Agente de IA: onde funciona de verdade e onde ainda não dá para confiar

Agente de IA é um sistema que toma decisão e executa ação com autonomia, não apenas responde a uma pergunta. A Anthropic descreve a diferença de forma direta: um workflow segue um caminho de código predefinido; um agente decide dinamicamente os próprios passos e qual ferramenta usar para chegar ao resultado (Anthropic, Building Effective Agents). A IBM reforça a mesma linha: diferente de modelo de IA tradicional, que opera dentro de restrição predefinida e exige intervenção humana constante, a IA agêntica exibe autonomia, comportamento orientado a objetivo e adaptabilidade (IBM, What is Agentic AI?).

Isso é diferente de chatbot. Um chatbot responde pergunta. Um agente prioriza prospect, rascunha o e-mail de contato e decide o próximo passo sozinho, segundo o exemplo usado pela própria Salesforce para ilustrar a diferença (Salesforce, AI Agent vs Chatbot).

O tamanho real da adoção hoje

A McKinsey rodou a pesquisa State of AI 2025 com quase 2.000 respondentes em 105 países, entre junho e julho de 2025. O resultado: 23% das organizações já estão escalando algum sistema de IA agêntica em pelo menos uma área de negócio, e mais 39% começaram a experimentar. Mas olhando função de negócio por função de negócio, no máximo 10% dos respondentes relatam estar escalando agente de IA em qualquer área específica (McKinsey, The State of AI).

Ou seja: a adoção existe e cresce, mas está concentrada, não espalhada. Cada empresa escala agente em uma ou duas frentes, não em toda a operação de uma vez. Isso não é hesitação, é o padrão saudável de rollout: validar em um processo antes de expandir.

O número que todo fornecedor de IA evita citar

O Gartner publicou, em junho de 2025, uma previsão que vale mais que qualquer case de sucesso isolado: mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco inadequado (Gartner, comunicado oficial).

A analista sênior da Gartner, Anushree Verma, foi direta sobre a causa: "a maioria dos projetos de IA agêntica hoje são experimentos em estágio inicial ou provas de conceito guiadas principalmente por hype, e frequentemente mal aplicadas. Isso pode cegar as organizações para o custo e a complexidade reais de colocar agentes de IA em produção em escala" (mesma fonte).

Isso não invalida a tecnologia. Invalida a forma como a maioria está tentando aplicá-la: sem escopo claro, sem métrica de sucesso definida antes de começar, e frequentemente em processo que exige exatamente o tipo de julgamento ambíguo que agente de IA ainda não faz bem.

Onde agente de IA funciona de verdade

O caso mais documentado publicamente é o da Klarna. Em fevereiro de 2024, a empresa anunciou que seu assistente de IA, rodando globalmente havia um mês, já respondia dois terços de todos os chats de atendimento ao cliente: 2,3 milhões de conversas, equivalente ao trabalho de 700 atendentes em tempo integral, com satisfação do cliente equivalente à de agente humano e queda de 25% em chamados repetidos. O tempo de resolução caiu de 11 minutos para menos de 2 (Klarna, comunicado oficial). O custo de atendimento por transação caiu 40% em dois anos, de US$0,32 para US$0,19 (Customer Experience Dive).

O padrão por trás desse tipo de resultado é sempre o mesmo: volume alto, pergunta repetitiva, regra de negócio clara, contexto de risco baixo. Status de pedido, prazo de entrega, política de troca, triagem de primeira linha antes de escalar para humano. É exatamente o território que tratamos no artigo sobre atendimento N1 e quando IA substitui a URA: decisão de custo, não de moda, e só faz sentido onde o processo já está mapeado antes de automatizar.

Onde ainda não dá para confiar sem supervisão

A mesma Klarna que virou case de sucesso também virou case de correção de rota. Em maio de 2025, o CEO Sebastian Siemiatkowski admitiu à Bloomberg que a empresa havia priorizado custo demais em detrimento de qualidade, e voltou a reforçar o time humano, principalmente para os casos complexos e ambíguos que a IA não tratava bem (Bloomberg). Vale o contexto completo: cobertura posterior mostrou que a Klarna não recuou da IA, seguiu dando mais tarefas complexas ao agente, mas reconheceu que precisava recalibrar onde o humano entra (Big Technology). Não é fracasso, é o ajuste que qualquer operação séria faz depois do primeiro ano rodando IA em produção.

