isso significa uma única chamada ao modelo com boas instruções, e nada mais.

Quando uma chamada não basta, a Anthropic descreve cinco padrões comuns. Aqui estão eles, cada um com um exemplo de negócio. Os exemplos são nossos.

PadrãoO que fazExemplo de negócio
Encadeamento de prompts (prompt chaining)Divide uma tarefa em uma série fixa de etapasRedigir um orçamento e depois conferi-lo com a tabela de preços
Roteamento (routing)Classifica uma entrada e a envia para um caminho especializadoEnviar dúvidas de cobrança e consultas comerciais para responsáveis diferentes
Paralelização (parallelization)Executa partes de uma tarefa ao mesmo tempoVerificar vários tipos de risco em um contrato de uma só vez
Orquestrador e executores (orchestrator-workers)Um modelo divide a tarefa e delega as partesDividir uma solicitação incomum em subtarefas e distribuir cada uma
Avaliador e otimizador (evaluator-optimizer)Um modelo redige, outro critica, e o ciclo se repeteRefinar uma resposta ao cliente até ela atender a um checklist

Na nossa experiência, a maioria dos primeiros agentes precisa só dos dois primeiros. Observe que o texto da Anthropic é de dezembro de 2024. Os padrões ainda descrevem bem as escolhas de design, mas as recomendações de ferramentas ficaram para trás; por isso, considere os SDKs dos fornecedores no Passo 3 e na seção final como o retrato atual.

Passo 3: Escolha o modelo, as ferramentas e as instruções

O guia da OpenAI divide um agente em três componentes: o modelo, as ferramentas que ele pode usar e as instruções que dizem como ele deve se comportar. Cada um exige uma escolha deliberada.

O modelo

Faça o protótipo com o modelo mais capaz a que você tiver acesso. Isso dá um teto de quão bem a tarefa pode ser feita. Depois que os testes estiverem prontos (Passo 6), experimente modelos menores e mais baratos e veja onde a qualidade se mantém. Sem testes, você não consegue saber se um modelo mais barato é bom o suficiente, então não troque cedo.

As ferramentas

A OpenAI agrupa as ferramentas em três tipos:

  • Ferramentas de dados permitem que o agente leia, como consultar um banco de dados ou buscar documentos.
  • Ferramentas de ação permitem que ele altere algo, como enviar um e-mail ou atualizar um registro.
  • Ferramentas de orquestração permitem que um agente chame outro.

Dê ao agente o menor número de ferramentas que dê conta da tarefa. Cada ferramenta extra é mais uma forma de algo dar errado, e cada ação de escrita exige as verificações dos Passos 4 e 5.

Você conecta essas ferramentas aos seus sistemas de uma de duas formas: chamadas diretas de API ou um servidor MCP que envolve os seus sistemas em uma interface padrão. Nosso guia sobre MCP vs API explica quando cada um se encaixa, e melhores servidores MCP lista opções prontas. Se os seus sistemas ainda não têm uma conexão adequada, o desenvolvimento de servidores MCP trata de construir uma.

As instruções

Escreva as instruções como você faria o briefing de um novo contratado competente. Diga o objetivo, as etapas, o que fazer quando faltar informação e quando parar e perguntar. Use os seus procedimentos atuais como material de base. Instruções vagas produzem comportamento vago.

Passo 4: Guardrails e permissões

Um agente que pode agir também pode agir errado, então este passo define o tamanho do estrago que uma falha pode causar. Dois itens do OWASP Top 10 para aplicações com LLM descrevem os principais riscos.

LLM01:2025 Prompt Injection trata de prompts de usuários ou conteúdo externo que alteram o comportamento do modelo de formas que você não pretendia. Um e-mail que o agente lê, ou uma página web que ele acessa, pode carregar instruções. A OWASP diz que não está claro se a injeção de prompt pode ser totalmente evitada, então projete como se algumas fossem passar.

LLM06:2025 Excessive Agency é o que transforma uma injeção em dano. A OWASP aponta três causas: funcionalidade excessiva, permissões excessivas e autonomia excessiva. Um agente que só pode ler uma pasta não consegue apagá-la.

A resposta prática é o privilégio mínimo. Dê ao agente credenciais próprias, restritas à tarefa, com acesso de leitura sempre que o acesso de escrita não for necessário.

