Como escolher o primeiro caso de uso de agentes de IA

Autor(a): Kell Bonassoli

Publicação:16/11/2026

Como escolher o primeiro caso de uso de agentes de IA
Feixe de fibras ópticas escuras em plano fechado, atravessando o quadro na diagonal, com uma única fibra acesa em luz roxa.

Muitas organizações já experimentaram agentes, mas hesitam em colocar o primeiro em produção. A política de IA ainda é ampla demais, os controles não estão definidos e o risco de um caso mal escolhido é real. O resultado é que o projeto ou fica parado ou avança em um fluxo de alto impacto, onde qualquer erro gera discussão regulatória.

A saída prática é escolher um caso de uso em que o agente só prepara e registra, e uma pessoa decide. Nesse desenho o ganho é mensurável (tempo de montagem de contexto), a regra precisa estar clara o suficiente para testar e a autonomia é limitada ainda no projeto.

O melhor primeiro caso é aquele em que o ganho sobre a alternativa atual é claro, a regra está escrita e uma pessoa decide no fim.

Diferença entre implantar e sustentar um agente de IA

No processo tradicional de prevenção à lavagem de dinheiro (AML), o volume de alertas é elevado e, na nossa leitura, a maior parte não resulta em caso relevante. Ainda assim, cada alerta precisa ser analisado.

O analista recebe a fila e precisa reunir, a partir de sistemas distintos, as evidências que justificam arquivar ou escalar. As verificações se repetem de forma consistente alerta após alerta. Na nossa leitura, o tempo consumido está concentrado nessa montagem de contexto, e a decisão final representa uma parcela menor do esforço.

O risco de um alerta relevante passar despercebido no meio do volume é concreto, tanto do ponto de vista operacional quanto regulatório.

Implantar o agente nesse fluxo é a parte mais visível: o agente prepara o dossiê e o analista revisa.

Sustentar é o que vem depois, e dá mais trabalho. Exige identidade própria, limite do que o agente pode consultar, registro do que ele leu e do que propôs, revisão periódica dos acessos, avaliação da qualidade das propostas e alguém responsável quando uma proposta vier errada. Sem isso, o ganho de tempo some no retrabalho ou na discussão de risco.

Mostramos o laboratório SherlockAML, da TreeID Labs, na palestra de Roberto Monteiro, TreeID, no APICON. Ele usa dados sintéticos de AML: perfil de cliente, transações, alertas, casos, dados de triagem e vínculos entre clientes.

Um agente supervisor coordena agentes de apoio, um para os detalhes do caso e outro para mídia adversa, e entrega ao analista o caso montado, com a evidência citada. O analista revisa e decide. Um pipeline versionado provisiona os agentes, então o acesso de cada um está descrito em código, e cada passo fica registrado.

No desenho completo, o agente é a parte menor. Em volta dele estão as peças que mantêm o fluxo de pé: identidade de serviço e permissões, linhagem e contratos dos dados, implantação versionada como código, varreduras agendadas de segurança, registro dos resultados e um painel de acompanhamento para a liderança. Implantar é montar as caixas do agente. Sustentar é operar todo o resto enquanto a regra, os dados e as pessoas mudam.

Onde o agente rende mais que a automação

Uma automação resolve bem o caminho fixo. O agente entra onde ela deixa trabalho para as pessoas: a cauda de exceções, que exigiria mais ramos de regra do que alguém consegue manter, a montagem de contexto, em que o analista junta documentos e cruza sistemas antes de julgar, a entrada sem estrutura, como documento e e-mail, e a regra que muda com frequência. Em muitos fluxos o desenho certo combina os dois, com a automação no caminho padrão e o agente nas exceções.

Esse ganho tem custo. O agente precisa de limite escrito, identidade própria, registro de cada passo, avaliação e revisão do analista, e o custo por caso não é zero. A comparação que importa é entre o ganho sobre a melhor alternativa e o custo de governar o agente.

As plataformas que vendem esses serviços dizem algo parecido. A Microsoft recomenda usar o menor nível de complexidade que atende ao requisito, porque cada nível soma coordenação, latência e custo. A AWS observa que é comum partir do que o modelo faz e inventar o caso depois, e pede que se defina antes o resultado pelo qual o agente responde e onde a autonomia dele termina. A Google Cloud sugere um projeto delimitado, para uma persona e uma tarefa específicas.

No ambiente de demonstração, o ganho esperado vem de cinco pontos, que ainda não foram medidos em operação:

  • O analista começa pelo julgamento. O perfil, as transações, a triagem, os vínculos e a mídia adversa já chegam reunidos, e cada informação traz a origem.
  • Todo alerta recebe as mesmas verificações, independentemente de quem está na fila naquele dia.
  • O caso montado serve de registro. A área de risco consegue ver o que foi consultado antes da decisão.
  • O alerta fora do padrão, que as regras fixas tratam mal, passa pela mesma montagem de contexto.
  • A atenção do analista vai para os casos que pedem mais julgamento.

Como filtrar os candidatos

Procure as filas em que analistas conferem documentos, cruzam sistemas e montam um caso para alguém decidir. O AML é um exemplo, e há equivalentes em seguros, na análise de um pedido de indenização, no varejo, na contestação de uma compra, e na indústria, na conferência da nota fiscal contra o pedido.

