Agentes de IA já aprovam empréstimos, desviam cargas e processam faturas em empresas ao redor do mundo, mas poucas organizações têm clareza sobre quando a máquina pode agir sozinha. A resposta não passa por uma única política corporativa: são cinco perguntas distintas, repetidas para cada tarefa que um sistema de IA toca.
Rajesh Gharpure, Chief Delivery Officer da Persistent Systems, detalhou esse modelo em artigo para o Forbes Technology Council. O dado central vem do relatório State of AI in the Enterprise 2026, da Deloitte: 74% das organizações esperam usar IA agêntica em até dois anos, mas apenas 21% têm hoje um modelo de governança maduro para agentes autônomos, com limites definidos entre decisões próprias e aprovação humana.
As cinco perguntas que decidem a autonomia do agente
Cada pergunta adiciona uma camada de análise e nenhuma delas funciona isoladamente. A primeira é a criticalidade: quanto um erro afeta regulação, finanças, segurança ou percepção do cliente. A segunda é a previsibilidade: a tarefa é repetitiva e baseada em regras, ou exige julgamento com ambiguidade real. A terceira é a governança e responsabilização: cada ação pode ser explicada e desfeita se estiver errada.
A quarta é a maturidade do negócio: a organização rodou automação tempo suficiente para governar algo que age por conta própria. A quinta, que líderes mais ignoram, é a qualidade dos dados: dados incompletos ou fragmentados forçam mais supervisão humana, não importa o quão bom seja o modelo.
Como isso funciona na prática? Passe uma tarefa por essas cinco perguntas e ela se encaixa em uma de três faixas. Quando o risco é baixo e a previsibilidade é alta, a IA executa sozinha. Quando o risco é médio e a previsibilidade é moderada, ela recomenda e age, com um profissional revisando exceções em vez de todos os casos. Quando o risco é alto e a previsibilidade é baixa, a IA recomenda e o humano decide.
# publicidade
Autonomia supervisionada é o modelo que distribui tarefas em três faixas: execução autônoma, recomendação com ação e recomendação com decisão humana final, conforme risco e previsibilidade.
O desafio não é o modelo, mas a disciplina de aplicá-lo a cada tarefa, em vez de manter um humano no circuito por hábito. O relatório de 2026 da McKinsey aponta que quase dois terços dos respondentes citam segurança e riscos como a principal barreira para escalar IA agêntica, muito à frente de incerteza regulatória ou limitações técnicas.
Dica: comece mapeando as dez tarefas mais frequentes do seu processo e classifique cada uma nas três faixas. A maioria das equipes descobre que menos de um terço das tarefas exige aprovação humana integral.
Governança embutida no design, não adicionada depois
A maioria dos programas se sabota antes de começar ao tentar adicionar governança depois que o sistema já está no ar, como um remendo quando algo dá errado. Governança precisa entrar no design desde o primeiro dia, antes de o sistema entrar em produção. Para processos que tocam dados financeiros ou confidenciais, isso significa o mais alto nível de interface humana desde o início. Para suporte ao cliente, um nível moderado de supervisão é suficiente.
Gharpure relata o caso de uma empresa de biotecnologia que automatizou dezenas de processos nas operações centrais. Dos mais de 50 casos de uso identificados na qualificação de processos, a equipe priorizou apenas aqueles que podiam ser automatizados com alta precisão, porque os processos eram sensíveis e o custo de uma decisão incorreta de IA era alto.
Nos mais sensíveis, onde a tolerância a erros era a menor, humanos foram embutidos por design nos principais pontos de decisão. Esses pontos de verificação foram posicionados exatamente onde um erro importaria, não distribuídos uniformemente por cada etapa. O resultado: throughput subiu 30% com alta contenção de erros, porque a supervisão foi projetada, não adicionada.
Por que a supervisão seletiva funciona melhor que a distribuição uniforme? Porque concentra atenção humana justamente nos pontos de falha mais caros, em vez de diluir a revisão em etapas de baixo risco. Esse princípio vale para processos financeiros, logísticos e de atendimento no contexto brasileiro, onde reguladores exigem trilhas de auditoria claras.
