Três propostas chegam à mesa de um gestor para resolver o mesmo problema: o atendimento está sobrecarregado com pedidos de segunda via de boleto, alteração de endereço e dúvidas sobre prazos de entrega. A primeira oferece uma automação que integra o site ao sistema financeiro. A segunda, um chatbot para o site e o aplicativo de mensagens. A terceira, um agente de IA capaz de consultar pedidos e fazer alterações sozinho. As três usam palavras parecidas, como "inteligente", "automático" e "24 horas", mas resolvem problemas diferentes, com riscos diferentes. Entender a diferença entre chatbot e agente de IA, e onde entra a automação por regras, é o primeiro passo para contratar a solução certa, e não a mais comentada do momento.
É a mais antiga e a mais previsível. Funciona com instruções do tipo "se isto acontecer, faça aquilo": quando um pedido é aprovado, emitir a nota; quando um formulário chega, criar uma tarefa; quando um boleto vence, enviar um lembrete. Entram nessa categoria os fluxos de ferramentas de automação sem código, as integrações entre sistemas e a automação robótica de processos, conhecida pela sigla em inglês RPA, que imita as ações de uma pessoa na tela para operar sistemas sem integração.
A vantagem é a previsibilidade: dada a mesma entrada, o resultado é sempre o mesmo, e é fácil auditar o que aconteceu. A limitação é a rigidez. A automação não lida bem com o que não foi previsto: um campo em formato diferente, uma mensagem escrita livremente, uma exceção à regra.
Chatbot é, antes de tudo, uma interface de conversa. Existem duas gerações convivendo no mercado. A primeira funciona com menus e árvores de decisão ("digite 1 para segunda via"), o que a aproxima da automação por regras com uma camada de diálogo. A segunda usa modelos de linguagem para entender perguntas escritas livremente e responder em texto natural, geralmente com base em documentos da empresa, como políticas, manuais e perguntas frequentes.
O papel típico do chatbot é informar, orientar e triar: responder dúvidas, coletar dados e encaminhar o caso para a área certa. Em muitos projetos, ele não altera nada nos sistemas da empresa, ou altera apenas por meio de ações pré-programadas.
Um agente de IA combina um modelo de linguagem com ferramentas, como acesso a sistemas, APIs, planilhas e e-mail, e com certa liberdade para decidir quais passos seguir para atingir um objetivo. Em um texto de dezembro de 2024 sobre a construção de agentes, a Anthropic propôs uma distinção útil: em fluxos de trabalho, os modelos e as ferramentas são orquestrados por caminhos de código definidos previamente; em agentes, o modelo dirige dinamicamente o próprio processo e o uso das ferramentas, mantendo o controle sobre como realiza a tarefa.
É essa liberdade que dá ao agente o potencial de resolver problemas abertos, em que o número de passos não é conhecido de antemão. E é ela também a origem dos principais riscos.
A distinção mais útil para o gestor é entre conversar e agir. Um exemplo ajuda. Um cliente escreve: "quero mudar o endereço de entrega do meu pedido".
O agente resolve mais casos sem intervenção humana. Em contrapartida, pode errar em mais pontos, e cada erro tem consequência concreta, porque ele age diretamente nos sistemas.
Em vez de pensar em categorias fechadas, ajuda imaginar uma escala de autonomia, em que cada degrau exige um tipo de supervisão:
A automação por regras costuma operar com autonomia plena, porque seu comportamento é previsível. Chatbots de atendimento operam bem na faixa da supervisão por exceção. Agentes de IA, sobretudo no início, deveriam começar nos degraus de sugestão e aprovação e avançar à medida que o desempenho for medido.
Cada abordagem traz riscos próprios, e os dos sistemas baseados em modelos de linguagem são os menos familiares para as empresas. A lista Top 10 da OWASP para aplicações com modelos de linguagem, na versão de 2025, destaca alguns que interessam diretamente a quem contrata:
A mesma publicação da Anthropic lembra que a autonomia dos agentes implica custos mais altos e a possibilidade de erros que se acumulam ao longo das etapas, e recomenda testes extensivos em ambientes isolados, com salvaguardas adequadas.
Há também a dimensão legal. A Lei Geral de Proteção de Dados Pessoais garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses (art. 20 da Lei nº 13.709/2018). Um agente que aprova ou nega solicitações de clientes precisa de um caminho claro para essa revisão.
Para estruturar a gestão desses riscos, o NIST, instituto de padrões dos Estados Unidos, publicou em janeiro de 2023 uma estrutura de uso voluntário para gestão de riscos de IA, complementada em julho de 2024 por um perfil dedicado à IA generativa. Não é norma obrigatória no Brasil, mas serve como roteiro para perguntas que o contratante deve fazer.
A escolha começa pelo problema, não pela tecnologia. Algumas perguntas orientam a decisão:
Na prática, as soluções mais robustas combinam as três: o chatbot conversa com o cliente, a automação executa as operações padronizadas e o agente, quando existe, fica restrito aos casos em que a flexibilidade compensa o risco. A recomendação da própria Anthropic aponta na mesma direção: começar pela solução mais simples possível e só aumentar a complexidade quando ela se mostrar necessária.
O chatbot é essencialmente uma interface de conversa: responde, orienta e encaminha. O agente de IA usa um modelo de linguagem com acesso a ferramentas e sistemas e decide quais passos seguir para cumprir uma tarefa, podendo executar ações sem intervenção humana a cada etapa.
Não. Para processos com regras claras e entradas estruturadas, ela continua sendo a opção mais previsível, barata e auditável. Muitas soluções com IA dependem de automações por regras para executar as operações finais.
Pode assumir parte das solicitações, sobretudo as repetitivas, mas continua precisando de supervisão, de revisão por amostragem e de um caminho para atendimento humano em casos complexos, sensíveis ou contestados.
É o risco de um sistema com IA receber mais permissões, ferramentas ou autonomia do que a tarefa exige. Nesse cenário, um erro do modelo ou uma instrução maliciosa pode causar danos maiores. A prevenção passa por permissões mínimas e aprovação humana para ações críticas.
Em 1936, Alan Turing descreveu uma máquina teórica capaz de executar qualquer cálculo. Entenda a ideia e por que ela ainda sustenta a IA.
Em 1956, um workshop de verão em Dartmouth deu nome à inteligência artificial. Veja o que foi proposto e o que a área herdou dessa agenda.
No evento GTC de 16 de março de 2026, a NVIDIA apresentou o NemoClaw, um conjunto de software projetado para a plataforma de agentes OpenClaw. A proposta…