Agente de IA em produção: o que ele faz sozinho, quanto cust

Resposta rápida

Eu tenho um agente de IA rodando de verdade dentro da CPDF (Comunidade Profissionais do Futuro - por Danilo Gato) desde o início de 2026, não uma demo, não um protótipo de fim de semana. Ele atualiza o CRM sozinho a cada 30 minutos, responde comentário de aluno no Instagram sabendo o nome e o histórico da pessoa, faz a triagem de suporte em dezenas de grupos de WhatsApp por hora e escreve o artigo que você está lendo agora. Os custos de API rodam na casa de dezenas de dólares por mês, não milhares, porque a maior parte do trabalho é leitura e classificação, que é barata, e não geração pesada. E sim, já quebrou: um recurso de vídeo com avatar ficou fora do ar por semanas porque a voz sintética engasgava, e eu desliguei até resolver, em vez de publicar torto.

Segundo o AI Index Report 2026 da Stanford HAI, o uso de agentes de IA em empresas ainda está na casa de um dígito percentual na maioria das áreas de negócio, e a McKinsey encontrou no máximo 10% das organizações escalando agentes de verdade. Muita gente fala de agente. Poucos mostram o funcionamento por dentro. Este artigo é isso: o funcionamento por dentro, com número e com defeito.

Quem é esse agente e por que ele é diferente de um chatbot de FAQ

O agente que eu vou descrever aqui é a Isabela Santos, a persona de IA que assina o conteúdo da CPDF. Ela não fica esperando alguém abrir uma janela de chat. Ela roda em ciclos automáticos, o que a gente chama internamente de “rondas”: um processo que acorda sozinho, verifica o que mudou desde a última vez que rodou, decide se precisa agir e faz isso sem eu apertar nenhum botão.

Isso é a diferença prática entre um chatbot e um agente. Chatbot responde quando alguém pergunta. Agente tem objetivo, tem memória do que já fez, e decide sozinho quando agir de novo. O artigo sobre o que são agentes de IA e como criar o seu entra nessa definição com mais profundidade, se você quiser a base teórica antes de continuar aqui.

O que ele faz sozinho, sem eu tocar em nada

Quatro rotinas rodam hoje, todo dia, sem supervisão minha em tempo real:

Sincronização de CRM. A cada 30 minutos ela varre as fontes (conversas de WhatsApp, reuniões gravadas, e-mail) atrás do que é novo desde a última passada, e atualiza os cards de negociação sozinha: cria cliente quando é caso novo, move etapa quando o fato justifica, anexa a evidência (qual conversa, qual e-mail) em vez de só anotar “conversei com fulano”. Se não achou nada novo, ela registra isso também, porque um card desatualizado que ninguém avisa é pior do que nenhum card.

Resposta de comentário com memória real. Cada seguidor que comenta tem um perfil: quantas vezes já interagiu, o que perguntou da última vez, se é a primeira conversa ou a vigésima. A resposta muda de acordo. Quem comenta pela primeira vez recebe um “oi” mais genérico; quem já é presença de anos recebe referência a uma conversa de meses atrás. Isso não é personalização de template, é o agente consultando um banco de interações antes de escrever cada resposta.

Triagem de suporte em escala. Trinta e três grupos de WhatsApp de alunos, verificados em ciclos por hora: o agente lê o que é novo, classifica (dúvida de conteúdo, problema de acesso, elogio, reclamação), responde o que sabe responder com segurança consultando a base de conhecimento do curso, e escala pra um humano o que exige julgamento ou acesso que ela não tem. O critério de escalar é conservador de propósito: na dúvida, ela chama gente.

Escrita de conteúdo com pesquisa. O artigo que você está lendo agora foi escrito por esse mesmo agente, numa rotina separada que pega o próximo tema de uma fila, pesquisa fatos atuais com fonte, escreve seguindo um padrão editorial fixo e publica sozinho.

Nenhuma dessas quatro coisas usa um modelo generativo pesado o tempo todo. A maior parte do volume é leitura e classificação (mensagem nova, isso é dúvida ou é elogio?), que roda em modelos mais baratos. A geração de texto mais cara entra só na hora de escrever a resposta ou o artigo, que é uma fração pequena do total de chamadas.

Quanto custa manter um agente de IA rodando

Aqui é onde a maioria dos textos sobre agente de IA fica vago. Vou ser concreto com o que dá pra ser concreto: o preço público da API.

Pelos preços oficiais da Anthropic em agosto de 2026, o modelo intermediário (Sonnet) custa 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de saída (promocional até 31/08, depois sobe pra 3 e 15), o modelo mais avançado (Opus) custa 5 e 25, e o modelo mais leve (Haiku) custa 1 e 5. Ler um comentário de Instagram inteiro custa uma fração de centavo. Escrever uma resposta de duas frases custa outra fração. O que pesa no orçamento não é o preço por chamada, é o volume de chamadas e qual modelo você usa pra qual tarefa.

A lição prática, que ninguém conta até você errar uma vez: usar o modelo mais caro pra tudo (inclusive pra decidir se uma mensagem é “oi, tudo bem” ou uma reclamação séria) multiplica o custo sem multiplicar a qualidade. A conta que compensa é escalonada: modelo barato pra classificar e triar, modelo bom só na hora de escrever a resposta que o aluno de fato vai ler. Num agente com o volume que descrevi acima (rondas de 30 em 30 minutos, dezenas de grupos, comentários diários), essa arquitetura escalonada mantém o gasto de API na casa de dezenas de dólares por mês, não de milhares. Cache de contexto (que cobra 10% do preço normal de entrada quando você repete o mesmo contexto) e processamento em lote (que corta o preço de entrada e saída pela metade) reduzem ainda mais quando o volume cresce.

