O que acontece na fase de descoberta de um projeto de agente de IA?

A fase de descoberta de um projeto de agente de IA é um trabalho curto e estruturado, feito antes de qualquer construção. Nela, a empresa decide uma única função para o agente, os dados e as ferramentas que essa função pode usar, quais ações exigem aprovação humana e um critério de sucesso que a equipe consiga observar. Ela termina com um escopo escrito, não com uma demonstração, e é esse escopo que impede o projeto de virar um assistente vago em que ninguém confia.

Principais pontos

• A descoberta transforma o desejo genérico de usar IA em uma função nomeada, com início, fim e responsável claros.
• As fontes de dados são escolhidas pela que prevalece quando duas se contradizem, não pela que reúne mais material.
• Os limites de aprovação separam cada ação em três grupos: o agente faz sozinho, o agente propõe e uma pessoa aprova, ou o agente nunca toca.
• Um bom critério de sucesso pode ser verificado em uma amostra de trabalho real, contra uma linha de base medida antes do lançamento.
• O resultado é um escopo escrito que pertence à empresa, claro o bastante para que outra equipe consiga construir a partir dele.

O que é a fase de descoberta de um agente de IA e por que ela vem primeiro?

A maioria dos projetos de agente que decepcionam não falhou na tecnologia. Falhou porque a primeira conversa foi sobre uma ferramenta e ninguém escreveu pelo que o agente seria responsável. A descoberta inverte a ordem. Ela começa pelo trabalho, pelas pessoas que o fazem, pelas informações em que se apoiam e pelos erros que causariam prejuízo, e só depois pergunta o que deve ser construído.

Pense nisso como a preparação de uma contratação. Antes de recrutar alguém, você define qual é o cargo, o que a pessoa pode ver, o que pode aprovar e como saberá que ela está indo bem. Um agente que mantém memória, contas e ferramentas próprias merece a mesma preparação. Se você quer a definição em linguagem simples do que está delimitando, o guia O que é um agente de IA para empresas? cobre o assunto.

A descoberta é pequena de propósito. Não é um programa de pesquisa nem uma estratégia de IA para a empresa inteira. É trabalho suficiente para tomar quatro decisões com qualidade e registrá-las, de modo que construção, testes e operação do agente se refiram ao mesmo documento.

Como funciona um workshop de descoberta, passo a passo?

O formato varia, mas um workshop útil segue uma sequência estável. A entrega remota funciona bem, desde que as pessoas certas participem das mesmas sessões e os documentos de trabalho sejam compartilhados.

• Nomeie a dor. Cada participante descreve um trabalho recorrente que é lento, inconsistente ou esquecido. Mantenha o concreto: uma tarefa, um gatilho, uma pessoa.
• Monte uma lista de funções candidatas. Agrupe as tarefas em poucas funções possíveis e descarte o que depende de um julgamento que a empresa ainda não sabe descrever.
• Escolha uma função. Fique com a candidata de entradas mais claras, saída mais clara e uma pessoa que será responsável pelo resultado.
• Percorra exemplos reais. Pegue casos recentes, inclusive os incômodos, e rastreie quais informações foram usadas em cada etapa.
• Mapeie fontes e ferramentas. Liste onde cada informação mora, quem a mantém e o que o agente precisaria ler ou escrever.
• Desenhe os limites de aprovação. Classifique cada ação como autônoma, proposta ou proibida.
• Defina o critério de sucesso. Combine o que será observado, como será amostrado e qual é a linha de base hoje.
• Escreva o escopo e revise. O documento é lido em voz alta, corrigido e aprovado pelo responsável da função antes de qualquer construção.

Quem está na sala importa mais do que quanto tempo a sessão dura. Você precisa de quem faz o trabalho hoje, de quem responde pelo resultado e de alguém que conheça os sistemas e as permissões. Deixar de fora quem faz o trabalho é o erro mais comum. É essa pessoa que sabe quais exceções acontecem toda semana e quais regras só existem na cabeça de alguém.

Resultado um: qual função o agente vai assumir de fato?

O primeiro resultado é uma função, escrita como uma descrição de cargo curta. Ela informa o objetivo, o gatilho que inicia um trabalho, como é um trabalho concluído, quem o recebe e quem responde pelo resultado. Para um modelo detalhado, veja Definir a função de um agente de IA na empresa: descrição de cargo.

