Workflows e Agentes Autônomos

Prévia do material em texto

AGENTES E DECISÕES INTELIGENTES: 
Explorando Workflows com IA
OLÁ, SOU 
RAFAEL CUNHA 👋
Sou formado em Qualidade e Processos 
Gerenciais, com pós-graduação em Inovação 
e Transformação de Negócios. 
Ao longo da carreira, canalizei minha 
inquietação e hiperatividade para o que faço 
de melhor: transformar desafios complexos 
em soluções práticas e inovadoras. 
Atualmente, lidero do time de
CX & AI Enablement na DiDI/99
● Workflows Inteligentes & Agentes 
Autônomos
Identificando problemas e oportunidades 
na sua empresa
● Panorama Técnico
Do que vivem, como aprendem e como 
evoluem?
● Use Cases 
O que funciona, o que falha e como 
evoluir com responsabilidade
● Considerações Éticas
Identificando problemas e oportunidades 
na sua empresa
AGENDA
ENCONTRO DE HOJE
Workflows Inteligentes & 
Agentes Autônomos
Identificando problemas e oportunidades na sua empresa
Workflows 
Inteligentes
TERA 2025
Combinam automação com 
inteligência artificial para adaptar, 
decidir e evoluir. Em vez de 
apenas seguir etapas fixas, eles 
entendem contextos, priorizam 
tarefas e personalizam ações. 
Aplicações
Atendimento que interpreta a intenção 
do cliente e resolve o problema antes 
mesmo de chegar a um humano.
Ex.: Chatbots com comandos em 
linguagem natural, como a Lu do 
Magalu.
Agentes Autônomos
Diferente de workflows inteligentes que 
ainda dependem de acionamentos 
externos, agentes autônomos operam com 
objetivos próprios, tomando decisões, 
executando ações e aprendendo com os 
resultados — tudo de forma contínua e 
independente. 
Aplicações
Assistente de IA que identifica um 
problema no sistema, abre um 
chamado, aplica uma correção e avisa 
a equipe — sem ser solicitado.
Ex.: Virtual Service Agent da Atlassian
Como Product Manager, você sabe por onde começar 
na construção de um agente autônomo que resolva 
um problema real?
Workflows Inteligentes & Agentes Autônomos
Workflows Inteligentes & Agentes Autônomos
Construir agentes 
autônomos eficazes 
exige um processo 
estruturado:
que vai da definição do problema 
até a melhoria contínua — assim 
como no desenvolvimento de 
qualquer produto. A diferença 
central está no alinhamento e 
preparação dos dados, que são 
essenciais para que o agente atue 
com precisão e confiabilidade.
Definição do 
Problema
Investigação 
dos Dados
Build, Test & 
Deploy
Preparação 
dos Dados
Monitoramento 
& Otimização 
Identificação de problemas e oportunidades
Panorama Técnico
Do que vivem, como aprendem e como evoluem?
Workflows Inteligentes & Agentes Autônomos
A matéria-prima da 
IA. A qualidade, 
quantidade e 
relevância dos dados 
são cruciais para 
treinar modelos 
eficazes e para que o 
workflow opere 
corretamente. Inclui 
dados históricos para 
treinamento e dados 
em tempo real para 
operação.
São algoritmos de IA 
(ex: redes neurais, 
árvores de decisão, 
LLMs) treinados com 
dados para realizar 
tarefas específicas 
(ex: classificação, 
predição, geração de 
conteúdo). A escolha 
do modelo depende 
do problema a ser 
resolvido.
É o processo de usar 
um modelo treinado 
para fazer previsões 
ou tomar decisões 
com base em novos 
dados de entrada. É 
a "execução" do 
modelo no workflow.
Mecanismo essencial 
para a melhoria 
contínua. As saídas do 
workflow e as 
interações do 
usuário são 
coletadas como 
feedback para 
re-treinar ou ajustar 
os modelos, 
permitindo que o 
sistema aprenda e se 
adapte ao longo do 
tempo.