A OpenAI recomenda combinar vários guardrails em camadas, já que nenhum sozinho pega tudo:

  • Uma verificação de relevância que mantém o agente no assunto.
  • Uma verificação de segurança que detecta tentativas de sobrescrever as instruções dele.
  • Um filtro de dados pessoais.
  • Moderação de conteúdo nocivo.
  • Salvaguardas em cada ferramenta, classificadas por risco.
  • Verificações baseadas em regras, como listas de bloqueio e limites de tamanho.
  • Validação da saída antes que ela vá para qualquer lugar.

Você não vai precisar dos sete no primeiro dia. Escolha os que correspondem ao que o agente consegue alcançar e adicione mais à medida que aprender como ele falha.

Passo 5: Coloque uma pessoa no circuito onde importa

Algumas ações não devem acontecer sem a concordância de uma pessoa. A OpenAI aponta dois gatilhos para intervenção humana: o agente ultrapassar um limite de falhas, como tentativas fracassadas repetidas, e ações de alto risco. Essas são ações sensíveis, irreversíveis ou de alto impacto, como cancelar pedidos, emitir reembolsos altos ou fazer pagamentos.

O agente prepara a ação, uma pessoa aprova e só então ela é executada. Isso preserva a maior parte da economia de tempo, porque revisar é mais rápido do que fazer.

A especificação do Model Context Protocol adota a mesma visão para o uso de ferramentas. Ela diz que DEVERIA (SHOULD) sempre haver um humano no circuito com a capacidade de negar chamadas de ferramentas, e que as aplicações devem registrar o uso de ferramentas para auditoria. Você pode ler o texto na especificação de ferramentas do MCP.

Decida quais ações exigem aprovação antes de construir, não depois. Um teste simples: se a ação não puder ser desfeita, ou se ela causaria constrangimento diante de um cliente, uma pessoa aprova. À medida que o agente se mostrar confiável, você pode afrouxar as regras, uma ação de cada vez.

Passo 6: Teste antes que alguém dependa dele

Testar um agente se parece mais com avaliar um novo funcionário do que com rodar testes de software, porque a mesma entrada pode produzir saídas diferentes. A documentação da Anthropic sobre desenvolvimento de testes começa pela definição de critérios de sucesso e destaca os seguintes pontos:

  • Torne os critérios mensuráveis. “Lida bem com pedidos de reembolso” não é testável. “Encaminha 95% dos pedidos de reembolso para a fila correta” é. (O percentual aqui é uma ilustração, não um benchmark.)
  • Espelhe o seu trabalho real. Monte os casos de teste a partir da combinação real de entradas que o agente vai receber.
  • Inclua casos extremos. Entradas bagunçadas, ambíguas e hostis são onde os agentes falham.
  • Avalie com outro modelo quando puder. Outro modelo pode pontuar as saídas com base nos seus critérios.
  • Prefira volume a perfeição. Muitos casos avaliados automaticamente valem mais do que alguns avaliados à mão.

O guia da OpenAI faz a mesma observação sobre a ordem: configure as avaliações primeiro, para estabelecer uma linha de base, e depois itere. Uma linha de base permite dizer se uma mudança nas instruções, no modelo ou em uma ferramenta melhorou ou piorou as coisas.

Reúna exemplos reais com a equipe que faz a tarefa hoje. Peça a ela os casos que sempre dão problema e coloque esses primeiro no conjunto de testes.

Passo 7: Lance pequeno, depois cresça

A OpenAI recomenda começar com um único agente e passar para vários agentes só quando for preciso. Ela também recomenda começar pequeno e validar com usuários reais. Vários agentes passando trabalho entre si multiplicam os pontos em que algo pode quebrar, então essa complexidade precisa se justificar.

Na prática, fica assim:

  • Libere para um grupo pequeno, de preferência as pessoas que faziam a tarefa antes.
  • Mantenha humanos nas ações de alto risco no início.
  • Leia os logs e as falhas. Acrescente cada falha real ao seu conjunto de testes.
  • Amplie a autonomia do agente só onde os resultados justificarem.

