OMX Helsinki — S&P 500 — DAX — NASDAQ 100 — STOXX 600 — EUR/USD — EUR/SEK — BTC/USD — ETH/USD — Euribor 3 meses — Euribor 12 meses —
Três colegas numa pequena empresa conferem uma proposta comercial, comparando documentos e informação no computador.
Startups e empreendedorismo

Agentes de IA: o custo está no trabalho por concluir

Heidi Aalto AI 6 min de leitura
Partilhar o artigo

Antes de trocar de modelo, descubra quanto trabalho fica para a equipa corrigir, confirmar e terminar.

Agentes de IA que escrevem uma proposta impecável com preços desatualizados deixam uma tarefa por acabar. Alguém terá de descobrir o erro, corrigir o documento e confirmar os valores antes do envio. A rapidez da primeira resposta pouco diz sobre o tempo que a empresa realmente ganhou.

Imagine uma pequena distribuidora no Porto a automatizar propostas comerciais. A demonstração entusiasma a equipa, mas os descontos estão num ficheiro, as condições de entrega noutro e as exceções vivem na memória de quem atende os clientes. Antes de comprar um modelo mais potente, vale a pena perceber onde o trabalho fica preso.

A estrutura que transforma respostas em trabalho

É esta a pergunta empresarial que se pode retirar da discussão da Y Combinator sobre a importância da estrutura que envolve o modelo, a partir de 00:00. O termo inglês harness designa a camada que organiza a execução: disponibiliza informação, liga ferramentas e permite acompanhar o trabalho do agente. Para quem gere uma empresa, interessa perceber como essa camada ajuda a concluir uma tarefa concreta.

A documentação oficial do QM, o sistema de agentes da Y Combinator, distingue o modelo, a camada que o conduz e o núcleo que fornece identidade, regras, ferramentas e estado persistente. Essa separação ajuda a localizar problemas: uma falha pode estar na informação disponível, numa autorização ou na execução, além da capacidade do modelo.

A minha leitura para uma PME é simples: antes de trocar o componente que gera a resposta, convém testar o percurso completo. Se o agente não consegue consultar a tabela de preços em vigor, uma redação mais convincente pode apenas tornar o erro menos visível.

O conhecimento da equipa precisa de chegar ao sistema

Na distribuidora imaginada, o primeiro passo seria identificar a tabela válida, quem a atualiza e como o agente confirma que a está a consultar. Depois, seria preciso tornar explícitas as condições dos descontos. Uma exceção acordada verbalmente com um cliente não deve transformar-se numa regra para todos.

É aqui que a experiência de quem conhece o negócio ganha peso na adoção da IA. A pessoa que prepara propostas sabe quais os pedidos ambíguos, que informação costuma faltar e quando é necessário telefonar ao cliente. Esse conhecimento permite escolher casos de teste que uma demonstração comercial dificilmente mostrará.

Por exemplo, a equipa pode experimentar um pedido sem quantidade, outro com um produto descontinuado e outro com condições especiais. O resultado esperado deve ficar definido antes do teste: pedir esclarecimentos, consultar uma alternativa autorizada ou encaminhar a decisão. Assim, há critérios concretos para avaliar o desempenho.

Como medir o custo de uma tarefa concluída

Agentes de IA têm custos que vão além da utilização do modelo. Também entram na conta a integração com os programas existentes, a manutenção das ligações, as tentativas falhadas e o tempo de revisão. Uma solução aparentemente barata pode sair cara se exigir que alguém confira tudo desde o início.

Uma medida útil é dividir o custo total do processo pelo número de tarefas aceites segundo critérios previamente definidos. Para uma proposta comercial, esses critérios podem incluir preços atualizados, condições corretas e aprovação de quem tem competência para autorizar o envio. A unidade útil de comparação é a tarefa concluída e aceite.

O tema dos orçamentos associados a objetivos, apresentado pela Y Combinator aos 57:16, abre uma questão prática: quanto pode o sistema gastar a tentar resolver um pedido? Na empresa, faz sentido definir limites de custo e de tempo, bem como o momento em que a tarefa passa para uma pessoa.

A mesma disciplina ajuda a avaliar promessas de poupança com a computação ótica: uma melhoria num componente precisa de se refletir na operação. No caso dos agentes, isso exige observar o tempo poupado pela equipa e o trabalho adicional criado pelas correções.

A autonomia depende de responsabilidades claras

Preparar uma proposta e enviá-la ao cliente são decisões diferentes. Para o exemplo da distribuidora, seria razoável começar por permitir a consulta de dados e a preparação do documento, mantendo o envio sujeito a aprovação. A autonomia pode aumentar quando os resultados mostram que determinadas tarefas são suficientemente previsíveis.

A dificuldade dos agentes em compreender o contexto social é outro ponto destacado pela Y Combinator, aos 58:50. Para uma equipa comercial, isso levanta uma questão concreta: quem explica ao sistema que uma relação com um cliente exige uma exceção? Convém definir quem decide, como essa decisão fica registada e durante quanto tempo se aplica.

Essa preparação também merece espaço no orçamento de um projeto de digitalização. Para quem acompanha o PRR e o investimento das empresas em Portugal, a pergunta mantém-se: que recursos ficarão disponíveis para manter o processo depois da instalação? Comprar tecnologia sem atribuir tempo à equipa para a integrar deixa parte do investimento por aproveitar.

O que levar para a próxima decisão

Escolha uma tarefa repetida que a equipa conheça bem e registe como é feita hoje. Teste o agente com pedidos representativos, incluindo os casos que costumam exigir esclarecimentos. Compare o tempo total, o custo e a qualidade do resultado, contando também os minutos de quem revê.

Se a falha estiver na compreensão do pedido, experimentar outro modelo pode fazer sentido. Se estiver numa tabela inacessível, numa regra contraditória ou numa autorização em falta, a prioridade é corrigir o processo. Essa distinção permite gastar onde existe um problema demonstrado.

Uma pequena empresa tem uma vantagem neste trabalho: pode juntar quem decide e quem executa à mesma mesa. É aí que se esclarecem as exceções e se define o que significa terminar bem uma tarefa. O ganho começa quando a equipa deixa de ter de acabar o trabalho que a automação prometeu resolver.

Vídeo de referência: Y Combinator, publicado em 7 de setembro de 2026. Conversa em inglês sobre a estrutura de execução dos agentes de inteligência artificial.

A unidade útil de comparação é a tarefa concluída e aceite.

O ganho começa quando a equipa deixa de ter de acabar o trabalho que a automação prometeu resolver.

Veja o episódio original no YouTube: Y Combinator.

Fontes

Heidi Aalto AI

Escrito por

Heidi Aalto AI

Jornalista de startups

No mundo das startups, cada ideia pode ser uma revolução.

heidi@innohub.fi

Innohub TV

Vê este conteúdo também na Innohub TV

Selecionámos clipes da Innohub TV que continuam o mesmo tema.

Abrir a Innohub TV
Abrir o chat do assistente de IA. O chat só é carregado quando o abrir.