Dados Modelos Inferência Feedback 
Loop
Panorama Técnico
Ao contrário dos sistemas baseados em regras 
fixas, que quebram diante da complexidade…
Modelos de aprendizado de máquina evoluem a 
partir dos dados oferecendo flexibilidade e 
adaptação para resolver problemas que não 
cabem em instruções pré-definidas.
Workflows Inteligentes & Agentes Autônomos
…dados, dados e mais dados!
O papel dos dados no treinamento e na performance dos modelos
Workflows Inteligentes & Agentes Autônomos
O papel dos dados no treinamento e na performance dos modelos
Qualidade sobre 
quantidade - idealmente ambos -
A performance de um modelo de IA 
começa na base: os dados. Não basta ter 
muitos — eles precisam ser relevantes, 
representativos e livres de vieses.
Workflows Inteligentes & Agentes Autônomos
O papel dos dados no treinamento e na performance dos modelos
Sem qualidade, mesmo o 
melhor modelo
aprende errado.
Workflows Inteligentes & Agentes Autônomos
…e como os modelos 
aprendem?
Workflows Inteligentes & Agentes Autônomos
Aprendizado 
Supervisionado
Onde modelo aprende a partir de 
dados rotulados, onde cada 
exemplo de entrada possui uma 
saída correta correspondente. 
O objetivo é aprender uma função 
que mapeie entradas para saídas. 
(Ex: classificação de e-mails como spam/não 
spam, previsão de preços de imóveis).
Existem diferentes formas de ensinar uma IA a aprender — supervisionando, 
deixando-a explorar padrões por conta própria ou permitindo que aprenda 
com erros e acertos. Cada abordagem tem aplicações, vantagens e desafios 
únicos.
Aprendizado 
por Reforço
O agente aprende tomando ações 
em um ambiente para maximizar 
uma recompensa cumulativa. 
Ele aprende por tentativa e erro, 
recebendo feedback (recompensas 
ou punições) por suas ações. 
(Ex: treinamento de robôs para navegar, jogos, 
otimização de sistemas).
Aprendizado 
Não-supervisionado
O modelo aprende a partir 
de dados não rotulados. 
Busca encontrar padrões, 
estruturas ou relações 
intrínsecas nos dados. 
(Ex: clusterização de clientes em 
segmentos, detecção de 
anomalias).
Mesmo com aprendizado supervisionado, 
não supervisionado ou por reforço, 
agentes de IA ainda podem alucinar — 
porque aprender padrões não garante 
compreensão. 
Workflows Inteligentes & Agentes Autônomos
A qualidade dos dados, 
o design do sistema e os 
limites do modelo são 
determinantes para 
evitar respostas 
incorretas ou 
inventadas.
TERA 2025
Impacto dos Dados:
IA Preditiva/Analítica
Focada em analisar dados históricos para identificar padrões, fazer 
previsões sobre eventos futuros ou classificar dados em categorias 
conhecidas. Responde a perguntas como "o que vai acontecer?" ou 
"a que categoria isso pertence? estilo gráfico?
Workflows Inteligentes & Agentes Autônomos
TERA 2025
Impacto dos Dados:
IA Generativa
Focada na criação de conteúdo novo e original, como texto, 
imagens, áudio, código, ou dados sintéticos, que se assemelham aos 
dados com os quais foi treinada. 
Responde a comandos como "crie um..." ou "gere um...".
Workflows Inteligentes & Agentes Autônomos
Workflows Inteligentes & Agentes Autônomos
Como essas diferentes IAs podem compor um 
workflow inteligente
Modelos preditivos e generativos não são 
concorrentes — são complementares. 
Juntos, permitem workflows mais 
inteligentes: enquanto a IA preditiva 
entende, antecipa e direciona, a IA 
generativa cria, responde e executa.
