O que são agentes e por que todo mundo está falando disso?

Jun 2, 2025

Resumo TLDR: Agentes inteligentes, sistemas autônomos que interagem com o ambiente, ganharam popularidade com os LLMs (como ChatGPT), tornando o desenvolvimento mais acessível e menos complexo. Anteriormente, criar a "inteligência" do agente era caro e difícil. Agora, com LLMs, o foco está na integração com sistemas externos. Agentes são usados em atendimento ao cliente (Klarna), suporte de vendas (Salesforce), criação de conteúdo (Personia) e automação de processos (Vodafone). Para começar, identifique processos repetitivos e explore ferramentas no-code/low-code, frameworks abertos ou consultoria especializada.

Hoje, com a popularização dos LLMs (como o ChatGPT, por exemplo) e das ferramentas de IA generativa, o mercado adotou uma definição mais prática. OpenAI, Anthropic e outros líderes do setor descrevem agentes como sistemas baseados em LLMs capazes de executar tarefas de forma autônoma. Na comunidade, o termo “agente” é usado para descrever sistemas que combinam LLMs com ferramentas externas — APIs, navegadores, bancos de dados — para interagir com o mundo real.

E o que esses agentes podem fazer? Bom, isso pode variar bastante. Agentes podem ser aplicados em diversas áreas e podem executar tarefas de maneira autônoma ou semi-autônoma, com algum grau de intervenção humana. Essas tarefas podem variar desde a validação de uma nota fiscal, a análise de currículos de candidatos a uma vaga ou o atendimento a clientes para resolver pedidos de suporte.

Mais adiante vamos discutir alguns cases de aplicação de agentes, mas primeiro vamos entender por que o assunto “agentes” ganhou tanta relevância atualmente.

Por que todo mundo está falando de agentes?

Agentes não são uma ideia nova, como vimos. Então por que somente agora parece que todo mundo passou a se interessar pelo assunto? A resposta está em dois pontos principais: redução de custo e diminuição da complexidade.

No passado, desenvolver um agente exigia criar sua “inteligência” praticamente do zero. Desenvolver seus sensores e atuadores, para ficar na definição do Russel e Norvig, era relativamente barato e a complexidade podia ser bem controlada. O problema residia em criar a lógica central do agente, ou seja, o “cérebro” do agente que iria receber os dados coletados pelos sensores e teria que decidir qual a próxima ação a ser tomada. Criar essa lógica envolvia um investimento alto em ciência de dados, desenvolvimento e testes. Essa complexidade tornava os agentes pouco acessíveis fora de ambientes de pesquisa ou grandes corporações.

Com a chegada dos modelos de linguagem (LLMs), como o GPT, esse cenário mudou completamente. Agora, é possível usar esses modelos como uma base de inteligência pronta, acessível via APIs. Em outras palavras, você não precisa mais construir o cérebro do agente — ele já vem praticamente pronto. O foco do desenvolvimento passa a ser integrar esse "cérebro" aos sistemas externos (como bancos de dados, ferramentas de trabalho, sites, etc.) e ajustar seu comportamento para atender às necessidades específicas do negócio.

Usando como exemplo um assistente de atendimento ao consumidor - similar àqueles que conversamos quando queremos resolver um problema na nossa conexão de internet - o foco passaria a ser no desenvolvimento da ferramenta de chat, ou seja, como o agente troca mensagens com os consumidores e na conexão do assistente com as bases de conhecimento da empresa (manuais, políticas, etc.) e não mais no desenvolvimento da inteligência de conversação do assistente - a lógica interna de interpretar as mensagens e gerar respostas. Essa lógica interna já estaria pronta, pois um LLM, como o ChatGPT, poderia ser usado para isso.

Nessa nova definição os agentes geralmente contam com três componentes principais:

Planejamento de tarefas: quebram um objetivo maior em pequenas etapas;
Escolha de ferramentas: acessam APIs, dados ou serviços conforme necessário;
Memória: armazenam informações e aprendem com o que já fizeram para melhorar o desempenho futuro;

Ferramentas como LangChain, AutoGPT, CrewAI e N8N vêm facilitando a criação desses agentes, inclusive permitindo a orquestração de “equipes de agentes” que colaboram entre si para resolver problemas mais complexos — uma analogia direta ao trabalho em times humanos.