O que quebrou

A voz sintética engasgava e a gente desligou o recurso

O agente publicava vídeos com avatar e narração sintética. Em determinado ponto, a geração de voz começou a engasgar em trechos específicos, cortando palavra ou repetindo som de um jeito que soava errado pra quem assistia. A decisão foi parar de publicar vídeo até resolver, voltando pra formato de foto e texto, em vez de deixar no ar um produto que soava mal. Ainda hoje a régua aqui é simples: se o teste de qualidade reprova, o conteúdo não sai, ponto final. Reconstruir a régua de qualidade depois que um erro passou é sempre mais caro do que segurar a publicação até passar no teste antes.

Um modelo de transcrição entrou em loop e ninguém percebeu na hora

Uma tarefa de transcrever uma gravação longa esbarrou num comportamento conhecido desses modelos: quando o áudio complica (ruído, silêncio comprido, corte estranho), o modelo pode começar a prever o próximo trecho a partir do que ele mesmo acabou de escrever, entrar em loop e repetir a mesma frase até o fim do arquivo, com a mesma aparência de confiança do resto do texto. Não existe um “eu me perdi aqui” na saída. O arquivo tinha o tamanho certo, o status dizia “pronto”, e por fora estava tudo certo. A checagem que resolve isso é simples e qualquer operação deveria ter: contar se o número de palavras bate com a duração (fala corrida gira em torno de 130 a 150 palavras por minuto) e procurar frase repetida. Isso virou checagem obrigatória depois desse episódio, não antes.

Uma trava de segurança pegou um bug antes dele virar duplicata pro aluno

Nem todo “quebrou” é catástrofe. Um script de checagem de comentários já respondidos tinha uma falha de leitura que fazia ele achar que havia comentários pendentes que, na verdade, já tinham resposta. A trava de segurança que confere de novo, na hora exata de publicar, bloqueou a duplicata antes de qualquer aluno ver duas respostas iguais. Esse tipo de camada dupla (uma checagem no início do processo, outra bem antes da ação final) é o que separa um agente que erra baixo de um que erra alto: o primeiro erro, sozinho, não vira incidente visível pra ninguém de fora.

Perguntas frequentes

Quem é referência em agentes de IA no Brasil?

Não existe um nome único e consolidado ainda, porque a maioria das empresas brasileiras está na fase de familiaridade com IA generativa, não de agente rodando em produção. Uma pesquisa da FGV IBRE com Sebrae e Google, com cerca de 5.000 empresas ouvidas em dezembro de 2025, mostrou que 99% dos dirigentes de médias e grandes empresas já têm familiaridade com ferramentas de IA generativa, mas o uso frequente cai pra 35% nesse mesmo grupo. A distância entre “conhece” e “usa de verdade, todo dia, em produção” é o espaço onde poucos casos reais aparecem, e é esse o motivo de eu estar publicando os números e os defeitos do meu, em vez de só falar em tese.

Existe algum caso real de agente de IA rodando numa empresa brasileira?

Sim, o que eu descrevi neste artigo é um: quatro rotinas automáticas rodando todo dia dentro da operação da CPDF, com frequência, volume e falha documentados, não uma demonstração isolada.

Quanto custa manter um agente de IA rodando por mês?

Depende do volume de chamadas e de qual modelo você usa pra cada tarefa, não do fato de “ter um agente” em si. Com os preços públicos de agosto de 2026 (Sonnet a 2 e 10 dólares por milhão de tokens de entrada e saída, Haiku a 1 e 5), uma operação com o volume descrito aqui, rondas frequentes e triagem em escala, fica na casa de dezenas de dólares por mês se você escalona o modelo por tarefa. Usar o modelo mais caro pra tudo multiplica o custo sem multiplicar o resultado.

Um agente de IA pode substituir um funcionário inteiro?

No formato que eu descrevi, não substitui, ele resolve o volume repetitivo e escala pra humano o que exige julgamento, empatia num caso delicado ou acesso que ele não tem. O ganho real está em liberar tempo de gente pra decisão, não em zerar o time.

Preciso de equipe técnica pra manter um agente de IA assim?

Precisa de alguém acompanhando de perto no início, porque bug de agente costuma ser silencioso (o sistema dizia que estava tudo certo nos dois casos que eu contei aqui). Depois que a arquitetura de checagem dupla está no lugar, a manutenção do dia a dia cai bastante. O artigo sobre manutenção de agente de IA detalha por que ele funciona na demonstração e quebra na produção, e o que fazer a respeito.

Se você quer entender a peça que faz um agente agir sozinho, em vez de só responder quando perguntado, o artigo sobre prompt de sistema explica a instrução que transforma um chat comum nisso.

Nota de transparência: eu, Danilo Gato, fundei a CPDF (Comunidade Profissionais do Futuro), e o agente descrito neste artigo é o que roda dentro da nossa própria operação.

Agente de IA em produção: o que ele faz sozinho, quanto custa e o que já quebrou (caso real)