O caso mais duro de "onde ainda não confiar" tem nome, número de processo e decisão judicial. Em fevereiro de 2024, o chatbot da Air Canada inventou uma política de tarifa de luto que não existia, informou isso a um passageiro, e o Civil Resolution Tribunal da British Columbia decidiu que a empresa é responsável pelo que seu próprio chatbot afirma. A Air Canada foi condenada a pagar CAD 812,02 em danos (BBC; American Bar Association). É o precedente que qualquer empresa avaliando colocar IA para responder cliente direto deveria conhecer antes de decidir o escopo.

Em contexto jurídico o problema se repete com uma frequência desconfortável. Em maio de 2025, um advogado em Utah foi sancionado depois que o tribunal encontrou citação de caso inexistente numa petição gerada por IA (The Guardian). Em outro caso na Califórnia, um advogado foi multado em US$10.000 depois que um tribunal de apelações constatou que 21 das 23 citações da petição inicial eram falsas, geradas por IA (The Daily Record). O padrão de risco é claro: decisão de alto stake, contexto legal ou financeiro, exceção fora do script, julgamento que depende de nuance. É onde alucinação custa caro e onde supervisão humana continua sendo parte do processo, não um passo a eliminar.

O dado agregado da McKinsey confirma que isso não é exceção isolada: 51% das organizações que usam IA já relataram pelo menos uma consequência negativa, e quase um terço de todos os respondentes cita imprecisão ou alucinação da IA como o problema específico (McKinsey, The State of AI).

O critério prático para decidir

Antes de colocar um agente de IA para decidir algo sozinho, três perguntas separam o processo que funciona do que vira estatística do Gartner:

O volume é alto e a regra é clara? Agente de IA compensa quando o processo se repete centenas ou milhares de vezes com pouca variação. Processo raro, com muita exceção, não justifica a curva de implementação, e o julgamento humano ainda resolve mais rápido.

O erro custa pouco ou custa muito? Responder errado o prazo de entrega gera um cliente insatisfeito. Inventar uma política que não existe gera processo judicial, como no caso da Air Canada. O nível de supervisão precisa ser proporcional ao custo do erro, não ao entusiasmo com a tecnologia.

Existe alguém acompanhando o resultado depois que o agente vai ao ar? Nenhum dos casos de falha documentados acima aconteceu porque a tecnologia era ruim no dia 1. Aconteceram porque ninguém estava monitorando o que o agente respondia quando o caso saía do script. Agente de IA sem plano de acompanhamento é a receita mais comum de virar um dos mais de 40% de projetos cancelados que o Gartner projeta.

Como a Uncode aplica isso na prática

O Pulse N1, produto da Uncode para atendimento de primeira linha, nasceu exatamente da distinção que este artigo defende: memória de conversa e contexto para resolver o que é repetitivo e de regra clara, com escalonamento automático para humano assim que o caso sai do padrão esperado. Detalhamos como isso funciona por dentro no artigo Por que URA estática é o maior inimigo do NPS. O critério nunca foi "substituir humano em tudo". Foi tirar do humano exatamente o volume repetitivo que não precisa de julgamento, e manter humano em tudo que precisa.

O que fazer com isso

Se sua empresa está avaliando colocar um agente de IA para decidir algo sozinho, o primeiro passo não é escolher a ferramenta. É mapear o processo, decidir onde o erro custa pouco o suficiente para automatizar sem revisão constante, e onde o custo do erro exige que um humano continue no circuito. A conversa é de 30 minutos, sem pitch: você mostra o processo como ele roda hoje, a gente diz honestamente se agente de IA resolve, ou se ainda não é hora.

Fontes

Anthropic, Building Effective Agents; IBM, What is Agentic AI?; Salesforce, AI Agent vs Chatbot; McKinsey, The State of AI; Gartner, comunicado sobre cancelamento de projetos de IA agêntica; Klarna, comunicado oficial; Customer Experience Dive, custo de atendimento da Klarna; Bloomberg, Klarna reforça atendimento humano; Big Technology, contexto do ajuste da Klarna; BBC, caso Air Canada; American Bar Association, análise do caso Air Canada; The Guardian, sanção a advogado em Utah; The Daily Record, multa a advogado na Califórnia.