As melhores primeiras funções têm alguns traços em comum. O trabalho se repete com frequência suficiente para gerar aprendizado. As entradas estão, em boa parte, registradas em algum lugar. Um erro pode ser pego antes de chegar a um cliente ou a um lançamento contábil. E uma pessoa consegue dizer se o resultado foi bom. Fazer a triagem de solicitações recebidas, preparar um briefing antes de uma reunião ou redigir um acompanhamento a partir de notas existentes se encaixam nesse padrão. O que exige negociação aberta ou julgamento sensível provavelmente ainda não se encaixa.

Resista à tentação de delimitar um assistente amplo. Uma função chamada ajuda com operações não é uma função. Uma função chamada prepara a resposta de status do pedido para o atendimento, usando o sistema de pedidos e as notas de transporte, para uma pessoa enviar, é. Se você não sabe qual tarefa escolher, Seu primeiro fluxo com IA precisa ser pequeno o bastante para provar valor oferece um jeito de reduzir as opções.

A seção de função do escopo também deve dizer o que está fora dele. Listar o que o agente não fará é tão útil quanto listar o que ele fará, porque impede que a função cresça em silêncio durante a construção.

Resultado dois: de quais fontes de dados e ferramentas a função precisa?

O segundo resultado é um mapa de fontes e ferramentas. Para cada informação em que a função se apoia, o mapa registra onde ela está, quem a mantém, quão atualizada precisa ser e se o agente apenas lê ou também pode alterar. Para cada ferramenta, registra a conta que o agente usará e as ações que ele pode executar.

A pergunta central não é quais dados existem, e sim qual fonte é a fonte da verdade. Se o CRM diz uma coisa e uma planilha diz outra, o agente precisa de uma regra sobre qual prevalece, e alguém precisa ser responsável por mantê-la correta. O texto Engenharia de contexto para agentes de negócio aprofunda esse ponto. É na descoberta que esses conflitos aparecem, o que custa muito menos do que descobri-los depois que o agente já repetiu a versão errada a um cliente.

Um mapa de fontes e ferramentas útil responde a estas perguntas para cada item:

• O que é e onde fica?
• Quem é o responsável e quem o corrige quando está errado?
• Quão atual precisa ser para esta função?
• É somente leitura ou a função precisa escrever nele?
• Contém conteúdo pessoal, financeiro ou confidencial que muda a forma de tratá-lo?
• Pode conter instruções escritas por terceiros, como e-mails recebidos ou documentos enviados?

A última pergunta é fácil de esquecer. Texto vindo de fora da empresa pode tentar direcionar um agente, então o mapa deve sinalizar quais fontes não são confiáveis. O OWASP Top 10 para aplicações com LLM é uma boa referência para decidir como tratá-las. Para um aprofundamento prático, veja Prompt injection em documentos: o que proteger.

O mapa também define o que o agente deve lembrar entre tarefas e o que deve consultar do zero a cada vez. A descoberta não precisa projetar a memória em detalhe, mas deve registrar quais fatos são estáveis, quais expiram e quem os revisa.

Resultado três: onde ficam os limites de aprovação?

O terceiro resultado é o que deixa a empresa confortável para dar acesso real a um agente. Toda ação que a função poderia executar entra em um de três grupos.

• Autônoma: ações de baixo risco e reversíveis que o agente pode fazer sozinho, como ler um registro ou preparar um rascunho.
• Proposta: ações que o agente prepara e uma pessoa nomeada aprova, como enviar uma mensagem a um cliente ou alterar um campo no CRM.
• Proibida: ações que o agente nunca deve executar, independentemente das instruções, como apagar registros, movimentar dinheiro ou alterar permissões.

O teste para cada ação é simples. Se der errado, quem percebe, em quanto tempo e quão difícil é desfazer? Ações visíveis para pessoas de fora, difíceis de reverter ou ligadas a dinheiro pertencem aos grupos de proposta ou proibição até que o agente conquiste mais confiança. Escrever em um sistema de registro é um bom exemplo: o padrão é o agente propor a alteração e uma pessoa confirmar antes de gravar. O texto Escalonamento humano em IA: entregue a decisão necessária mostra como entregar a decisão certa à pessoa certa.

Os limites também se traduzem em acesso. Se uma ação é proibida, a conta do agente não deve ter essa permissão, em vez de depender de uma instrução para se comportar. Por que o agente de IA da empresa precisa de identidade e contas próprias explica o raciocínio, e o princípio do menor privilégio, descrito no guia de autorização do OWASP, é uma referência geral sólida.

Por fim, cada aprovação precisa de um aprovador nomeado e de um substituto. Se a pessoa que aprova as respostas enviadas estiver ausente, quem assume? Um limite sem aprovador é apenas um desejo.

Resultado quatro: qual é um critério de sucesso observável?