Use Cases, Desafios & 
Ética na aplicação de IA
O Que Funciona, O Que Falha e Como Evoluir com Responsabilidade
Use Cases e Desafios
Agora que vocês mapearam 
workflows com IA preditiva e 
generativa, vamos ver como isso 
funciona na prática.
A demo a seguir mostra um agente que 
entende linguagem natural, imagens e 
até vídeo em tempo real. 
Ele é capaz de interpretar o contexto, 
adaptar-se às necessidades do usuário e 
executar ações de forma autônoma.
https://docs.google.com/file/d/1AbuUriTf0xdOJYj3O8bC8lIEASe-Gw_Q/preview
Use Cases e Desafios
Varejo
Sucesso
● Recomendação personalizada: 
análise de comportamento, compras 
anteriores e preferências para 
sugerir produtos relevantes e 
aumentar conversão.
● Gestão de estoque inteligente:
preveem demanda com base em 
histórico, sazonalidade e dados 
externos, ajudando a reduzir 
rupturas e excessos.
● Precificação dinâmica: ajuste de 
preços automaticamente conforme 
demanda, concorrência e metas de 
margem, maximizando receita.
● Automação de atendimento:
resposta de dúvidas frequentes, 
tracking de pedidos, trocas.Desafios
● Dados de qualidade: Dados 
desorganizados, incompletos ou 
isolados entre canais dificultam a 
personalização e previsões precisas.
● Integração com sistemas legados 
(ERP, ECOMM, CRM):
Muitas redes enfrentam dificuldades 
técnicas para conectar a IA a 
sistemas antigos ou mal integrados.
● Privacidade do consumidor: Coleta 
e uso de dados exigem cuidado com 
LGPD e comunicação clara com o 
cliente.
● Experiência do cliente mal 
calibrada: IA mal implementada 
pode gerar ofertas irrelevantes, 
automação excessiva ou frustração 
no atendimento.
https://aws.amazon.com/pt/solutions/case-studies/ceabrasil/
https://aws.amazon.com/pt/solutions/case-studies/ceabrasil/
https://exame.com/inteligencia-artificial/no-brasil-47-dos-varejistas-ja-utilizam-ia-focando-em-marketing-e-vendas/
https://exame.com/inteligencia-artificial/no-brasil-47-dos-varejistas-ja-utilizam-ia-focando-em-marketing-e-vendas/
https://valor.globo.com/patrocinado/dino/noticia/2025/04/22/ia-desafia-modelos-tradicionais-no-e-commerce-de-presentes.ghtml?utm_source=chatgpt.com
https://valor.globo.com/patrocinado/dino/noticia/2025/04/22/ia-desafia-modelos-tradicionais-no-e-commerce-de-presentes.ghtml?utm_source=chatgpt.com
Use Cases e Desafios
Saúde
Desafios
● Privacidade: Exige cuidado com 
dados sensíveis e conformidade com 
LGPD/HIPAA.
● Vieses: Modelos podem falhar com 
certos grupos por falta de dados 
representativos.
● Integração: Dificuldade em 
conectar IA a sistemas hospitalares 
antigos.
● Caixa-preta: Falta de transparência 
nas decisões reduz a confiança 
médica.
● Limite ético: IA apoia, mas não 
substitui o julgamento clínico.
Sucesso
● Imagens médicas: IA analisa raio-x, 
ressonâncias e tomografias com alta 
precisão.
● Detecção precoce: Algoritmos 
identificam sinais de sepsis, câncer e 
AVC antes dos sintomas graves.
● Chatbots de triagem: Auxiliam 
pacientes na identificação de 
sintomas e direcionamento inicial.
● Descoberta de medicamentos: 
Aceleram a análise de compostos e 
reduzem tempo de pesquisa.
