Um agente de IA é uma versão de inteligência artificial preparada para uma tarefa específica e repetitiva, com contexto definido e instruções claras. Diferente de um chat aberto como o ChatGPT, o agente entrega resposta consistente, no formato esperado e no menor tempo possível. Pense nele como um colega especialista que você treina uma vez e consulta todo dia.
Esse texto compila o que ficou de uma palestra de Pedro Lopes, diretor de produto da Alun Future Studio (Lumina), na Rock in Skills com 380 pessoas online. Você vai sair daqui sabendo o que é um agente, os 4 tipos que toda empresa precisa conhecer, quando criar, quando não criar, o framework de 7 blocos para escrever a instrução e 12 exemplos para começar essa semana.
O que é um agente de IA (e como ele difere de um chat aberto)
O chat aberto é uma conversa genérica. Você abre, pergunta qualquer coisa, recebe resposta razoável e segue. O agente é o oposto: sabe para que serve, tem o contexto da sua empresa carregado, segue regras definidas e devolve resposta no formato que você espera.
Pedro tem um agente que ele chama de Minha Rotina. Toda manhã ele manda boa tarde no chat e o agente devolve, em segundos, a agenda condensada do dia. Lê o Gmail pessoal, o Outlook do trabalho, junta a agenda do Google com a do Outlook, vasculha o Teams e o Slack, e organiza tudo por prioridade. O que antes tomava 20 a 30 minutos toda manhã virou um parágrafo no chat.
O ganho não está no fato do agente ser mirabolante. Está no fato de ele resolver um problema pequeno e recorrente de forma consistente. Essa é a marca do bom agente. Ele não substitui o humano. Ele cobre as 30 vezes por semana em que você ia ter que fazer a mesma coisa do mesmo jeito.
Comparado ao chat aberto, o agente tem três diferenças que importam. Primeiro, parte de um prompt validado, então a resposta vem mais previsível. Segundo, tem fontes carregadas (documentos, conectores, regras), então não precisa adivinhar. Terceiro, responde no formato esperado (parágrafo, lista, tabela, slide), então você não perde tempo formatando depois.
Por que agentes funcionam onde o chat genérico trava
A IA funciona bem com contexto. A IA funciona mal sem contexto. Quando você abre o ChatGPT e digita faça um benchmark dos meus concorrentes, a primeira resposta dele virá do que ele já tem na memória, que pode estar atualizada ou não, sobre concorrentes que ele acha que são seus. Em segundos você ganha algo que parece útil mas pode estar errado em pontos críticos.
Com um agente preparado para benchmark, a história muda. Ele já sabe que precisa buscar informação atualizada na web. Já sabe que você quer ver lançamentos do último mês, não a história da empresa. Já sabe que o output ideal é um documento estruturado, não um parágrafo. O resultado chega no formato que você precisava, com a profundidade que você precisava, e dá para editar e mandar para a próxima reunião.
A vantagem de padronização é igualmente forte. Imagine um time de cinquenta vendedores que precisa fazer proposta comercial. Antes da IA, todos partiam de um template, mas alguém esquecia de duplicar, outro alterava o original, e a qualidade variava com a senioridade. Com um agente de proposta comercial, todo vendedor parte do mesmo nível. O agente sabe a estrutura, conhece a tabela de preços, segue a política de descontos e gera proposta consistente independente de quem pediu.
O que tem dentro de um agente: modelo, memória e ferramentas
Por baixo, todo agente combina três peças, e entender elas ajuda a escolher bem mesmo que você nunca vá programar nada. O modelo de linguagem é o motor que lê o pedido e escreve a resposta. A memória guarda o contexto: a conversa do momento e, quando precisa, os documentos da sua empresa, que o agente consulta antes de responder em vez de chutar da cabeça. As ferramentas são o que ele aciona por fora: buscar na web, ler uma planilha, puxar dados do CRM.
Numa plataforma pronta você não monta nada disso na mão, mas vale saber de uma regra que economiza dinheiro: comece pelo modelo mais eficiente que resolve a tarefa, não pelo mais potente. Usar um modelo caro para uma tarefa simples é um dos erros mais comuns de quem está começando. Se quiser se aprofundar, dá para comparar as características dos modelos de linguagem e ver como um agente busca em documentos com a técnica de RAG antes de responder.
Os 4 tipos de agente que toda empresa deveria conhecer
Quando se fala de agente, está geralmente combinando três eixos diferentes. Vale separar para você decidir o que precisa.
Agente pronto vs agente customizado
Agente pronto vem com prompt já validado pela plataforma. Você não consegue editar a instrução, mas pode dar contexto extra via upload de arquivos ou prompts mais detalhados. A Lumina entrega hoje 59 agentes prontos cobrindo marketing, estratégia, produto, finanças, dados e mais. Mapeador de concorrentes, sintetizador de insights e gerador de relatório vêm prontos.
