IA na operação: quanta autonomia dar a cada processo
A pergunta certa não é qual IA usar. É quanta autonomia dar a ela em cada fluxo. Um modelo que só lê e resume pede um tipo de controle. Um que escreve no seu banco de dados e responde ao cliente pede outro. Quem aplica o mesmo controle nos dois casos trava o primeiro e se machuca no segundo.
Por que a IA da sua empresa parou no marketing?
Porque ela entrou pela pessoa, não pelo processo. Alguém abriu o ChatGPT, escreveu um texto melhor em dez minutos e o resto da empresa repetiu o gesto. É um ganho real. Só não é um ganho da operação.
Os números do Sebrae mostram esse desenho com clareza. No levantamento feito com o FGV IBRE e o Google, que ouviu cerca de 5.000 empresas em setembro de 2025, 96% das micro e pequenas empresas se declaram familiarizadas com IA generativa. O uso frequente cai para 15%. E a finalidade principal é marketing e divulgação, apontada por 59% delas, enquanto nas médias e grandes a prioridade é análise de dados (67%).
O benefício percebido segue a mesma lógica. Nas micro e pequenas, o resultado mais citado é economia de tempo (34%), e o aumento de produtividade aparece em 22%. Nas médias e grandes, produtividade sobe para 42%. Tempo economizado é individual. Produtividade é da operação, e depende do processo estar fora da cabeça de alguém.
Esse é o ponto cego. A pesquisa Radar Mercado Digital 2026, feita pelo Sebrae com o E-Commerce Brasil e divulgada em julho com 3.081 empresários, encontrou a operação digital concentrada em uma única pessoa em 59,2% dos pequenos negócios, categoria que reúne microempreendedores individuais, microempresas e empresas de pequeno porte. Mesmo no topo dessa faixa, entre as empresas de pequeno porte, o índice fica em 28,9%. Colocar IA em cima de um processo que só existe na memória de uma pessoa acelera a pessoa. Não muda a empresa.
Quanta autonomia cada fluxo aguenta?
O Gartner classifica agentes de IA em quatro níveis de autonomia, e cada nível é uma fronteira de confiança diferente. A tradução para uma operação de PME é direta.
No primeiro nível a IA só observa. Acesso somente de leitura, resultado visível apenas para quem pediu. Resumir contrato, buscar informação, explicar um relatório. O risco é exposição de dado e resposta errada, então o controle fica leve: escopo do acesso, autenticação e registro de uso.
No segundo ela sugere. Gera rascunho, recomendação ou proposta de ação, e a pessoa executa. Continua sem escrever em nenhum sistema. Aqui aparece um risco que quase ninguém orça, que é o viés de automação. Depois de algumas semanas de acerto, o time para de conferir. O controle passa a ser teste de acurácia e treino de quem revisa.
No terceiro ela age com aprovação. Grava dado, envia mensagem ou altera configuração, sempre depois de alguém dizer sim. Funciona enquanto a aprovação for uma decisão de verdade. Sob pressão de prazo, ela vira clique, e o clique dá a sensação de segurança sem a segurança.
No quarto ela age sozinha, dentro de limites definidos, e a pessoa revisa exceções e o log agregado. É o nível que exige mais: monitoramento contínuo, limites impostos por código, reversão rápida, um corte automático quando um limiar é violado e um dono com nome.
O erro que derruba projeto não é escolher o nível errado. É aplicar o mesmo controle nos quatro. Segundo o analista Shiva Varma, do Gartner, empresas tratam a governança de agentes como binária: ou tudo travado, ou tudo liberado. Travar demais o agente simples atrasa entrega e empurra o time para ferramentas por fora, sem registro nenhum. Liberar demais o agente autônomo aumenta risco operacional e de conformidade. É essa confusão que sustenta a projeção dos 40% até 2027.
Quando a regra fixa resolve melhor?
Quando a entrada é estruturada e o critério cabe numa frase. Nesse caso, uma regra é mais barata, roda igual toda vez, dá para testar antes e explicar depois. Se o pedido acima de R$ 50 mil precisa de aprovação do diretor, isso é uma condição, não um julgamento.
A IA ganha o lugar dela onde a entrada é bagunçada ou o critério é difícil de enumerar. Ler um e-mail de cliente e extrair o que ele quer. Classificar um chamado em quinze categorias. Comparar a descrição de um produto com a nota fiscal. São tarefas em que escrever todas as regras custa mais que treinar e conferir.
Existe uma diferença que pesa na auditoria. Sistema tradicional erra de forma determinística: a mesma entrada devolve a mesma saída, e você reproduz o problema para corrigir. Sistema agêntico se comporta de outro jeito, sensível ao contexto e mais difícil de depurar. Onde o processo precisa ser reproduzível para fiscal, cliente ou contrato, isso não é detalhe.
