Camada 3 · Produção
Demo é fácil. Produção é o trabalho.
A maior parte das provas de conceito de IA morre no caminho entre o notebook e o usuário. Faltou integração, faltou tratamento de exceção, faltou alguém responder pelo resultado. Construímos automações e agentes que atravessam esse caminho, do indivíduo até a organização inteira.
O problema real
Quatro lugares onde projeto de IA morre, e o que fazemos em cada um.
Experimentação sem hipótese
Testar sem definir o que seria sucesso transforma qualquer resultado em vitória. Definimos a hipótese e a medida antes de rodar.
Validação contra o nada
Comparar a IA com o acaso é fácil. Comparamos com o processo que já existe, que é o concorrente real dela.
Escala sem integração
O que roda no notebook e não entra no fluxo de trabalho não escala; vira demo. Integração é requisito, não fase final.
Custo sem teto
Começa barato e vira linha inexplicável na fatura. Custo por operação medido, teto definido e roteamento por criticidade.
Automação individual
Profissional sênior gastando quatro horas por semana em tarefa que não exige julgamento.
Automações no fluxo de trabalho da própria pessoa, medindo a hora devolvida.
- Assistentes ancorados nos documentos e sistemas que a pessoa já usa
- Extração e estruturação de informação de documento, e-mail e planilha
- Redação assistida com o padrão e o tom da própria empresa
- Ganho medido em hora devolvida por semana, não em percepção
Automação de time
O processo atravessa cinco pessoas e três sistemas, e o que conecta tudo é alguém copiando e colando.
Fluxos que atravessam o time inteiro, com exceção tratada e responsável nomeado em cada etapa.
- Triagem, roteamento e priorização automáticos de demanda
- Automação de marketing, CRM e vendas ponta a ponta
- Integração entre sistemas que não conversam, com log de tudo
- Regras de exceção explícitas: o que a automação não decide sozinha
Automação de organização
Cada área resolve sozinha, com uma ferramenta diferente. Seis meses depois existem quinze automações e nenhum dono.
Arquitetura de agentes com contexto compartilhado, padrão comum e governança central.
- Arquitetura de agentes com memória e contexto compartilhados
- Base de conhecimento única alimentada pelo mapeamento de processos
- Padrão de construção, revisão e publicação de automação
- Catálogo do que existe, com dono, custo e resultado por automação
Agentes e IA conversacional
Chatbot que responde com confiança total uma informação que não existe destrói a confiança do time em uma semana.
Agentes ancorados na base real da empresa, que citam fonte e sabem dizer que não sabem.
- Recuperação sobre a base de conhecimento própria, com citação de origem
- Atendimento e suporte com escalada para humano em regra clara
- Agentes com estado, para tarefas de várias etapas que voltam atrás
- Avaliação contínua das respostas: o que acertou e o que inventou
Produtos de IA para o cliente final
A empresa quer transformar sua inteligência em produto, mas não tem time para construir e sustentar software.
Produto completo, da descoberta ao que sobe em produção e continua mantido.
- Descoberta, prototipagem e validação com usuário real antes de escalar
- Aplicação, site e integração construídos com qualidade de produção
- Modelos de predição, recomendação, priorização e roteirização
- Operação, evolução e desligamento do que não provou valor
Governança e controle de custo
IA em produção sem teto de custo começa barata e termina como uma linha inexplicável na fatura.
Custo por operação medido, roteamento por criticidade e política de uso com dono.
- Custo por operação e por caso de uso, com teto definido e alerta
- Roteamento entre modelos conforme a criticidade, porque nem toda tarefa pede o maior
- Política de dado sensível aplicada antes da chamada, não depois
- Trilha de auditoria: quem perguntou o quê e com qual contexto
- Revisão periódica com data marcada, e coragem de desligar o que não entrega
Stack de IA
O modelo é a parte fácil de trocar.
Por isso a arquitetura do agente importa mais que a escolha do modelo: quando o próximo modelo chegar, e ele chega, trocar deve custar um dia, não um projeto.
IA, agentes e machine learning
- LLM
- Modelos de linguagem ancorados na base de conhecimento da empresa, com fonte citada.
- LangChain
- Composição de cadeias de recuperação e ferramentas em produtos de IA.
- LangGraph
- Agentes com estado e fluxo explícito, quando a tarefa tem etapas e volta atrás.
- CrewAI
- Times de agentes com papéis definidos para tarefas que se dividem naturalmente.
- Agno
- Agentes leves e rápidos onde latência e custo por chamada são o gargalo.
- Machine learning
- Predição, recomendação, priorização e classificação sobre dado próprio.
- Redes neurais
- Quando o padrão não é linear e há volume que justifique o custo de treino.
- TensorFlow
- Treino e serviço de modelos profundos em cenários de visão e série temporal.
- Microsoft Copilot
- Ganho de produtividade individual dentro das ferramentas que o time já usa.
- Copilot Studio
- Agentes corporativos integrados à identidade e aos dados do tenant Microsoft.
Automação e integração
- n8n
- Automação de fluxo entre sistemas com lógica visível e versionável.
- Power Automate
- Automação dentro do ecossistema Microsoft, com governança do tenant.
- RPA
- Último recurso: quando o sistema legado não tem API e não vai ter.
Perguntas diretas
- Como vocês impedem que o agente invente resposta?
- Ancorando o agente na base de conhecimento real da empresa e exigindo citação de fonte em cada resposta. Além disso, avaliamos continuamente o que ele acertou e o que inventou. Um agente que não sabe dizer 'não sei' destrói a confiança do time em uma semana.
- Dá para controlar o custo de IA em produção?
- Sim, e é requisito de engenharia. Medimos custo por operação e por caso de uso, definimos teto com alerta e roteamos entre modelos conforme a criticidade da tarefa. Nem toda tarefa precisa do modelo maior.
- Vocês automatizam antes ou depois de mapear o processo?
- Sempre depois. Automatizar um processo que ninguém consegue descrever apenas acelera o erro e esconde a exceção. Por isso o mapeamento é um passo do método, e por isso construímos o Mapper AI.
Próximo passo
Antes de automatizar, a gente mapeia.
Automação construída sobre processo mal descrito acelera o erro e esconde a exceção. O diagnóstico mostra o que existe; o mapeamento mostra como o trabalho realmente acontece.