A maioria dos projetos de IA morre na apresentação de slides. Fica bonito na POC, impressiona a diretoria e nunca chega a produção — porque ninguém pensou em integração, governança ou no que acontece depois do “uau”. Este caso é sobre o contrário: como um primeiro agente entrou em operação real em seis semanas, integrado aos sistemas que a empresa já usava.
Os detalhes de cliente estão anonimizados, mas o processo é exatamente o que aplicamos.
O ponto de partida
Uma operação de médio porte, com um time de atendimento afogado. O gargalo: triagem e resposta de solicitações recorrentes — segunda via, status de pedido, dúvidas sobre política — que consumiam boa parte do dia da equipe e se perdiam entre e-mail, planilha e um ERP antigo.
Não faltava vontade de usar IA. Faltava um caminho que não terminasse em mais um chatbot burro que empurra o cliente para “digite 1”.
Semana 1–2: diagnóstico e recorte
Antes de escrever qualquer linha, o trabalho foi de recorte. Aplicamos o diagnóstico de maturidade e mapeamos os processos candidatos. A decisão mais importante do projeto foi feita aqui: não automatizar tudo — escolher um processo de alto volume e baixa variabilidade para o primeiro agente.
Critérios usados para escolher:
- Volume alto o suficiente para gerar retorno claro
- Regras estáveis (bom candidato a automação, ao contrário de casos que exigem julgamento — a fronteira entre RPA e IA agêntica)
- Dados acessíveis via API ou banco, sem depender de tela
Semana 2–4: arquitetura e integração
Aqui é onde os projetos costumam descarrilar, porque o sistema legado nunca colabora. O ERP não tinha uma API moderna; a base de conhecimento estava espalhada em PDFs.
O que resolveu:
- RAG sobre a base de conhecimento para respostas rastreáveis à fonte (veja o que é RAG) — nada de resposta inventada
- Camada de integração para conversar com o ERP legado sem reescrevê-lo
- Supervisão humana nos casos de baixa confiança: o agente resolve o previsível e escala o duvidoso para uma pessoa
O agente não foi construído para substituir o time — foi construído para devolver ao time o tempo gasto no repetitivo.
Semana 4–6: testes adversariais, governança e go-live
Antes de produção, o agente passou por testes adversariais: tentamos fazê-lo errar, vazar dado que não devia e responder fora do escopo. Cada falha virou um guardrail.
Em paralelo, a camada de governança foi ligada desde o dia um:
- Logs de auditoria por interação
- Controle de acesso aos dados que o agente pode ler
- Métricas de qualidade e de custo por operação (nada de conta surpresa no fim do mês)
O go-live foi gradual: primeiro em sombra (o agente sugeria, o humano decidia), depois assumindo o fluxo com escape fácil para supervisão.
O que fez dar certo em 6 semanas
| Fator | Por que importou |
|---|---|
| Recorte estreito | Um processo bem escolhido, não dez pela metade |
| Integração desde o início | Legado tratado como restrição de projeto, não surpresa |
| Governança embutida | Auditoria e supervisão desde o dia 1, não depois do incidente |
| Handoff para o time interno | A equipe do cliente saiu capaz de operar e evoluir o agente |
O que veio depois
O primeiro agente em produção não é a linha de chegada — é a prova de que o modelo funciona naquela empresa. A partir dele, o Evolution Loop monitora performance, corrige degradação de prompts e abre espaço para o segundo e o terceiro processo. É assim que se sai de um agente para um ecossistema, sem repetir o erro de começar grande demais.
Conclusão
Seis semanas não é mágica — é foco. O que separa um projeto que entrega de um que vira slide é resistir à tentação de automatizar tudo, tratar o sistema legado como parte do escopo e ligar a governança antes do go-live, não depois do primeiro susto.
Quer descobrir qual seria o primeiro agente ideal para a sua operação? Comece pelo Diagnóstico de Maturidade em IA.