Agente customizado é o que você cria do zero, com instrução sua, fonte de conhecimento sua, regras suas. Dá mais trabalho, mas faz exatamente o que você precisa. Pedro recomenda usar os dois em paralelo. Pegue os prontos para o que já está bem mapeado pelo mercado. Crie os seus para o que é específico do time.
Agente assistente estratégico vs agente integrador
Agente assistente estratégico é aquele que te ajuda a pensar. Você joga um problema, ele responde com análise, você rebate, ele rebate de volta. A estratégia continua na sua cabeça, mas o agente acelera a clareza. Exemplos: Customer Insights, analista de dados, crítico de plano.
Agente integrador é aquele que conecta ferramentas. Puxa informação de um lado (Gmail, planilha, CRM), processa e devolve no outro lado (documento, mensagem no Slack, slide). O Minha Rotina do Pedro é um caso clássico de integrador. Integra entrada (cinco plataformas de comunicação) e saída (mensagem condensada no chat).
Agente reativo vs agente autônomo
Agente reativo precisa de input humano para agir. Você pergunta, ele responde. Você pede para mandar uma mensagem, ele manda. Mas não toma a iniciativa sozinho. Todos os agentes da Lumina hoje são reativos.
Agente autônomo é o que pensa, decide e executa sem pedir licença. Você define um gatilho (toda vez que chegar um e-mail com palavra X, faça Y) e ele roda sozinho. O hype de 2026 é em cima desses, principalmente para customer service que recebe milhares de e-mails por dia.
Pedro diz uma frase importante: um não cancela o outro. Tem decisão que você quer junto, com a IA assistente, porque sua inteligência precisa estar ali. Tem fluxo que você quer automatizado, porque o volume é alto e o erro tolerável. Empresas que começam devem ir primeiro pelo reativo. Ele potencializa pessoas. O autônomo substitui etapas inteiras e exige governança madura.
| Eixo | Lado A | Lado B | Quando escolher A | Quando escolher B |
|---|---|---|---|---|
| Origem | Pronto | Customizado | Tarefa já mapeada pelo mercado | Tarefa específica do time |
| Função | Assistente estratégico | Integrador de ferramentas | Pensar junto, decidir | Conectar entrada e saída |
| Iniciativa | Reativo | Autônomo | A maioria dos casos no início | Volume alto e padrão estável |
_Os três eixos de classificação de agentes de IA_
3 sinais de que aquela tarefa repetitiva deveria virar um agente
Pedro propõe três perguntas antes de criar qualquer agente. Se você responder sim para as três, vale criar.
Sinal 1: recorrência
A tarefa aparece com frequência? Diariamente, semanalmente, mensalmente? Se aparece uma vez ao ano, deixa para lá. Agente serve para economizar tempo no repetitivo, e o ganho só compensa se você fizer aquilo várias vezes. O Minha Rotina do Pedro roda múltiplas vezes por dia. Agente de FAQ de RH responde dezenas de vezes por mês.
Sinal 2: contexto fixo
O cenário muda pouco? Quanto mais estável o contexto, mais previsível o agente. A política de despesas da sua empresa não muda toda semana. As especificações dos seus produtos também não. Isso significa que o agente carrega esse contexto uma vez e responde por meses sem retreinamento. Se você está num ambiente onde tudo muda toda semana, agente vira retrabalho.
Sinal 3: padronização
A forma de responder, analisar ou orientar deveria ser consistente entre as pessoas do time? Esse é o sinal que mais aparece em times grandes. Cinquenta vendedores que mandam propostas, vinte pessoas de CS que respondem dúvidas técnicas, quinze recrutadores que avaliam currículos. Cada um faz de um jeito, o padrão de qualidade cai, e o resultado depende de quem está ausente naquele dia. Agente resolve.
12 exemplos práticos de agentes para criar no time hoje
Pedro elenca durante a palestra uma lista de exemplos que cobrem áreas variadas. Compilamos os 12 mais aplicáveis. A regra é começar por um, validar em duas semanas, depois acrescentar outro.
