Sua empresa está pronta para IA agêntica quando consegue dizer, por escrito, o que o agente deve fazer, com que dados, até onde ele pode ir sozinho e como vai saber se ele errou. Se alguma dessas respostas depende de "a Fulana sabe", o próximo investimento não é um agente. É fechar essa lacuna.
Vale separar os termos, porque o mercado mistura tudo. Um assistente responde quando alguém pergunta. Um fluxo automatizado com IA segue passos fixos definidos no código. Um agente decide os próprios passos: lê o contexto, escolhe que ferramenta usar, executa e confere o resultado. A Anthropic, no guia Building effective agents (dezembro de 2024), faz a mesma distinção e dá um conselho que deveria estar em toda reunião de diretoria: comece pela solução mais simples possível e só aumente a complexidade quando precisar. O mesmo texto lembra que a autonomia dos agentes traz custo maior e risco de erros que se acumulam.
Onde o mercado está
Segundo a pesquisa The state of AI in 2025, da McKinsey, 62% dos respondentes dizem que suas empresas estão pelo menos experimentando agentes de IA, e 23% dizem que estão escalando um sistema agêntico em alguma parte da empresa. Em cada função isolada, o número de empresas escalando agentes não passa de 10%.
A Gartner é mais dura. Em junho de 2025, projetou que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados. No mesmo comunicado, alertou para o "agent washing", fornecedores rebatizando chatbots e RPA como agentes, e estimou que só cerca de 130 dos milhares de fornecedores que se dizem de IA agêntica oferecem de fato essa capacidade.
Ou seja: muita gente começou, pouca gente escalou, e boa parte dos projetos vai parar. Os cinco sinais abaixo ajudam a saber de que lado a sua empresa está.
1. O processo está escrito, com as exceções
Um agente precisa de um processo que alguém consiga descrever, incluindo o que fazer quando algo foge do padrão. Os casos comuns são fáceis. O que define o sucesso de um agente é o tratamento das exceções: o pedido sem número de nota, o cliente que pede desconto fora da política, o contrato com cláusula que ninguém viu antes.
Teste da semana: peça ao responsável pelo processo que liste as 10 exceções mais frequentes e o que é feito em cada uma. Se a lista não sair, ou se cada pessoa do time der uma resposta diferente, o processo ainda está na cabeça das pessoas.
2. Os dados têm dono e qualidade conhecida
Um agente que lê dado errado executa a ação errada, e executa rápido. A Gartner estimou em fevereiro de 2025 que, até 2026, as empresas vão abandonar 60% dos projetos de IA que não tiverem dados prontos para IA. Na mesma pesquisa, 63% das organizações disseram não ter, ou não saber se têm, práticas de gestão de dados adequadas para IA.
Teste da semana: para cada sistema que o agente vai consultar, pergunte quem é o dono do dado e qual é a taxa de erro conhecida. "Acho que está certo" não é resposta.
3. Um agente simples já foi medido antes
Empresas que pulam direto para vários agentes conversando entre si descobrem os problemas de contexto, custo e confiabilidade tarde e caro. Um agente com uma tarefa estreita, medido por 60 a 90 dias, ensina mais do que um piloto grande que ninguém consegue avaliar.
Teste da semana: existe algum agente ou automação com IA em produção cujo custo por caso e taxa de erro você conhece? Se a resposta for não, esse é o primeiro projeto.
4. As decisões seguem critério, não senioridade
Se a regra hoje é "quem tem mais tempo de casa decide", o agente não tem o que seguir. Critério pode ser uma alçada de aprovação, uma tabela de limites, uma política escrita. O que não pode é ser intuição.
Teste da semana: escolha 20 decisões recentes do processo e peça a duas pessoas diferentes que as expliquem. Se as justificativas divergem muito, falta critério. Esse trabalho de explicitar regras costuma melhorar o processo mesmo que o agente nunca seja construído.
5. Existe apetite para governança, não só para velocidade
Um agente escala erro tão bem quanto escala acerto. Governança aqui é concreto: limites do que o agente pode fazer sem aprovação, registro de cada ação, alguém responsável por revisar os casos que deram errado, e um jeito de desligar rápido. O AI Risk Management Framework do NIST, publicado em janeiro de 2023, organiza isso em quatro funções (governar, mapear, medir e gerenciar) e é um bom ponto de partida para quem não quer inventar a própria estrutura.
Teste da semana: pergunte quem responde se o agente enviar um e-mail errado para 500 clientes. Se ninguém sabe, a governança não existe ainda.
Exemplo hipotético: pedidos por e-mail numa distribuidora
O cenário abaixo é um exemplo hipotético, montado para mostrar como aplicar os sinais. Não é um cliente.
Uma distribuidora recebe pedidos de compra por e-mail, em PDF e no corpo da mensagem. Três pessoas leem, conferem estoque e preço e lançam no ERP. A diretoria quer um agente que faça tudo isso sozinho.
Aplicando os sinais:
- Processo: os casos comuns estão claros, mas as exceções (produto substituto, cliente com crédito bloqueado) dependem de uma pessoa. Sinal parcial.
- Dados: o cadastro de produtos tem códigos duplicados e o estoque do ERP é atualizado uma vez por dia. Sinal ausente.
- Agente simples medido: nenhum. Sinal ausente.
- Critério: a alçada de desconto está escrita. Sinal presente.
- Governança: ninguém definiu o que o agente pode lançar sem aprovação. Sinal ausente.
Um sinal e meio de cinco. Construir o agente completo agora seria amplificar o cadastro duplicado. O caminho mais curto é outro: um agente que só lê o e-mail e pré-preenche o pedido para aprovação humana, enquanto o cadastro é limpo e as exceções são documentadas. Em 90 dias, a empresa tem um agente medido (sinal 3), exceções escritas (sinal 1) e dados que vão sustentar o passo seguinte.
Checklist de prontidão
Responda sim ou não:
- As 10 exceções mais frequentes do processo estão documentadas.
- Cada sistema que o agente vai consultar tem um dono nomeado.
- A taxa de erro desses dados é conhecida, mesmo que aproximada.
- Existe um agente ou automação com IA em produção com custo por caso medido.
- As decisões do processo seguem alçadas ou políticas escritas.
- Está definido o que o agente pode fazer sem aprovação humana.
- Cada ação do agente fica registrada e pode ser auditada.
- Existe um responsável por revisar os erros e um jeito de desligar o agente rápido.
- O critério de sucesso do projeto tem número e prazo.
Sete ou mais "sim": dá para projetar um agente com autonomia real. Entre quatro e seis: comece com um agente assistido, que sugere e um humano aprova. Menos de quatro: o investimento com mais retorno agora é em processo e dados.
Próximo passo
Se a sua empresa passou no checklist, o próximo passo é testar um caso de uso com prazo fechado e critério de sucesso combinado antes, que é o formato da PoC Factory. Se ficou abaixo, o Advisor As a Service ajuda a priorizar quais lacunas fechar primeiro. Nos dois casos, a nossa metodologia mostra como cada etapa é medida.