Victor Arnaud – Presida Equinix Brasil
Como LLM, RAG e agentes se combinam e o que uma empresa precisa definir antes de delegar tarefas à inteligência artificial.
Um cliente pede a troca de uma camiseta pelo tamanho maior. A loja confirma que o pedido está dentro do prazo, mas o tamanho desejado acabou. O atendente precisa consultar alternativas, combinar uma solução com o cliente e registrar a decisão. Depois, terá de providenciar a coleta e acompanhar o envio de outro produto ou o reembolso.
Quais dessas tarefas a empresa quer delegar à inteligência artificial?
Se a intenção é ajudar o funcionário a escrever uma resposta, o projeto é relativamente simples. Se a IA também puder reservar um produto ou solicitar a devolução de dinheiro, será preciso conectá-la aos sistemas e definir suas permissões. A escolha da tecnologia depende dessas decisões.
É nesse contexto que vale entender LLM, RAG, agentes de IA e IA agêntica. Os termos aparecem juntos com frequência, mas se referem a coisas diferentes que podem fazer parte da mesma aplicação.
Um LLM, ou grande modelo de linguagem, pode ajudar o atendente a interpretar a solicitação e escrever uma resposta. O funcionário explica a situação, fornece as informações necessárias e revisa o texto sugerido. Se esse é o trabalho que precisa de ajuda, o modelo pode ser suficiente.
Quando a resposta depende da política de trocas, a aplicação precisa consultar as regras da loja. O RAG, sigla em inglês para geração aumentada por recuperação, permite buscar trechos relevantes em documentos e fornecê-los ao modelo. Ele usa essas informações para elaborar a resposta.
Isso não elimina os erros. A busca pode trazer uma política antiga ou deixar de encontrar uma exceção. O modelo também pode interpretar mal um documento correto. Alguém precisa cuidar da atualização das fontes e avaliar se as respostas estão de acordo com as regras.
Para consultar o pedido e abrir uma troca, a aplicação precisa usar os sistemas da empresa. Um agente de IA pode acessar as ferramentas autorizadas, avaliar os resultados e decidir como continuar. Se faltar o número do pedido, pode solicitá-lo ao cliente. Se uma consulta falhar, precisa saber se deve tentar novamente ou pedir ajuda.
IA agêntica é um termo mais amplo para sistemas que atuam dessa forma, com algum grau de autonomia para cumprir um objetivo. Seu uso varia entre fornecedores. Na loja, um ou mais agentes poderiam acompanhar a troca, verificar a coleta e confirmar a entrega do novo produto. Um único agente também pode cuidar dessas etapas, usando RAG para consultar as regras e um LLM para interpretar o pedido e conversar com o cliente.
Para montar essa aplicação, a empresa terá de explicar como a troca funciona. E provavelmente encontrará decisões que os funcionários tomam todos os dias, mas que nunca foram registradas.
Um atendente experiente sabe quando conferir uma informação com o estoque, quem procurar se houver um problema com a transportadora e quais concessões dependem do gerente. Essas práticas precisam ser discutidas com quem faz o trabalho antes de definir o que será delegado à IA.
Na troca da camiseta, por exemplo, a loja pode oferecer outro modelo. Mas e se ele for mais caro? A diferença pode ser dispensada? Quem autoriza? O cliente prefere esperar pelo tamanho desejado ou receber o dinheiro de volta? O agente precisa conhecer as alternativas permitidas e confirmar a escolha do cliente antes de agir.
Ao descrever o processo, também vale questionar etapas que perderam a utilidade. Se o número do pedido permite recuperar os dados da compra, por que pedir ao cliente que preencha tudo novamente? Automatizar esse preenchimento manteria uma tarefa que poderia ser eliminada.
As permissões devem ser definidas para cada ação. Consultar o estoque não exige a mesma autorização que reservar uma unidade. Calcular um reembolso também é diferente de liberá-lo. A aplicação pode buscar informações e preparar uma solicitação, mas depender de aprovação para executá-la. Essa restrição precisa existir no sistema que realiza a operação. Escrevê-la nas instruções do agente não basta.
Também é preciso decidir como lidar com falhas. Imagine que o agente solicite a troca e a conexão caia antes da confirmação. A operação pode ter sido registrada. Se ele repetir o pedido sem conferir, poderá abrir duas solicitações. A aplicação precisa conseguir verificar o que aconteceu antes de continuar.
Há casos em que uma pessoa terá de assumir. Um reembolso acima de determinado valor, uma exceção à política ou uma falha que a aplicação não conseguiu resolver são exemplos. Mas encaminhar o atendimento só funciona se estiver definido quem recebe o caso e o que precisa fazer.
O funcionário deve ter acesso ao histórico, às consultas realizadas e à decisão pendente. Se precisar pedir ao cliente que conte tudo de novo e repetir as verificações, o atendimento continuará dando trabalho para os dois. É preciso prever também o que acontece enquanto a aprovação não chega e como o cliente será informado.
A própria IA pode ajudar a organizar essas decisões. A equipe pode descrever a rotina ao ChatGPT, Claude, Gemini ou Grok e pedir ajuda para ordenar as etapas e identificar dúvidas. “Que informação falta para executar esta tarefa?” e “O que acontece se a coleta não for realizada?” são perguntas que ajudam a examinar o processo.
Vale pedir à ferramenta que separe o que foi informado, o que ela supôs e o que ainda precisa ser decidido. Uma descrição bem escrita pode conter uma regra que a empresa nunca adotou. Quem conhece a operação precisa revisar o resultado e verificar se ele corresponde ao trabalho real.
Com isso, a empresa pode escolher uma parte do atendimento para começar. A consulta às regras e a preparação das solicitações são possibilidades. A equipe acompanha os resultados, corrige os problemas e avalia se já pode autorizar outras ações. Etapas com regras fixas podem continuar em automações convencionais. O uso de agentes deve ter uma função clara no processo.
Para avaliar o resultado, eu olharia o tempo total da troca, os erros, os contatos adicionais do cliente e o trabalho que ficou com a equipe. No exemplo da camiseta, o caso estará resolvido quando o cliente receber o produto combinado ou o reembolso. É até esse ponto que a empresa precisa acompanhar o desempenho da aplicação.