Compare os resultados com a linha de base do Passo 6. Se o agente economiza tempo e mantém a qualidade, acrescente a próxima tarefa. Se não, você aprendeu isso gastando pouco. Para o lado financeiro dessa decisão, nosso guia sobre custo de agentes de IA trata de preços de plataformas, custos de operação e preços de desenvolvimento.

Construir internamente ou trazer ajuda?

Você tem dois caminhos: usar uma plataforma low-code ou escrever código com um SDK de agentes. Vários fornecedores publicam SDKs.

Um desenvolvedor interno consegue criar um primeiro agente com qualquer um deles. O framework importa menos do que a definição da tarefa, os guardrails e os testes acima.

Traga ajuda externa quando o agente precisar mexer em vários sistemas, executar ações de escrita neles ou atender a requisitos de compliance. Esses são os casos em que os Passos 4 e 5 tomam a maior parte do esforço, e em que um erro custa caro.

Na CodeLeap, um primeiro agente começa em R$ 35.000, com preço fechado e acordado antecipadamente. Isso cobre um agente fazendo uma tarefa definida. O detalhe do que influencia o custo está no nosso guia de custo de agentes de IA.

Um próximo passo sensato

Escreva a descrição da tarefa do Passo 1: gatilho, entradas, saída e quem aprova. Se você consegue preenchê-la, tem o começo de um projeto. Se não consegue, essa lacuna é o que precisa ser resolvido primeiro.

Se você quiser uma segunda opinião, nosso diagnóstico de prontidão para IA ajuda a escolher a tarefa e a verificar se ela está pronta. Quando você estiver pronto para construir, nosso serviço de agentes de IA e automação define o escopo e o preço de um primeiro agente antes de qualquer trabalho começar. Agende uma conversa e traga a descrição da tarefa.

Perguntas frequentes

Como criar um agente de IA para a minha empresa?

Escolha uma tarefa com gatilho, entradas, saída e responsável claros. Confirme que ela exige julgamento, porque uma regra simples pode bastar. Use o design mais simples que funcione, dê ao modelo apenas as ferramentas de que a tarefa precisa, adicione guardrails e uma etapa de aprovação humana para ações arriscadas, teste com casos reais e lance com um único agente, crescendo a partir daí.

Qual é a diferença entre um agente de IA e um chatbot?

Um chatbot responde perguntas em uma conversa. Um agente usa o modelo para controlar o próprio trabalho: decide o próximo passo, chama ferramentas como o seu CRM ou a sua caixa de entrada e age em seu nome. O guia da OpenAI diz que chatbots simples e chamadas de modelo de linguagem de uma única rodada, que não controlam a execução do fluxo de trabalho, não são agentes.

Preciso programar para criar um agente de IA?

Nem sempre. O Microsoft Copilot Studio é um caminho low-code para agentes mais simples. Para qualquer coisa que envolva vários sistemas ou exija comportamento personalizado, as equipes usam código, normalmente por meio de um SDK de agentes da Anthropic, da OpenAI, do Google ou da Microsoft. Os dois caminhos exigem a mesma definição de tarefa, os mesmos guardrails e os mesmos testes.

Como evitar que um agente de IA cometa erros?

Não dá para eliminar os erros por completo, então você limita o custo deles. Dê ao agente acesso de privilégio mínimo, adicione guardrails nas entradas, nas chamadas de ferramentas e nas saídas, exija aprovação humana para ações sensíveis ou irreversíveis e teste com casos reais antes do lançamento. Mantenha logs para ver o que ele fez e por quê, e revise-os desde o início.

Quanto tempo leva para criar um agente de IA?

Depende do escopo: com quantos sistemas o agente se conecta, se ele executa ações ou apenas responde e quanto teste a tarefa exige. Não trabalhamos com um prazo padrão. Na CodeLeap, um primeiro agente tem escopo e preço definidos antes do início do trabalho, então você sabe o que está comprando antes de qualquer desenvolvimento começar.

Quer construir algo assim?

Agende uma consultoria gratuita de 30 minutos e vamos ajudar você a descobrir onde a automação traz retorno.

Agende uma consultoria Peça um orçamento grátis

Continue explorando

Voltar para todos os artigos

Agende uma conversa gratuita com Matt

Product Owner e cofundador · São Paulo

Peça para ligarmos para você

Deixe seu nome e telefone e nós ligamos para você.