O quarto resultado é o critério que diz se a função está funcionando. O teste é este: alguém que não esteve no workshop consegue olhar para o trabalho real e responder sim ou não? Frases como a equipe se sente mais produtiva não passam. Frases sobre o que um revisor encontrará em uma amostra de casos reais passam.

Um bom critério tem quatro partes: o que é observado, onde está a evidência, com que frequência é revisado e qual é a linha de base hoje. A linha de base importa. Sem a medição de como o trabalho é feito antes do agente, qualquer melhoria posterior é uma história, não um resultado. Para medir com honestidade, veja Business case para agente de IA: como escrever sem exagerar.

O cenário a seguir é ilustrativo, não um caso real. Uma distribuidora escolhe uma função de status de pedido para o atendimento. O agente lê o sistema de pedidos e as notas de transporte, redige uma resposta e a entrega a uma pessoa do atendimento para enviar. Na descoberta, a equipe combina este critério:

• Toda semana, um revisor seleciona uma amostra de respostas redigidas a partir do registro.
• Um rascunho é aprovado se cita o registro de pedido correto, informa o status correto e não precisa de correção factual.
• A equipe também acompanha com que frequência os rascunhos são muito editados ou descartados, e o tempo entre a solicitação e a primeira resposta, ambos comparados com a linha de base medida na descoberta.
• Se os rascunhos corretos deixarem de ser a regra, a função é pausada para revisão em vez de continuar rodando.

Repare no que isso entrega à empresa. É verificável, usa evidências que o agente já produz e inclui um gatilho de pausa. Isso depende de registrar as coisas certas, assunto de Observabilidade de agentes de IA: o que registrar?. O critério também pode originar os primeiros casos de teste, como descrito em Monte um conjunto de testes de referência para sua IA.

O que a descoberta entrega e como a Be Human a conduz?

Quando a descoberta termina, você deve ter em mãos um escopo escrito e curto, com a função escolhida e o que fica fora dela, o mapa de fontes e ferramentas com responsáveis, os limites de aprovação em três grupos com aprovadores nomeados, o critério de sucesso com sua linha de base e uma lista de riscos e premissas em aberto. Ele deve ser legível por alguém que entre no projeto depois. Também deve pertencer à empresa, não à equipe que o escreveu, o que preserva suas opções caso você troque de construtor ou de fornecedor mais adiante.

A Be Human conduz a descoberta como um primeiro engajamento com exatamente esse formato: uma função útil, a memória e as ferramentas de que ela precisa, limites de aprovação e um critério de sucesso observável. O trabalho é remoto, em português ou inglês, e o escopo escrito é a entrega. Se a empresa continuar, o mesmo documento orienta a construção e a operação gerenciada que vem depois, como monitoramento, avaliações recorrentes, revisão de permissões e melhorias controladas. Se a empresa decidir não continuar, o escopo permanece como um registro claro do que foi decidido.

A descoberta também é o momento certo para testar se o projeto está pronto. Se ninguém pode assumir o resultado, ou se a fonte da verdade é disputada e ninguém quer resolver, o resultado honesto é corrigir isso primeiro. Equipes que querem um quadro mais amplo para essas escolhas podem achar útil Camadas da infraestrutura de IA empresarial: as sete explicadas.

Perguntas frequentes

Quanto tempo dura a fase de descoberta de um projeto de agente de IA? Depende de quantas pessoas participam e de quão claro já é o trabalho, mas a ideia é que seja curta: em geral, poucas sessões focadas mais o tempo de escrever e revisar o escopo. Se ela se arrasta, a função costuma estar ampla demais e deve ser reduzida.

Precisamos de dados limpos antes de começar a descoberta? Não. A descoberta é o momento de descobrir quais dados importam e em que estado estão. Você precisa, sim, de alguém que saiba dizer onde a informação mora e que possa decidir qual fonte prevalece quando duas entram em conflito.

Quem deve ser o responsável pelo resultado da função do agente? Uma pessoa nomeada do lado do negócio, de preferência a líder da equipe cujo trabalho o agente apoia. Essa pessoa aprova o escopo, recebe os resultados das revisões e decide se amplia ou pausa a função. Os responsáveis técnicos a apoiam, mas não devem substituí-la.

A descoberta pode nos fazer mudar de ideia sobre construir um agente? Pode, e esse é um resultado válido. A descoberta pode mostrar que uma automação mais simples basta, que o processo de base precisa ser corrigido antes ou que o risco ainda não é aceitável. Descobrir isso antes da construção é a forma mais barata de aprender.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.