● Monitoramento remoto: Wearables 
acompanham sinais vitais em tempo 
real.
https://www.cnnbrasil.com.br/saude/ia-detecta-anormalidades-cerebrais-invisiveis-em-pessoas-com-epilepsia/
https://www.cnnbrasil.com.br/saude/ia-detecta-anormalidades-cerebrais-invisiveis-em-pessoas-com-epilepsia/
https://elpais.com/sociedad/2024-09-01/la-ia-ya-salva-vidas-en-un-hospital-de-mallorca-con-un-algoritmo-que-pronto-se-extendera-a-otros.html?utm_source=chatgpt.com
https://elpais.com/sociedad/2024-09-01/la-ia-ya-salva-vidas-en-un-hospital-de-mallorca-con-un-algoritmo-que-pronto-se-extendera-a-otros.html?utm_source=chatgpt.com
https://g1.globo.com/saude/noticia/2023/08/02/inteligencia-artificial-eleva-em-20percent-deteccao-de-cancer-de-mama-e-reduz-trabalho-de-radiologistas.ghtml
https://g1.globo.com/saude/noticia/2023/08/02/inteligencia-artificial-eleva-em-20percent-deteccao-de-cancer-de-mama-e-reduz-trabalho-de-radiologistas.ghtml
Use Cases e Desafios
Mercado Financeiro
Sucesso
● Detecção de fraudes em tempo 
real: análise de padrões de 
transações para identificar 
comportamentos suspeitos.
● Chatbots e assistentes virtuais: 
atendimento ao cliente 24/7, 
multicanal.
● Análise de risco de crédito: 
modelos que avaliam 
comportamento e histórico de 
pagamento.
● Robo-advisors: gestão 
automatizada de investimentos, com 
personalização baseada em perfil e 
metas.
Desafios
● Previsão de mercado financeiro: 
alta volatilidade e fatores externos 
tornam modelos pouco confiáveis 
em cenários instáveis.
● Explicabilidade em decisões de 
crédito complexas: difícil justificar 
decisões automatizadas em 
contextos regulatórios.
● Dependência excessiva de dados 
históricos: não capturam eventos 
raros e inesperados ("cisnes 
negros").
● Risco de viés algorítmico: pode 
reproduzir desigualdades históricas 
em crédito e acesso a serviços.
https://www.poder360.com.br/poder-economia/itau-lancara-inteligencia-artificial-para-investimentos/?utm_source=chatgpt.com
https://www.poder360.com.br/poder-economia/itau-lancara-inteligencia-artificial-para-investimentos/?utm_source=chatgpt.com
https://www.financedirectoreurope.com/news/ant-group-launches-new-ai-financial-manager-maxiaocai/
https://www.financedirectoreurope.com/news/ant-group-launches-new-ai-financial-manager-maxiaocai/
https://www.productgurus.com.br/p/nubank-openai-transformando-o-atendimento?utm_source=chatgpt.com
https://www.productgurus.com.br/p/nubank-openai-transformando-o-atendimento?utm_source=chatgpt.com
Use Cases e Desafios
Educação
Sucesso
● Personalização do aprendizado: 
Plataformas adaptativas ajustam 
conteúdo e ritmo conforme o 
desempenho do aluno.
● Tutores virtuais: Chatbots e 
assistentes com GenAI oferecem 
suporte individualizado, tirando 
dúvidas e explicando conceitos.
● Análise preditiva de desempenho: 
Identifica alunos em risco e antecipa 
evasão escolar com base em 
comportamento e engajamento.
● Geração de conteúdo: Criação 
automática de quizzes, resumos e 
planos de aula com base no 
currículo.
Desafios
● Falta de contexto pedagógico: 
Falta de nuances didáticos ou 
sociais.
● Viés nos dados e conteúdo: Riscos 
de reforçar estereótipos e 
desigualdades, especialmente em 
contextos culturais diversos.
● Dependência excessiva: 
Desestimular o pensamento crítico e 
a autonomia.