Prontidão real em três áreas críticas
Antes de aumentar a autonomia, a organização precisa ser honesta sobre prontidão em três frentes. No lado técnico: os dados são confiáveis e governados? Segurança, observabilidade e auditabilidade estão realmente no lugar, ou são assumidas? No lado operacional: existem caminhos de escalonamento claros e um humano consegue reverter rapidamente uma ação inesperada? No lado organizacional: há propriedade clara das decisões guiadas por IA e a força de trabalho tem competência para supervisionar esses sistemas, em vez de apenas aprovar resultados?
O caso de uma indústria de manufatura ilustra prontidão genuína. A cadeia de suprimentos era diversa e resiliente, mas a tomada de decisão era complexa e inteiramente humana, o verdadeiro gargalo. Com tempo de fulfillment como KPI principal, a equipe combinou RPA, ferramentas low-code e IA agêntica para acelerar logística de entrada e saída, dando à IA autonomia real sobre decisões de roteamento.
A única proteção era simples: qualquer transação acima de um valor definido exigia aprovação humana. Um único limite claro fez mais trabalho do que uma cadeia de aprovação elaborada. Para empresas brasileiras, a lição é direta: comece com um limiar monetário, não com um comitê.
Atenção: não confunda prontidão técnica com prontidão organizacional. Um agente tecnicamente impecável supervisionado por uma equipe sem habilidade de auditoria gera risco operacional silencioso.
Donos de processo viram custodiantes da autonomia
Com a expansão dos agentes, o papel do dono da unidade de negócio muda de forma. O trabalho agora inclui definir quais decisões a IA possui integralmente, quais compartilha com um profissional e quais ficam sob radar humano total. Também significa gerenciar uma força de trabalho mista, de pessoas e agentes.
Cada decisão de IA precisa permanecer explicável e auditável. A própria autonomia precisa ser monitorada, para expandir ou contrair com base em evidências. Os donos de processo estão se tornando os custodiantes da autonomia empresarial, uma responsabilidade que chega mais rápido do que a maioria das equipes esperava.
Três fatores importam mais que os demais: estabelecer direitos de decisão claros antes de delegar qualquer coisa, construir governança e responsabilização dentro do sistema em vez de ao redor dele, e escalar por colaboração entre pessoas e agentes, não tratar autonomia como uma corrida para remover humanos do circuito.
As empresas que acertam isso pararam de perguntar “a IA pode tomar essa decisão?”. Começaram a perguntar, tarefa por tarefa, “sob quais condições ela deveria?”. Essa é a pergunta que separa a IA que escala da IA que trava.
Info: o modelo de três faixas é diretamente aplicável a governança de agentes autônomos e complementa frameworks de segurança para sistemas autônomos em produção.
Na avaliação do Mercado de TI, o modelo de cinco perguntas resolve um problema comum nas empresas brasileiras: a paralisia por excesso de supervisão. Muitas organizações mantêm humanos em todas as etapas por falta de critério, o que anula a eficiência da automação. O artigo oferece um caminho prático para distribuir autonomia com base em risco real, não em medo institucional.
Pontos de atenção para o mercado brasileiro
O contexto regulatório brasileiro adiciona uma camada relevante. A LGPD exige explicabilidade em decisões automatizadas que afetam pessoas, o que reforça a importância da terceira pergunta do modelo: governança e responsabilização. Empresas que operam com dados pessoais de clientes devem mapear quais tarefas tocam dados regulados antes de liberar autonomia.
Outro ponto é a qualidade dos dados. Empresas brasileiras frequentemente enfrentam dados fragmentados entre sistemas legados, ERPs e planilhas. A quinta pergunta do modelo ganha peso nessas condições: dados ruins forçam mais supervisão humana, independentemente da sofisticação do modelo.
Para aprofundar o tema, vale revisar como a governança de IA evolui para agentes autônomos e como agentes de IA sem guardrails adequados geram custos inesperados em nuvem.
O movimento em direção à IA agêntica não é mais uma projeção: 74% das organizações planejam adotá-la em dois anos. A diferença entre as que escalam e as que travam não está na tecnologia, mas na disciplina de governança aplicada tarefa por tarefa.
Fonte: Forbes Technology Council