Entre os candidatos entra também o que parece o mais valioso, mesmo que provavelmente não sobreviva ao filtro, como uma ação automática de bloquear, suspender ou negar.

As perguntas devem ser respondidas por quem faz o trabalho hoje. A primeira é se a regra está escrita: peça a duas pessoas da fila que a escrevam numa página e compare. Se as páginas divergirem, a regra está parcial, e a descoberta do projeto pode formalizar o que falta. A segunda é se o caso se repete, o que se confirma contando quantos do mesmo tipo chegam por mês, porque sem repetição não há como comparar o antes e o depois. A terceira é se alguém, com nome, responde pela decisão final. Quando o caso passa de mesa em mesa até alguém aprovar, ainda falta dono. Vale perguntar também quem vai sustentar o agente depois do início: quem revisa os acessos, avalia a qualidade das propostas e acompanha o custo por caso. Documentação completa não é exigida. Basta clareza para testar o agente, supervisioná-lo e avaliar o resultado, e as obrigações legais, como as de proteção de dados, continuam com o jurídico da empresa.

Há situações que eliminam o candidato, qualquer que seja o ganho:

  • O agente executaria uma ação sem volta: encerrar ou bloquear um cadastro, comunicar o cliente ou um órgão externo, ou mover dinheiro.
  • Não existe plano escrito para desfazer o que o agente grava.
  • Os dados de que ele depende não têm origem conhecida.
  • Ele teria de usar a credencial de uma pessoa, sem identidade própria, e o registro não diria quem agiu.

No AML, montar o caso de um alerta passa nas três perguntas quando a regra de investigação está escrita e o analista responde pela decisão. Arquivar o alerta sozinho, sem uma pessoa, cai no primeiro veto, assim como comunicar o resultado a um órgão externo. Um candidato que falha nas perguntas continua na lista, e o trabalho passa a ser da empresa: escrever a regra que hoje está na cabeça de quem revisa e dar nome a quem decide. Nós ajudamos a mapear o que falta, mas não há como prever quanto tempo isso leva, porque depende de quantas áreas precisam concordar.

Como decidir entre os que sobram

Quando mais de um candidato resiste ao filtro, a decisão pesa o ganho esperado contra o esforço de preparar o caso e o dano de um erro. Com ganhos parecidos, ganha o de menor dano. O primeiro caso também deixa pronta a base que os próximos vão usar, com identidade, registro e avaliação, e isso conta a favor de um caso de ganho isolado menor. Se o ganho for pequeno demais para a empresa medir, o caso ensina pouco, e o próximo da lista merece um olhar.

Alerta de risco. A ação que grava e bloqueia é a que mais agrada numa apresentação, e por isso costuma ir primeiro. Quando isso acontece, a área de risco pergunta quem autorizou cada ordem e como se desfaz uma errada, e sem resposta escrita o projeto para e a discussão recomeça.

A TreeID leva o caso escolhido a um Working Agent de 3 meses, com critérios de aceite, num fluxo só e construído com o seu time. Nele, o agente propõe e registra, e uma pessoa decide. Nada é gravado no sistema de origem, e por isso desfazer significa descartar a proposta. O registro de cada caso contém dado do cliente e precisa de dono e de controle de acesso, como qualquer outro dado do fluxo.

Como medir o ganho

Antes de começar, meça o fluxo atual: tempo médio por caso (separando preparação e decisão), taxa de retrabalho, volume mensal e as correções do analista numa amostra revisada por outra pessoa. Com essa linha de base, depois que o agente entra, dá para acompanhar se o tempo de montar o caso caiu e se o retrabalho se manteve ou diminuiu.

O ganho principal a demonstrar é o corte no trabalho de juntar as evidências, e esse é o tipo de número que operação e risco conseguem acompanhar. A qualidade das propostas também precisa de acompanhamento, porque o aceite do analista não prova acerto, e a revisão por amostra é um método que a TreeID sugere, e não uma regra de mercado. Meta numérica só faz sentido depois que a medida da própria empresa existir.

Perguntas frequentes

Se a empresa ainda não tem nenhum agente, o mais seguro é um fluxo só de preparação. Se já tem vários candidatos, traga todos: a ordem sai do filtro acima, e quantos conduzir ao mesmo tempo depende da estrutura de trabalho da empresa.

Não. Precisa estar clara o suficiente para testar, supervisionar e avaliar. O que falta pode ser escrito durante a descoberta.

Em 3 meses a partir do início do projeto, entregamos um Working Agent, com critérios de aceite. Ele vai ao ar se dados, identidade e integração estiverem prontos. Se não estiverem, a entrega termina em cenário de teste. O tempo de escrever a regra, quando ela falta, não está nessa conta e depende da empresa.

Próximo passo: a Fit Session

Na Fit Session de 45 minutos a gente pega um fluxo que você já tem em mente (ou parte de um exemplo como o de AML) e vê o que falta em regra, dados, identidade e integração. Você sai com o retrato escrito e uma sugestão de próximo passo.

Prefere começar por conta própria? Experimente o Agentic Readiness Check.

Fontes

Outros Insights