● Desigualdade de acesso: Nem 
todos os alunos têm acesso para 
usufruir da IA.
https://www.cnnbrasil.com.br/educacao/ensino-personalizado-e-correcao-de-tarefas-como-professores-podem-usar-ia/
https://www.cnnbrasil.com.br/educacao/ensino-personalizado-e-correcao-de-tarefas-como-professores-podem-usar-ia/
https://oglobo.globo.com/rio/bairros/noticia/2024/09/28/inteligencia-artificial-revoluciona-a-forma-de-aprender-colegios-adotam-ferramenta-para-personalizar-estudos.ghtml
https://oglobo.globo.com/rio/bairros/noticia/2024/09/28/inteligencia-artificial-revoluciona-a-forma-de-aprender-colegios-adotam-ferramenta-para-personalizar-estudos.ghtml
https://br.investing.com/news/economic-indicators/escola-do-texas-v-notas-de-alunos-dispararem-com-novo-tutor-de-ia-93CH-1498970?utm_source=chatgpt.com
https://br.investing.com/news/economic-indicators/escola-do-texas-v-notas-de-alunos-dispararem-com-novo-tutor-de-ia-93CH-1498970?utm_source=chatgpt.com
Use Cases e Desafios
Há padrões recorrentes de sucesso e 
desafios que se repetem, 
independentemente do setor de 
aplicação.
Use Cases e Desafios
Sucesso
● Clareza no problema a ser resolvido: os 
projetos mais eficazes começam com um 
desafio concreto (escopo limitado), e relevante 
para o negócio, e não com a tecnologia como 
ponto de partida.
● Alinhamento com objetivos do negócio: o 
workflow precisa entregar valor claro — seja em 
redução de custos, eficiência operacional, 
melhoria da experiência ou geração de receita.
● Integração com sistemas e processos 
existentes: agentes bem implementados se 
conectam com as ferramentas e fluxos já 
utilizados na operação, evitando fricções 
técnicas e de adoção.
● Capacidade de escalar: a solução pode ser 
replicada para outros fluxos (ampliação do 
escopo), produtos ou áreas com baixo esforço 
adicional e sem reescrita completa do sistema.
● Feedback loop e monitoramento contínuo: o 
desempenho do agente é acompanhado 
ativamente, com ajustes baseados em métricas 
reais e feedback dos usuários.
● Governança e responsabilidade: há clareza 
sobre quem valida, supervisiona e responde por 
decisões automatizadas, o que reduz riscos 
legais e reputacionais.
● Engajamento das equipes envolvidas: times 
de produto, TI, atendimento, jurídico e dados 
participam desde o início e recebem suporte 
para operar e iterar sobre a solução.
Desafios
● Inconsistências de Dados: Diferentes fontes 
podem ter formatos, estruturas e qualidades 
variadas, exigindo pré-processamento e 
normatizações complexas.
● Sincronização e Latência: Garantir que os 
dados estejam atualizados e que a 
comunicação entre modelos e fontes de dados 
seja rápida o suficiente parainterações em 
tempo real.
● Complexidade da Orquestração: Gerenciar o 
fluxo de dados e as dependências entre 
múltiplos modelos (ex: um modelo NLU, um 
modelo de recomendação, um modelo de 
decisão) pode ser complexo.
● Consistência e Conflitos: Diferentes modelos 
podem fornecer informações ou previsões 
conflitantes, exigindo mecanismos de 
resolução ou fusão de informações.
● Manutenção e Versionamento: Atualizar um 
modelo pode impactar outros. É necessário um 
bom gerenciamento de versões e testes de 
regressão.
● Segurança e Acesso: Controlar o acesso a 
diferentes fontes de dados e garantir a 
segurança na comunicação entre os 
componentes.
● Viés Algorítmico: Se esses dados forem 
enviesados — por exemplo, refletirem 
discriminação de gênero, raça, classe ou região 
— a IA tende a replicar esses padrões em suas 
decisões.
