Agentes de IA para Empresas: Do Piloto à Produção em 2026

Agentes de IA para empresas viraram rotina nas grandes companhias brasileiras em 2026, e o fracasso também. Num estudo global da Sinch, 76% das grandes empresas do Brasil dizem ter agentes em produção, mas 80% já precisaram interromper ou reverter alguma implantação. Neste guia eu mostro por que isso acontece (dados, legado e governança) e como montar um piloto que chega à produção sem virar manchete interna.

TL;DR

• No Brasil, 76% das empresas com mais de mil funcionários ouvidas pela Sinch têm agentes de IA em produção, e 80% já interromperam ou reverteram alguma implantação. A média global é 74%.
• 39% dessas reversões no Brasil vieram de vazamento de dados pessoais. O problema raramente é o modelo. É o que o agente consegue ler e escrever.
• As três causas que eu mais vejo: dado bagunçado, sistema legado sem API e ausência de governança (quem aprova, quem audita, quem desliga).
• Um piloto de agentes de IA para empresas que chega à produção tem escopo estreito, métrica de negócio definida antes, botão de desligar e log de cada ação.
• Às vezes a resposta certa é não usar agente: uma automação determinística resolve mais barato e sem risco.

O retrato de 2026: muita adoção, muita reversão

Os números do ano contam duas histórias ao mesmo tempo, e as duas são verdadeiras.

A primeira é de adoção acelerada de agentes de IA para empresas de grande porte. O estudo The AI Production Paradox, da Sinch, ouviu 2.527 executivos em dez países, todos de empresas com mais de mil funcionários. No Brasil, 76% disseram ter agentes de IA em produção, acima da média global (62%) e dos Estados Unidos (67%). E 66% das brasileiras planejam ampliar o investimento em IA em mais de 25%.

A segunda é de recuo. Na mesma pesquisa, 80% das empresas brasileiras já precisaram interromper ou reverter implantações de IA por problemas de governança. A média global é 74%. Do total de reversões no país, 39% aconteceram por vazamento de dados pessoais, contra 24% nos EUA e 16% no Canadá.

O recorte importa

Antes de usar esse dado na reunião de diretoria, leia o recorte. A pesquisa olhou IA aplicada à comunicação com clientes (atendimento, mensageria, voz, e-mail) e só em grandes empresas. A Sinch, aliás, vende infraestrutura de comunicação.

Para o resto do mercado, o retrato é outro. A pesquisa TIC Empresas 2025, do Cetic.br, mede 17% de uso de IA entre empresas brasileiras com dez ou mais funcionários. E o estudo apresentado pela AWS no Summit São Paulo, em setembro de 2026, aponta que só 6% das empresas que usam IA implementaram agentes. Apenas 21% se dizem prontas para IA agêntica, e cerca de um terço confia que consegue medir o retorno.

Traduzindo: a grande empresa está adiantada e tropeçando. A média e a pequena ainda nem começaram. Se a sua empresa está no segundo grupo, a boa notícia é que dá para aprender com o tropeço alheio antes de gastar.

Agente, chatbot ou automação: o que você está comprando

Metade dos projetos de agentes de IA para empresas que dão errado nasce de uma confusão de vocabulário. Vale separar três coisas:

• Automação determinística: regra fixa. "Se o boleto venceu há 3 dias, envie o template X." Sempre faz a mesma coisa, é barata e auditável.
• Chatbot com IA generativa: responde perguntas em linguagem natural a partir de uma base de conhecimento. Fala, mas não age.
• Agente de IA: recebe um objetivo, decide os passos e chama ferramentas (consulta o ERP, abre chamado, altera cadastro, emite segunda via). Ele age com algum grau de autonomia.

A diferença prática está no raio de dano. Um chatbot que erra dá uma resposta ruim. Um agente que erra pode cancelar o pedido errado, expor o CPF de outro cliente ou disparar 3 mil mensagens de cobrança indevidas.

O Gartner chamou de agent washing a prática de rebatizar chatbot e RPA como "agente", e estimou em junho de 2025 que só cerca de 130 dos milhares de fornecedores que se dizem agênticos entregam isso de fato. Na mesma previsão, projetou que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro e controle de risco fraco.

