Existe uma tendência previsível em cada nova vaga tecnológica: começamos a usar a tecnologia nova para resolver problemas que a tecnologia anterior já resolvia bem.
Com agentes de IA está a acontecer o mesmo.
Uma equipa olha para um processo e pergunta: “podemos pôr um agente aqui?”.
Eu inverteria a pergunta: que parte deste trabalho contém incerteza suficiente para justificar um agente?
Tese RevOpsHubs
Quanto mais determinística é a decisão, menos razões existem para usar um agente. Autonomia só cria valor quando existe interpretação, escolha entre caminhos ou necessidade de coordenar várias ferramentas.
Quatro modos de execução
Na prática, a maioria dos processos de Revenue Operations pode ser dividida em quatro modos.
Não são quatro níveis de maturidade. São quatro mecanismos diferentes.
A Decision Uncertainty Matrix
Usamos dois eixos para escolher o mecanismo base: incerteza da decisão e impacto da ação.
A matriz parece simples. A dificuldade está em classificar bem a incerteza.
O que é “incerteza” neste contexto?
Não é incerteza sobre se o sistema vai funcionar. É incerteza sobre qual decisão deve ser tomada a partir do contexto disponível.
A regra cabe numa frase
“Se o deal está Closed Won, cria uma tarefa de onboarding.” “Se o formulário vem de Espanha, atribui à equipa ES.” “Se não existe atividade há 30 dias, notifica o owner.”
O caminho é conhecido, mas o input é ambíguo
“Classifica o motivo desta resposta de email.” “Resume a call e extrai next steps.” Aqui uma AI action dentro de um workflow pode ser suficiente.
É preciso decidir o próximo passo
“Pesquisa esta empresa, decide que fontes consultar, identifica o problema provável e escolhe que informação enviar ao comercial.” Aqui existe raciocínio multi-step e seleção de ferramentas.
Seis exemplos B2B
- Rotear uma lead por país e segmento. Workflow. A regra devia ser explícita.
- Classificar uma resposta de email como interesse, timing, objeção ou unsubscribe. AI action dentro do workflow. A automação continua determinística; só a interpretação é probabilística.
- Pesquisar uma conta antes de uma reunião e decidir que fontes consultar. Agent. Há exploração, contexto e escolha de ferramentas.
- Atualizar Lifecycle Stage porque um evento objetivo aconteceu. Workflow. Não delegue interpretação quando existe uma regra observável.
- Preparar um follow-up personalizado depois de uma reunião. Agent ou AI action, dependendo de quantas fontes e decisões são necessárias. Enviar automaticamente? Só se o risco e a variabilidade forem suficientemente baixos.
- Eliminar, fundir ou alterar em massa registos críticos. Mesmo com agente, human approval. O impacto e a reversibilidade dominam a escolha.
Porque é que um agente pode ser pior?
Mais autonomia significa mais superfície operacional: mais contexto, mais ferramentas, mais caminhos possíveis e mais coisas para testar.
A própria HubSpot distingue workflows, que executam ações sobre registos inscritos, de custom agents, que podem analisar dados, gerar outputs e tomar ações a partir de instruções, inputs e ferramentas. A OpenAI recomenda aprovações para tool calls sensíveis e avaliação de traces para perceber se o agente escolheu a ferramenta e o caminho certos.
Há também uma dimensão económica. Algumas ações de IA e agentes consomem créditos. Um agente pode ser excelente e ainda assim ser uma arquitetura demasiado cara para uma decisão binária que um workflow executa de forma previsível.
Não use raciocínio onde uma regra chega. Não use uma regra onde o trabalho exige julgamento.
O teste de quatro perguntas
Antes de escolher a tecnologia, responda por esta ordem:
- A regra é explícita e estável? Se sim, comece por workflow.
- O problema é apenas interpretar input não estruturado? Se sim, experimente uma AI action dentro do workflow.
- É necessário escolher passos, ferramentas ou fontes durante a execução? Se sim, existe um caso real para agent.
- A ação é externa, irreversível ou materialmente arriscada? Se sim, adicione human approval independentemente do mecanismo.
Este teste evita duas formas de desperdício: construir agentes para tarefas determinísticas e forçar workflows sobre trabalho que exige julgamento.
Há uma condição anterior: o sistema precisa de significado estável
Mesmo a escolha tecnológica certa falha se os estados que alimentam a decisão forem ambíguos.
É por isso que o artigo sobre Semantic Debt vem antes deste. Um workflow codifica uma regra. Um agente interpreta contexto. Ambos dependem de semântica suficientemente estável.
E quando optar por um agente, o passo seguinte é explicitar os limites num Agent Operating Contract.
O que pode fazer na segunda-feira
Escolha um processo onde alguém tenha sugerido “meter IA”. Divida-o em decisões.
Para cada decisão, marque:
- regra explícita ou julgamento?
- input estruturado ou não estruturado?
- um passo ou vários passos adaptativos?
- ação reversível ou difícil de reverter?
- impacto interno ou externo?
É provável que descubra que o processo não precisa de “um agente”. Precisa de uma combinação de workflow, uma ou duas AI actions, talvez um agente numa zona específica e aprovação humana no fim.
Princípio RevOpsHubs
A melhor arquitetura não maximiza IA. Minimiza incerteza desnecessária e reserva autonomia para as decisões onde ela cria valor.