| Área | Agente | Dor que resolve |
|---|---|---|
| RH | FAQ de políticas internas | Pessoas perguntando o mesmo todo dia |
| RH | Onboarding por time | Conhecimento na cabeça de uma pessoa |
| Vendas | Proposta comercial padronizada | Cada vendedor faz de um jeito |
| Vendas | Preparador de reunião com cliente | Vendedor entra sem contexto na call |
| CS | Especificação de produtos | CS depende de Produto para responder |
| Marketing | Editor de copy da marca | Tom da marca varia entre pessoas |
| Marketing | Gerador de exercícios e materiais | Tarefa repetitiva consome o time |
| Finanças | Avaliador de despesas | Aprovação travada por dúvida de teto |
| Recrutamento | Preparador de entrevista | 2 horas para roteiro vira 20 minutos |
| Produto | Sintetizador de feedback (NPS, grupos) | Análise demora dias |
| Liderança | Crítico de plano (advogado do diabo) | Falta de quem questione |
| Liderança | Preparador de 1:1 | Encontro sem contexto prévio |
_12 agentes para começar essa semana, por área de atuação_
Como criar seu primeiro agente em 7 blocos (resumo)
Pedro propõe um framework de 7 blocos para escrever a instrução de qualquer agente. Cada bloco responde uma pergunta que a IA precisa saber para funcionar bem. Aqui vai a versão curta, suficiente para criar a primeira versão do seu agente em 30 a 60 minutos.
Bloco 1: identidade
Quem é o agente, para que foi criado, qual é o objetivo. Por exemplo: o agente se chama Sofia, é assistente do grupo Alura, especialista em políticas internas e processos do dia a dia.
Bloco 2: contexto
Quem fala com ele, em qual situação, com qual nível de conhecimento. Por exemplo: as pessoas que falam com você são colaboradores que precisam de resposta prática sobre política interna, e que não sabem em qual documento mora a informação.
Bloco 3: como ele responde
Tom, tamanho típico, formato. Por exemplo: tom acolhedor e direto, resposta completa dentro do chat sem criar documentos, com cada detalhe respondido sem precisar abrir arquivo.
Bloco 4: regras e critérios
O que sempre fazer, como lidar com dúvida ou conflito. Por exemplo: sempre responda apenas com base nos documentos da base, sempre cite a fonte, nunca invente informação. Opcional no primeiro agente.
Bloco 5: limites
O que ele não pode fazer. Por exemplo: não inventar informação, não usar busca na web, não criar documento, não acionar conectores externos.
Bloco 6: conhecimento específico
Onde mora a fonte da verdade. Upload de documento, sincronização de pasta no Google Drive ou Microsoft 365, ou regras escritas direto na instrução do agente.
Bloco 7: exemplo de boa resposta
Uma resposta-modelo para calibrar. É o bloco mais chato de escrever, mas é o que mais ajuda o agente a acertar de primeira.
Vale uma dica: você pode criar um agente validador para revisar suas próprias instruções. Pedro tem um. Você escreve, joga no validador, e ele aponta gaps antes do agente ir para o time. O cuidado é não usar o validador como ghostwriter. Escreva primeiro, valide depois.
Quando NÃO criar um agente
Nem toda tarefa merece agente. Pedro insiste nesse ponto durante a palestra. Agente bem calibrado resolve problema real. Agente mal calibrado só cria ruído. O risco real de criar agentes demais é poluir o ambiente com ferramentas que ninguém usa direito.
Casos em que vale parar e repensar: tarefas que aparecem uma ou duas vezes por mês, decisões que exigem julgamento humano caso a caso, situações onde o contexto muda toda semana e qualquer fluxo onde você ainda não sabe direito qual deveria ser o output ideal. Se você não consegue escrever o Bloco 7 (exemplo de boa resposta), provavelmente ainda não é hora de agente. É hora de mapear melhor o que você quer.
Os 3 caminhos para criar um agente
Antes de montar qualquer agente, você escolhe por onde criar. São três caminhos, com esforço e prazo bem diferentes, e a pergunta que decide não é qual tecnologia é melhor. É quanto tempo você tem para ver resultado.
Caminho 1: plataforma pronta, resultado essa semana
Plataformas entregam agentes já treinados por área de negócio, sem uma linha de código. A Lumina é um exemplo direto: 59 agentes prontos de marketing, vendas, RH, finanças e produto, com acesso a vários modelos numa assinatura só. Você descreve a tarefa e recebe o documento, a planilha ou a análise pronta. É o caminho de quem precisa de resultado hoje e não quer depender de time técnico. Existem outras opções no-code no mercado, e vale conhecer o panorama de ferramentas no-code de IA antes de decidir.
Dentro desse caminho, você combina dois tipos de agente. O pronto vem com o prompt já validado pela plataforma: você não edita a instrução, mas dá contexto por prompt ou upload de arquivo, e ele cobre bem o que o mercado já mapeou, como benchmark de concorrentes e análise de dados. O customizado é o que você cria do zero, com instrução sua e fonte sua, usando o framework de 7 blocos, para o que é específico do time, como o FAQ com o seu handbook ou a proposta com a sua tabela de preços. A recomendação do Pedro é usar os dois em paralelo. O erro mais comum é querer customizar tudo. O ganho está em combinar: pronto para o que já funciona, customizado para o que é seu.