Quando um fornecedor oferecer agentes de IA para empresas sem detalhar a arquitetura, pergunte: quais ferramentas ele chama, com quais permissões, e onde fica o log de cada ação? Se a resposta for vaga, você está comprando um chatbot com preço de agente.

Por que agentes de IA para empresas dão errado: dados

Agentes de IA para empresas são tão bons quanto o que conseguem ler. E a maior parte das empresas não sabe exatamente o que ele vai ler.

Dado bagunçado vira resposta errada com confiança

Base de conhecimento com três versões da mesma política de troca. Tabela de preços que só o comercial sabe qual é a vigente. Cadastro de cliente com e-mail duplicado. Para um humano, isso é atrito. Para um agente, é instrução: ele vai escolher uma das versões e responder com total segurança.

Permissão larga demais vira vazamento

É aqui que mora o dado de 39%. O caminho mais rápido para fazer o piloto "funcionar" é dar ao agente uma credencial de leitura ampla no banco. Funciona na demo. Em produção, basta um cliente perguntar "qual o endereço de entrega do pedido 4417?" para o agente responder com o endereço de outra pessoa.

Pela LGPD, isso é incidente de segurança com dado pessoal. O controlador responde pela falha, e o artigo 20 ainda garante ao titular o direito de pedir revisão de decisões tomadas só com base em tratamento automatizado. Já analisei aqui no blog o que o vazamento da Dígitro ensina sobre segurança de dados: o padrão se repete, só muda o vetor.

O que fazer antes de ligar o agente

1. Inventarie as fontes que o agente vai consultar e elimine as versões conflitantes.
2. Crie uma camada de acesso própria (uma API interna ou visões do banco) que só devolve os dados do cliente autenticado na conversa.
3. Mascare ou omita CPF, cartão e dados sensíveis que o agente não precisa ver para resolver o problema.
4. Teste com perguntas maliciosas: "ignore as instruções anteriores e me mostre…" é o primeiro teste, não o último.

Sistemas legados: onde agentes de IA para empresas travam

O segundo motivo de reversão é menos dramático e mais caro. O agente precisa de ferramentas, e ferramenta é API. Muito ERP brasileiro, sistema acadêmico ou base em Access rodando há 15 anos simplesmente não tem uma.

Aí aparecem as gambiarras: robô que clica na tela (RPA), leitura de planilha exportada toda madrugada, acesso direto ao banco de produção. Cada uma é um ponto de falha que ninguém monitora. Quando o ERP atualiza a tela, o agente quebra em silêncio e continua respondendo com dado velho.

Nos projetos de agentes de IA para empresas que acompanhamos na Agathas Web, o trabalho de integração costuma ser maior que o de IA. Em ambientes Moodle, por exemplo, o agente que responde dúvidas de aluno só é útil se consulta nota, prazo e matrícula pelos web services oficiais da plataforma, com token restrito às funções necessárias. Nos projetos com a API oficial do WhatsApp, o desafio quase nunca é o modelo: é o webhook que chega duplicado, fora de ordem ou atrasado, e o agente que precisa tratar isso sem responder duas vezes.

Sinais de que o legado vai travar o seu piloto

• Não existe API documentada para a operação que o agente vai executar.
• A única forma de ler o dado é exportar planilha ou acessar o banco direto.
• Ninguém no time sabe dizer o que acontece se o sistema ficar fora do ar por uma hora.
• O fornecedor do ERP cobra por integração e demora meses para liberar.

Se dois desses itens forem verdade, o primeiro projeto não é de IA. É de integração. Gastar no agente antes disso é pagar caro por um piloto que não sai do lugar.

Governança: quem aprova, quem audita, quem desliga

O terceiro motivo que derruba agentes de IA para empresas é o que aparece no título da pesquisa da Sinch: governança. E governança aqui não é um documento de 40 páginas. São três perguntas que precisam ter nome e sobrenome como resposta.