Como agentes podem ser usados para tornar processos mais eficientes e alavancar novas iniciativas no seu negócio

A grande promessa dos agentes é sua capacidade de executar tarefas de forma autônoma, com flexibilidade e adaptabilidade. Ao combinar o “raciocínio” da IA com a capacidade de integração com sistemas e ferramentas, agentes podem ser aplicados tanto para otimizar processos já existentes quanto para viabilizar iniciativas que antes eram inviáveis por falta de tempo, equipe ou orçamento. Eles funcionam como “colaboradores digitais” sempre ativos, capazes de lidar com demandas repetitivas ou complexas, liberando as equipes humanas para focar em decisões estratégicas e tarefas de maior valor.

Empresas de todos os portes estão começando a explorar agentes para automatizar tarefas, buscando aumentar a produtividade, reduzir custos e desbloquear novas fontes de receita.

Alguns dos cases atuais em que agentes estão sendo aplicados são:

Atendimento ao cliente

Agentes podem oferecer suporte automatizado e personalizado em canais como chat, e-mail ou WhatsApp, reduzindo tempo de resposta e aumentando a satisfação do cliente.

A Klarna, uma das maiores fintechs da Europa, vem usando agentes para revolucionar seu processo de atendimento ao consumidor. A empresa reportou que dois terços dos atendimentos online já são feitos pelo agente autônomo, gerando um resultado equivalente ao que seria esperado para uma força de trabalho composta por 700 pessoas trabalhando full-time.

Suporte a vendas

Para além de automatizações para captação de leads e ferramentas de recomendação, agentes podem auxiliar equipes comerciais com geração de propostas, pesquisa de concorrência, qualificação de leads e até com treinamento e qualificação para melhoria do processo de vendas.

A Salesforce, líder do mercado de CRMs, lançou dois agentes especializados em vendas: um agente para atuar como SDR (Sales Development Representative) e outro para atuar como coach para vendedores. A expectativa é que a aplicação dos agentes aumente significativamente o volume de geração de leads e reduza os custos com aquisição de clientes.

Geração de conteúdo e processo criativo

Produção de textos, resumos, e-mails, descrições de produtos e até roteiros de vídeo com agilidade e consistência são algumas das tarefas que podem ser realizadas por agentes, economizando tempo das equipes de marketing e comunicação.

Já bastante conhecido na geração de conteúdo, o ChatGPT não é a única ferramenta disponível. Soluções mais especializadas estão surgindo para auxiliar o processo de criação, como o Personia. Desenvolvido pela Novatics em colaboração com a CBA Design B+G, o Personia permite gerar insights sobre marcas e produtos através da interação com consumidores e especialistas sintéticos.

Automação e suporte a processos

Agentes podem ser usados na execução de tarefas administrativas ou operacionais, como extração de dados, preenchimento de relatórios ou atualização de sistemas, liberando tempo das equipes para atividades mais estratégicas.

A Vodafone, líder do ramo de telecomunicações na Europa, vem aplicando agentes para apoiar seu time técnico nos processos de suporte e manutenção de seus data centers. Seus agentes permitem acesso e proporcionam análise rápida de um grande volume de informações que são utilizadas para executar rotinas de manutenção.

Como começar a usar agentes

Se sua empresa quer explorar agentes, o primeiro passo não é técnico — é estratégico. Identifique processos repetitivos ou gargalos que consomem tempo e exigem coordenação de múltiplas fontes de dados ou pessoas. Esses processos são bons candidatos para serem reformulados com agentes. Também lembre de definir objetivos claros! Assim como a definição de objetivos é importante quando lidamos com “agentes” humanos” ela é fundamental para lidar com agentes artificiais. Quanto mais granulares e bem definidos forem os objetivos passados para os agentes de IA melhor serão os resultados.

A partir disso, você pode:

Explorar ferramentas no-code/low-code com agentes prontos para uso, como ChatGPT com funções customizadas ou plataformas como N8N.
Testar frameworks abertos, como LangChain ou CrewAI, em ambientes controlados com apoio de desenvolvedores.
Trabalhar com uma consultoria especializada (como a Novatics 😉) para desenvolver um MVP de agente voltado à sua necessidade real, garantindo integração com seus sistemas internos e segurança dos dados.

O mais importante neste momento é começar a explorar o potencial dos agentes. Mesmo com a tecnologia ainda evoluindo rapidamente, já é possível alcançar ganhos concretos de produtividade e eficiência com a aplicação de agentes. O melhor caminho é começar pequeno: escolha um problema claro, desenvolva uma prova de conceito simples e itere rápido. Assim, é possível amadurecer a tecnologia internamente, validar oportunidades reais e expandir o uso de agentes de forma sustentável para diferentes áreas do negócio.