E tem a conta. O Gartner projeta que o custo de inferência por fluxo agêntico cresce mais de cinco vezes até 2028, mesmo com o preço do token caindo, porque cada geração de capacidade consome mais tokens. Comparado a um chatbot básico, rotear a tarefa para um modelo de raciocínio custa pelo menos cinco vezes mais. Segundo o analista Will Sommer, recorrer por padrão a inteligência autônoma genérica leva a custos sem teto. Uma automação determinística tem custo por execução previsível: mede-se uma vez e projeta-se o orçamento pelo volume. No fluxo agêntico, o custo por execução varia conforme o caminho que o modelo escolhe, e a projeção precisa de faixa, não de número único.
Um exemplo prático
O cenário abaixo é hipotético, montado para mostrar como a divisão funciona. Nenhum cliente real está descrito aqui.
Uma empresa de serviços com 40 pessoas recebe cerca de 300 pedidos de orçamento por mês, misturados entre e-mail e WhatsApp. Hoje uma pessoa lê tudo, digita no sistema, calcula o preço numa planilha e responde. Leva em média 18 minutos por pedido, e ela é a única que sabe o cálculo de cima a baixo.
A separação por natureza da tarefa fica assim. Extrair cliente, serviço, prazo e quantidade da mensagem é julgamento sobre texto bagunçado, então é IA no nível sugerir, com a pessoa confirmando na tela. Calcular o preço é regra: tabela, faixa de desconto por volume, margem mínima. Vira código, não modelo. Gerar a proposta e enviar é ação com efeito externo, então começa em agir com aprovação.
O critério de promoção é escrito antes de ligar qualquer coisa. Por exemplo: quatro semanas seguidas com extração correta acima de 97% e nenhuma proposta enviada com preço errado, e o envio de propostas abaixo de determinado valor passa a rodar sozinho, com corte automático se dois erros aparecerem na mesma semana. Sem esse número definido antes, a promoção vira sensação.
Como subir de nível sem estourar a conta
Seis passos, na ordem.
Escolha um fluxo com volume medido e dor medida. Quantas vezes por mês, quantos minutos cada uma, quem faz. Sem esse número, não existe retorno para calcular depois.
Separe o que é regra do que é julgamento, tarefa por tarefa. Essa é a decisão de arquitetura do projeto inteiro, e ela vem antes de escolher fornecedor ou modelo.
Comece em sugerir, mesmo quando parecer óbvio que dá para automatizar. As primeiras semanas revelam os casos estranhos que ninguém lembrou de mencionar.
Escreva o critério numérico de promoção e o de rebaixamento. Qual acurácia, medida em quanto tempo, e o que faz o fluxo voltar um nível.
Defina o que interrompe a execução e quem é o dono. Um limiar violado precisa parar o fluxo sozinho, e uma pessoa precisa responder pelo comportamento dele.
Meça custo por execução desde o primeiro dia. Um fluxo que custa R$ 0,40 por pedido a 300 pedidos por mês é barato. O mesmo fluxo a 30 mil pedidos é uma linha no orçamento que ninguém aprovou.
A ordem importa mais que a ferramenta escolhida no fim. Foi assim ao transformar consultoria de processos em produto de gestão documental no case da Repap On, e ao tirar a gestão de contratos do Airtable para um ERP sob medida no projeto da SuperVida. Nenhum dos dois começou pela tecnologia.
Perguntas frequentes
Como sei se IA na operação tem retorno financeiro?
Compare com o número que você mediu antes, não com uma promessa de fornecedor. Volume mensal vezes tempo por execução vezes custo da hora dá o custo atual do fluxo. Depois de ligar, some o custo de inferência por execução, o tempo de revisão que sobrou e o de manutenção. Se você não consegue montar essa conta, o problema não é a IA, é a falta de medição do processo.
Não tenho equipe qualificada para implementar. Isso inviabiliza?
Não, mas muda o que você contrata. O trabalho difícil não é conectar o modelo, é decidir o nível de autonomia de cada tarefa, escrever as regras que continuam sendo regras e definir o que faz o fluxo parar. Quem opera o processo participa dessa definição. A parte técnica é executável por um time externo, desde que o critério de promoção e o dono do fluxo fiquem dentro de casa.
A integração com o que já uso vai ser complicada?
Depende menos da IA e mais do que suas ferramentas atuais expõem. Antes de escolher o modelo, verifique se o sistema onde o dado precisa entrar tem API, se dá para exportar o histórico e onde fica a fonte da verdade de cada informação. Fluxo com IA que grava em dois lugares diferentes cria a mesma divergência de números que já existia antes, só que mais rápido.
A autonomia é uma decisão de arquitetura
Nenhuma dessas escolhas é sobre qual modelo contratar. São escolhas sobre onde o julgamento humano precisa ficar dentro do fluxo, e essa resposta muda de tarefa para tarefa dentro do mesmo processo.
Se a dúvida hoje é onde a IA entra na sua operação e com quanto de autonomia, o Diagnóstico de Arquitetura Operacional é uma conversa de 30 minutos para mapear seus fluxos e separar o que é regra do que é julgamento.
Cases relacionados
Reconheceu a sua operação neste artigo?
Agende o Diagnóstico de Arquitetura Operacional: 30 minutos para mapear onde está o gargalo da sua operação. Sem compromisso.
Agendar diagnóstico