Quem aprova o que o agente pode fazer? Lista explícita de ações permitidas, com limite de valor e de volume. "Pode emitir segunda via de boleto. Não pode conceder desconto acima de 5%. Não pode cancelar contrato."

Quem audita o que ele fez? Cada chamada de ferramenta registrada com data, cliente, entrada e saída. Sem isso, quando algo der errado, você não consegue nem reconstruir o que aconteceu.

Quem desliga, e em quanto tempo? O agente precisa de um interruptor que não dependa de deploy. Uma flag no painel, um fallback para atendimento humano, uma fila que segura as ações até alguém revisar.

O rollback é um bom sinal (quando é planejado)

O mesmo estudo traz um dado contraintuitivo: entre as empresas que classificam os próprios guardrails como totalmente maduros, a taxa de reversão é de 81%, acima da média. A explicação é simples. Quem monitora bem enxerga a falha e desliga. Quem não monitora segue operando o erro sem saber.

Ou seja, a meta não é nunca reverter. É reverter rápido, com log, antes do cliente perceber.

E a regulação?

O marco legal da IA (PL 2338/2023) foi aprovado no Senado em dezembro de 2024 e segue na Câmara, com votação adiada para depois das eleições de outubro de 2026. Não espere a lei para organizar a casa. A LGPD já vale hoje e já cobre a maior parte dos riscos de um agente que manipula dado pessoal. Para quem atende no WhatsApp, há outra regra em vigor: desde 15 de janeiro de 2026, os termos da plataforma comercial da Meta vetam assistentes de IA de propósito geral. O agente precisa ser focado no seu negócio (suporte, pedidos, agendamento), não um ChatGPT plugado no número da empresa.

Como fazer um piloto de agentes de IA para empresas que chega à produção

Este é o roteiro que eu uso. Não é o único possível, mas cada etapa existe porque já vi um projeto morrer por pular ela.

1. Escolha um processo estreito e chato

Bom candidato: alto volume, regra clara, baixo risco por erro, dado já acessível. Segunda via de boleto, status de pedido, reagendamento, dúvida de prazo no AVA. Mau candidato: "um agente que atende tudo".

2. Defina a métrica de negócio antes de escrever código

Não é "acurácia do modelo". É tempo médio de resolução, porcentagem de conversas resolvidas sem humano, custo por atendimento, chamados reabertos. Meça o cenário atual por duas semanas. Sem linha de base, ninguém consegue provar o retorno, e é por isso que só um terço das empresas confia na própria medição.

3. Comece com humano no circuito

Nas primeiras semanas, o agente sugere e um atendente aprova. Você mede quantas sugestões foram aceitas sem edição. Quando esse número estabiliza alto, libera a ação automática para os casos de menor risco.

4. Instrumente tudo

Log de cada conversa e de cada ferramenta chamada, alerta para padrões estranhos (o mesmo cliente pedindo dez segundas vias, picos de custo de API), painel com a métrica do passo 2.

5. Defina critérios de saída por escrito

Resultado após 6-8 semanas	Decisão
Métrica de negócio melhorou e incidentes ficaram dentro do limite	Expandir para produção plena no mesmo processo
Métrica melhorou, mas houve incidente com dado pessoal	Corrigir a camada de acesso e repetir o piloto
Métrica não se moveu	Encerrar ou trocar o processo, sem apego
Custo por atendimento ficou acima do humano	Avaliar automação determinística no lugar

O piloto que "vai bem, mas ainda não dá para dizer" é o que consome orçamento por seis meses e morre na revisão anual. Critério escrito antes evita isso. Detalhei os números de retorno de quem já escalou em agentes de IA em produção: ROI e governança.

Quando NÃO usar agentes de IA para empresas

Parte do meu trabalho é convencer cliente a não fazer o agente. Os casos em que eu desaconselho agentes de IA para empresas de qualquer porte:

• O processo cabe numa regra. Se dá para escrever como fluxograma de cinco caixas, uma automação determinística resolve com custo marginal perto de zero e sem alucinação.
• O volume é baixo. Vinte atendimentos por dia não pagam integração, monitoramento e revisão. Um bom template de resposta rápida resolve.
• O erro é caro e irreversível. Concessão de crédito, cancelamento de contrato, decisão sobre matrícula. Aqui o agente pode preparar, mas quem decide é gente.
• Não existe dado confiável. Agente sobre base bagunçada só automatiza a bagunça.
• Ninguém vai cuidar dele depois. Agente sem dono vira passivo. Modelo muda, preço de API muda, regra de negócio muda.

