Os agentes de IA no trabalho já estão deixando a fase de demonstração: a mudança prática é que eles podem consultar sistemas, seguir políticas e executar ações aprovadas, mas só funcionam com segurança quando a empresa define limites, avaliações e escalonamento humano. A novidade não elimina o trabalho das equipes; desloca parte do esforço para desenhar processos, revisar resultados e decidir o que continua sob responsabilidade de uma pessoa.
Essa distinção evita uma leitura exagerada da inovação. Um chatbot responde a uma solicitação. Um agente recebe um objetivo, consulta fontes autorizadas, usa ferramentas e tenta concluir uma tarefa com algum grau de autonomia. Quanto maior a autonomia, maior também a necessidade de permissões mínimas, registros e testes antes de liberar ações no ambiente real.
O que mudou na prática
Em 22 de julho de 2026, a OpenAI apresentou o Presence como um produto empresarial para agentes de voz e chat. A proposta combina raciocínio do modelo com políticas, barreiras de segurança e regras de escalonamento. A empresa diz que os agentes podem responder perguntas, resolver problemas, usar sistemas internos, realizar ações aprovadas e transferir o caso para uma pessoa quando necessário.
O ponto mais relevante não é a interface conversacional, mas a arquitetura operacional. Cada implantação começa com uma função específica, como resolver uma cobrança, apoiar uma solicitação de seguro ou atender um pedido interno de suporte de TI. O agente recebe apenas o conhecimento e o acesso necessários para aquela função, enquanto a organização decide quais ações exigem aprovação.
Essa abordagem se diferencia de colocar um modelo generalista diante de todos os sistemas da empresa. Em vez de autonomia ampla, o desenho recomendado é uma sequência controlada: identificar a intenção, consultar dados permitidos, verificar a política, executar uma ação limitada e registrar o resultado. O agente pode acelerar o processo, mas não deve ser tratado como autoridade final para decisões sensíveis.
O próprio anúncio da OpenAI relata que seu canal telefônico de suporte em inglês resolve 75% das solicitações recebidas sem assistência humana e que um ciclo de melhoria reduziu os repasses para pessoas em 15 pontos percentuais em dez dias. Esses números são resultados divulgados pela fornecedora, não uma garantia de desempenho para qualquer empresa. Ainda assim, mostram o tipo de métrica que passa a importar: resolução, erro, escalonamento e qualidade, não apenas quantidade de respostas.
Ferramentas não resolvem governança
A infraestrutura para construir agentes também ficou mais acessível. O AgentKit, anunciado pela OpenAI em outubro de 2025, reuniu um canvas visual para fluxos multiagente, um registro de conectores, uma interface incorporável e recursos de avaliação. A direção é clara: o desafio deixou de ser apenas escrever um prompt e passou a incluir versionamento, integração, observabilidade e testes repetíveis.
Esse avanço pode reduzir o tempo de prototipagem, mas também torna mais fácil automatizar um processo mal definido. Um fluxo visual não informa se a fonte consultada é confiável; um conector não determina se o usuário deveria ter acesso ao dado; uma avaliação automática não captura todo dano possível. Governança precisa aparecer no desenho do processo, não como uma camada decorativa acrescentada depois do lançamento.
Há ainda um risco de dependência do fornecedor. A página do AgentKit informa que a OpenAI pretende descontinuar o Agent Builder e o Evals em 30 de novembro de 2026, recomendando o Agents SDK ou Workspace Agents conforme o caso. Para uma empresa, isso reforça a necessidade de manter documentação própria, contratos claros, exportação de configurações e um plano de migração. A velocidade inicial não pode esconder o custo de trocar uma peça central.
| Tipo de tarefa | Autonomia indicada | Controle mínimo |
|---|---|---|
| Classificar pedidos simples | Alta, com amostragem | Conjunto de testes e auditoria |
| Consultar dados internos | Limitada ao escopo | Permissões por função e logs |
| Alterar cadastro ou cobrança | Condicionada | Confirmação e reversão |
| Decidir sobre crédito, saúde ou emprego | Baixa | Revisão humana documentada |
Como adotar sem perder controle
A adoção mais responsável começa por uma tarefa estreita, frequente e mensurável. Não escolha o processo por ser chamativo; escolha aquele em que o resultado esperado pode ser descrito e conferido. Um atendimento de segunda via, por exemplo, é mais fácil de testar do que uma recomendação financeira aberta. O primeiro piloto deve ter dados de entrada conhecidos, critérios de sucesso e uma saída segura quando o agente não souber responder.
- Mapeie o processo: registre entradas, sistemas consultados, decisões, exceções e responsáveis humanos.
- Defina limites: separe ações apenas de leitura das ações que alteram dados ou geram compromisso para a empresa.
- Prepare testes: inclua pedidos comuns, ambiguidades, tentativas de manipulação, dados incompletos e situações de escalonamento.
- Libere gradualmente: comece em simulação ou modo assistido, compare o agente com o processo atual e amplie o escopo apenas após evidência.
- Monitore depois do lançamento: acompanhe erros, recusas, repasses, tempo de resolução, reclamações e incidentes de acesso.
Também vale separar produtividade de substituição. Um agente pode eliminar etapas repetitivas e liberar tempo para análise, relacionamento e supervisão. Porém, se a empresa apenas reduzir a equipe sem redesenhar responsabilidades, o sistema tende a concentrar riscos em poucas pessoas e a dificultar a investigação de falhas. O trabalho humano muda de executor para operador, avaliador e dono do processo.
Quem já acompanha a transformação do trabalho docente pode comparar essa transição com os efeitos discutidos em como a IA muda o trabalho do professor. Para entender o estágio anterior da automação com agentes, também é útil revisar a análise sobre o agente autônomo Operator. A diferença agora é que o foco empresarial está menos na demonstração e mais na integração com políticas e sistemas.