Caminho 2: frameworks low-code, mais controle com alguma mão técnica
Quando o caso pede mais personalização do que a plataforma pronta entrega, mas você não quer construir tudo, os frameworks low-code são o meio-termo. Eles oferecem uma interface visual para montar o fluxo do agente arrastando componentes, e cortam bastante o tempo de desenvolvimento. A diferença é que você ainda define os prompts, testa as integrações e mantém o sistema funcionando ao longo do tempo. Funciona bem para um time que tem um desenvolvedor disponível e um caso de uso bem definido.
Caminho 3: código do zero, controle máximo e meses de trabalho
A construção própria, com bibliotecas de desenvolvimento, é a escolha de quem tem equipe técnica dedicada e um caso que nenhuma plataforma existente resolve. Dá controle total sobre arquitetura, memória de longo prazo e integrações profundas com sistemas internos. O preço é o prazo: projetos assim costumam levar vários meses até a primeira versão estável em produção, contando definição, desenvolvimento, testes e ajuste. Só compensa quando os requisitos são tão específicos que nada pronto chega perto.
A escolha não é permanente. Muita empresa começa pela plataforma pronta, aprende com o uso real e só então decide se vale construir algo customizado para complementar. O custo de esperar meses por um agente sob medida, quando um pronto entrega na semana que vem, costuma ser o cálculo que mais importa.
Segurança, LGPD e governança: o que checar antes de subir dados
Agente que acessa dado interno pede cuidado desde o desenho, não depois. Três pontos práticos ajudam a não criar dor de cabeça. Controle de acesso por dado, porque nem todo agente, e nem toda pessoa, deveria enxergar tudo. Log de auditoria, para registrar o que o agente consultou e respondeu e conseguir revisar quando precisar. E política de retenção clara, dizendo por quanto tempo os dados ficam e quem pode apagar.
Para empresa brasileira, a LGPD precisa estar no design do agente desde o começo. Construir sem considerar isso vira passivo jurídico de verdade, principalmente quando o agente toca dado de colaborador ou de cliente. Na prática, é a diferença entre subir o handbook de RH numa ferramenta que hospeda o dado de forma fechada e criptografada, e colar o mesmo conteúdo num chat pessoal que pode usar aquilo para treinar o modelo. Plataformas corporativas como a Lumina consomem o motor de IA via API, guardam os dados internamente, não usam seu conteúdo para treino e trazem um painel de governança para o time. Para dado sensível, esse costuma ser o critério que mais pesa na escolha.
Treinar um agente é igual treinar uma pessoa do time
Pedro tem uma analogia central na palestra que vale repetir aqui. Treinar um agente é igual treinar uma pessoa do time. Ninguém faz onboarding em um dia. Ninguém vira para uma pessoa que acabou de chegar e fala para ela começar sem contexto. Você senta, explica o que a empresa faz, mostra os processos, dá exemplos, corrige no primeiro feedback e refaz.
Com agente é a mesma coisa. Você escreve a primeira versão da instrução, testa, vê onde ele errou, ajusta e roda de novo. O ciclo se repete. Em duas a três semanas, dependendo do escopo, o agente fica estável. Pedro admite na palestra que a Sofia, o agente de RH da Alura, levou tempo para ficar boa.
A diferença com humano é que a IA não trava quando você fala mal. Se você manda um prompt vago para um colaborador novo, ele te olha sem entender. A IA generativa não, ela gera. Sai falando qualquer coisa, porque o trabalho dela é gerar a próxima palavra mais provável. Esse é o motivo pelo qual o Bloco 5 (limites) existe. Você precisa dizer explicitamente que ela nunca deve inventar informação, porque o default dela é inventar.
A boa notícia: a IA não fica chateada com revisão, escala sem custo proporcional e o que você treina hoje fica registrado para sempre na instrução do agente. É um colaborador que onboarda uma vez e serve o time inteiro.
Por onde começar essa semana
Você não precisa criar dez agentes. Comece por um. Use as 3 perguntas pré-criação (recorrência, contexto fixo, padronização) para identificar a tarefa mais dolorosa do seu time. Use o framework de 7 blocos para escrever a primeira instrução. Teste com duas pessoas em uma semana. Ajuste e expanda.
A Lumina já vem com 59 agentes prontos e o criador de agentes integrado para o que for seu. O que separa empresas que extraem valor de IA das que ficam reclamando que a IA não funciona não é o modelo, é o uso. Quem dá contexto, ganha. Quem trata como ChatGPT genérico, sofre.
A pergunta certa para terminar: qual é a tarefa repetitiva do seu dia que poderia virar um agente?