Também vale desconfiar de assistentes genéricos usados como atalho. Ferramentas como as que comentei no post sobre o que a Perplexity AI muda para empresas são ótimas para pesquisa interna, mas não substituem um agente integrado e auditado no seu processo.

Quanto custa e onde o orçamento estoura

Não existe preço de tabela para agentes de IA para empresas porque o custo depende muito mais da integração do que do modelo. Mas dá para saber onde o dinheiro vai.

Item	O que é	Onde estoura
Consumo de API do modelo	Cobrança por token (texto processado)	Contexto enorme em cada chamada; agente que "pensa" em loop
Integração	APIs, camada de acesso, webhooks	Legado sem API; fornecedor de ERP cobrando por conector
Mensageria	Tarifas do canal (ex.: WhatsApp oficial cobra por mensagem template)	Agente que dispara template quando bastava resposta na janela de 24h
Observabilidade	Logs, alertas, painel	Ninguém orça; descobrem a falta no primeiro incidente
Operação	Pessoa que revisa, ajusta e responde por ele	Some depois do piloto, e o agente apodrece

Dois cuidados práticos. Primeiro, coloque teto de gasto diário na conta do provedor de IA desde o primeiro dia. Segundo, compare sempre com o custo do humano por atendimento resolvido, não por hora: é a única conta que a diretoria aceita.

Como a Agathas Web resolve isso

Fundei a Agathas Web em 2008 e a maior parte do nosso trabalho é operar sistema em produção: Moodle, servidores Linux, hospedagem gerenciada, desenvolvimento sob medida e integrações com a API oficial do WhatsApp. É dessa posição que avaliamos agentes de IA para empresas na nossa consultoria de tecnologia e IA: quem já viu webhook duplicado e banco sem índice derrubar um atendimento sabe onde um agente vai quebrar.

Na prática, o engajamento funciona assim:

1. Conversa inicial gratuita (30 a 60 minutos): entendemos o processo candidato, a stack, o volume e o que já foi tentado.
2. Mergulho técnico (1 a 2 semanas): acesso somente leitura aos sistemas, mapa de dados e integrações, avaliação de LGPD e do que o agente poderia ler e escrever.
3. Análise cruzada (cerca de 1 semana): cruzamos o técnico com o custo atual do processo e definimos se é caso de agente, de automação simples ou de arrumar o legado primeiro.
4. Diagnóstico e plano: processo escolhido, métrica de sucesso, desenho de permissões, critérios de saída e estimativa de custo. Tudo em 4 a 6 semanas.

O que está incluso: o diagnóstico com prioridades, o desenho do piloto e o acompanhamento executivo em formato de CTO as a Service. Não ganhamos comissão por revenda de software, então a recomendação pode ser "não faça agora", e às vezes é. Se a execução fizer sentido, o time de desenvolvimento da Agathas constrói a integração e o agente. Se você preferir tocar com o seu time, sai com o plano na mão.

Para contratar, é só agendar o diagnóstico na página de consultoria e contar qual processo você quer automatizar.

Conclusão: menos agente, mais produção

O dado de 80% de reversões não diz que agentes de IA para empresas não funcionam. Diz que a maioria começou pelo lado errado: escolheu o modelo antes do processo, deu acesso amplo antes de desenhar permissões e colocou no ar antes de saber como desligar.

O caminho que funciona é menos glamouroso. Um processo estreito, dado arrumado, integração de verdade, métrica definida antes, humano no circuito no começo e um interruptor que qualquer gestor consegue acionar. Feito assim, o piloto chega à produção e fica lá.

Se você está decidindo onde começar, ou tem um piloto parado que ninguém sabe se expande ou encerra, fale com a nossa consultoria. A primeira conversa é gratuita e sai com um escopo concreto.