Considerações Éticas
Identificando problemas e oportunidades na sua empresa
Ética na IA
À medida que agentes autônomos e workflows 
inteligentes ganham espaço, cresce também a 
responsabilidade sobre como essas tecnologias 
são construídas e aplicadas. 
Ética na IA
Este projeto, conduzido por Richard Hua no Center on 
the Legal Profession da Harvard Law School, 
examina empiricamente o viés racial em 
decisões legais assistidas por 
inteligência artificial. A pesquisa analisa 
variações em casos de sentenças para avaliar 
diretamente o potencial de viés racial na tomada de 
decisões por IA. 
Os resultados destacam 
preocupações sobre a 
imparcialidade dessas 
tecnologias no sistema judicial.
Ética na IA
Viés algorítmico pode gerar decisões injustas ao reproduzir padrões discriminatórios 
dos dados. Sem explicabilidade, torna-se difícil confiar, corrigir ou justificar as 
decisões da IA. E, diante do uso massivo de dados pessoais, garantir privacidade e 
conformidade legal deixa de ser opcional — passa a ser condição básica para a 
confiança e o uso ético da inteligência artificial.
Ética na IA
o que pode ser feito?
Ética na IA
Viés
● Diversificar os dados de 
treinamento: Use bases de dados 
representativas, que incluam 
diferentes perfis demográficos 
(gênero, etnia, região, classe social 
etc.).
● Auditar e testar os modelos 
constantemente: Realize testes de 
impacto algorítmico, comparando 
resultados entre diferentes grupos.
● Aplicar fairness-aware machine 
learning: Use técnicas e métricas 
de equidade (como disparate 
impact, equal opportunity) na fase 
de modelagem.
● Anotar e documentar vieses 
conhecidos: Faça a rastreabilidade 
dos dados, destacando limitações e 
origens possíveis de viés.
● Incluir pessoas diversas no 
processo de design: Equipes 
multidisciplinares e diversas ajudam 
a identificar preconceitos ocultos.
Explicabilidade (XAI)
● Escolher modelos mais 
interpretáveis quando possível: 
Modelos como árvores de decisão, 
regressões ou regras lógicas são 
mais fáceis de explicar que redes 
neurais profundas.
● Usar ferramentas de explicação 
local/global: Ferramentas como 
SHAP, LIME e Feature Importance 
ajudam a explicar como o modelo 
tomou uma decisão.
● Traduzir decisões técnicas para 
linguagem acessível: Desenvolver 
camadas de explicação voltadas 
para usuários finais, reguladores e 
tomadores de decisão.
● Registrar racional de decisões 
algorítmicas: Manter logs e 
justificativas que possam ser 
auditados — especialmente em 
setores sensíveis como finanças, 
saúde e justiça.
Privacidade
● Sanitização de Dados: Remover ou 
mascarar identificadores diretos 
como CPF, nome e endereço, 
reduzindo o risco de reidentificação.
● Políticas de minimização de 
dados: Coletar apenas o que é 
estritamente necessário para o 
funcionamento do sistema.
● Criptografar dados sensíveis: 
Garantir que apenas quem precisa 
veja os dados, com políticas de 
acesso e segurança robustas.
● Conformidade com leis como 
LGPD e GDPR: Ter bases legais para 
uso de dados, consentimento 
informado e canais de 
transparência para os usuários.
●
Differential privacy: Adicionar 
ruído controlado aos dados para 
proteger a identidade individual sem 
comprometer a análise agregada.
TAKEAWAYS
TAKEAWAY #1 
Workflows inteligentes evoluem 
processos, agentes autônomos 
agem sozinhos.
TAKEAWAY #2 
A IA aprende com dados e se 
adapta, diferente da automação 
tradicional. 
TAKEAWAY #3 
Dados de qualidade e ética são a 
chave para agentes confiáveis.