Antes de Automatizar: Como Avaliar se um Processo Está Pronto para Agentes de IA

Em 5 de novembro de 2026, durante o Oracle AI Experience Brasil, representantes da Oracle e da OpenAI discutiram um obstáculo que costuma aparecer depois do entusiasmo inicial com inteligência artificial: a maturidade dos processos. A reportagem da TI INSIDE registra uma recomendação direta: antes de implementar agentes, a empresa precisa saber qual problema quer resolver, mapear etapas e responsabilidades e definir como vai medir o resultado.

Na mesma cobertura, um executivo da OpenAI apresentou um exemplo interno da Oracle: uma pesquisa de mercado e análise comparativa de remuneração que, segundo ele, passou de cerca de quatro dias para 15 a 20 minutos com apoio de IA. É um caso relatado pela empresa, não uma garantia de que qualquer processo terá o mesmo ganho. O ponto útil é outro: resultado depende de processo, integração, supervisão e critérios de sucesso — não apenas de escolher um modelo.

Quando falamos em agente, falamos de um sistema que pode usar ferramentas e executar ações dentro de um fluxo de trabalho, não apenas responder a uma pergunta. Isso aumenta o valor potencial e também o impacto de uma falha. Por isso, eu não começaria perguntando qual agente comprar. Começaria perguntando se a rotina está suficientemente compreendida para ser delegada, ainda que parcialmente.

1. Delimite o processo e o resultado esperado

“Automatizar o atendimento” ou “usar IA no financeiro” é amplo demais para um piloto. Escolha um fluxo com começo e fim observáveis: por exemplo, classificar solicitações de reembolso e encaminhar cada uma para a pessoa certa. Registre o gatilho, quem recebe o caso, as etapas reais, os sistemas consultados e qual evento significa que o trabalho terminou corretamente.

Converse com quem executa a rotina, não só com quem a desenhou no procedimento. A operação costuma revelar planilhas paralelas, conferências manuais, atalhos e dependências que o fluxograma oficial não mostra. Se duas pessoas resolvem o mesmo caso de maneiras diferentes, descubra se a diferença é uma escolha legítima ou uma regra que nunca foi documentada.

2. Faça o inventário de dados, regras e exceções

Para cada etapa, anote quais informações entram, de onde vêm, quem pode acessá-las e qual registro é a fonte oficial. Dados espalhados, incompletos ou contraditórios não viram confiáveis só porque um agente consegue consultá-los. Defina também a amostra de avaliação: inclua casos comuns, dados ausentes, documentos inconsistentes e situações fora do padrão.

Depois, separe o que segue uma regra objetiva do que exige julgamento. Liste as exceções mais relevantes e estabeleça o que o sistema deve fazer em cada uma: prosseguir, pedir informação, encaminhar para revisão ou parar. “A IA decide” não é uma regra de contingência. Se a equipe não consegue explicar o que acontece quando a informação falta ou há dúvida, o processo ainda precisa de desenho.

3. Escolha a tecnologia pelo tipo de tarefa

Nem toda etapa precisa de um agente. Se a regra é estável e determinística — como validar um campo obrigatório ou encaminhar um formulário por categoria — uma automação convencional pode ser mais simples de testar e manter. Um agente pode fazer sentido quando há informação não estruturada, variações de linguagem ou necessidade de coordenar etapas, desde que opere dentro de limites definidos. E algumas decisões devem continuar com uma pessoa.

Na prática, o melhor fluxo pode combinar os três: automação determinística para regras explícitas, agente para tarefas que toleram interpretação e julgamento humano nos pontos de maior impacto ou incerteza. A pergunta não é se o processo inteiro pode ser automatizado, mas qual parcela pode ser delegada com segurança e benefício mensurável.

4. Defina indicadores antes do piloto

Sem uma linha de base, é fácil confundir velocidade com resultado. Antes de ligar o agente, registre como a rotina funciona hoje: volume de casos, tempo de trabalho ativo, tempo total até a conclusão, taxa de erro, retrabalho, pendências e custo operacional. Escolha indicadores relacionados ao problema que motivou o projeto e registre também a qualidade e a satisfação quando forem relevantes.

Compare casos equivalentes e inclua o trabalho que aparece ao redor da automação: revisão humana, tratamento de exceções, integração, monitoramento e manutenção. Uma tarefa que caiu de quatro dias para minutos pode continuar exigindo validação, e tempo liberado não equivale automaticamente a economia financeira. Meça o custo total por caso concluído corretamente, não só o custo de usar o modelo.

5. Trate governança como parte do processo

Antes de operar, defina quem responde pelo agente e pelo processo, quais dados e ferramentas ele pode acessar, quais ações exigem aprovação e quem pode interromper ou reverter uma execução. Registre entradas, decisões, ações e resultados; configure alertas e um caminho de escalonamento. Permissões devem ser mínimas e proporcionais à tarefa, não equivalentes ao acesso amplo de quem está usando o sistema.

O NIST AI Risk Management Framework organiza o trabalho em quatro funções: governar, mapear, medir e gerenciar riscos. O próprio NIST destaca que elas não são um checklist linear: a governança atravessa o ciclo de vida, e a avaliação precisa continuar durante a operação. Para agentes, isso significa revisar desempenho, incidentes, permissões e mudanças de contexto, em vez de tratar a aprovação inicial como um selo permanente.

A orientação da Microsoft sobre maturidade de agentes também enfatiza que comportamento observável, direitos de decisão claros, supervisão humana e monitoramento precisam acompanhar o aumento de autonomia. É uma boa referência de gestão, não uma certificação independente nem uma obrigação universal.

Um piloto que ensina antes de escalar

Comece com um escopo limitado, uma amostra representativa e critérios de avanço definidos previamente. Inclua casos em que o agente deve se abster, peça revisão humana antes de ações com impacto e teste o que acontece quando uma ferramenta falha, um dado está incorreto ou uma instrução recebida tenta ampliar o escopo. Registre erros e quase erros, não apenas as execuções bem-sucedidas.

O resultado do piloto deve levar a uma decisão explícita: avançar com controles, corrigir o processo, limitar a autonomia ou interromper. Se as exceções não têm dono, os dados não têm origem confiável ou ninguém consegue dizer como medir qualidade, a próxima etapa não é comprar mais tecnologia. É preparar a operação.

Eu resumiria a prontidão em cinco perguntas: o processo tem limites claros? Os dados e as regras são conhecidos? As exceções têm destino? O sucesso pode ser medido contra uma linha de base? E existe uma pessoa responsável por supervisionar e corrigir o sistema? Se alguma resposta for “não”, isso não encerra o projeto; indica exatamente o que precisa amadurecer primeiro.

Agentes podem ampliar a capacidade de uma equipe, mas também podem propagar uma regra mal definida com muito mais velocidade. Na sua empresa, qual processo merece um piloto — e quais condições precisam estar resolvidas antes de permitir que a IA aja?