Não basta colocar IA no processo: o processo precisa ser redesenhado para a IA

Uma empresa pode incorporar inteligência artificial a praticamente todas as etapas de um processo e, ainda assim, continuar executando quase o mesmo processo de antes. A diferença é que algumas tarefas passam a ser realizadas mais rapidamente.

Um agente consulta informações que antes alguém procurava manualmente. Outro prepara uma análise, preenche um sistema ou encaminha uma solicitação. Um terceiro acompanha uma fila e sugere a próxima ação. Individualmente, cada aplicação pode produzir ganhos reais de produtividade, mas o fluxo continua carregando as mesmas etapas, aprovações, transferências de responsabilidade e dependências que existiam quando todo o trabalho era realizado por pessoas.

Essa distinção começa a se tornar importante porque a adoção corporativa de IA está avançando mais rapidamente do que o redesenho da forma como as empresas trabalham. Na pesquisa global publicada pela McKinsey em 2025, apenas 21% dos entrevistados que utilizavam IA generativa disseram que suas organizações haviam redesenhado fundamentalmente pelo menos alguns workflows. Ao comparar 25 atributos relacionados à adoção, o redesenho dos fluxos de trabalho foi justamente aquele com maior efeito sobre a probabilidade de a organização observar impacto de EBIT decorrente da IA [1].

O problema, portanto, começa a mudar. Depois de aprender a construir copilots e agentes, as organizações precisam decidir se continuarão encaixando essas tecnologias na maneira atual de trabalhar ou se utilizarão suas novas capacidades para repensar o próprio processo.

Automatizar uma etapa é diferente de redesenhar o fluxo

A primeira abordagem é naturalmente mais simples. Pegamos um processo conhecido, identificamos tarefas que consomem tempo e introduzimos IA onde ela pode ajudar.

Imagine um processo de tratamento de incidentes. Um agente pode resumir alarmes, consultar documentação, procurar ocorrências anteriores e preparar uma recomendação para o especialista. Cada uma dessas atividades pode economizar alguns minutos e melhorar a produtividade de quem está investigando o problema.

Mas o incidente talvez continue percorrendo exatamente o mesmo caminho. Um sistema gera o alerta, alguém faz uma triagem, outro profissional busca informações em ferramentas diferentes, um terceiro time precisa ser acionado, determinadas decisões aguardam aprovação e o conhecimento produzido durante a investigação nem sempre permanece disponível para a próxima ocorrência.

Colocar IA em algumas dessas etapas melhora o processo existente. Redesenhá-lo exige outra pergunta: se pessoas e agentes pudessem trabalhar juntos desde o início, esse processo ainda precisaria funcionar dessa maneira?

A diferença parece pequena, mas muda o ponto de partida. Em vez de procurar onde encaixar a IA, passamos a observar o resultado que queremos produzir, as decisões necessárias para chegar até ele, as informações que cada decisão exige e quais atividades fazem mais sentido para pessoas, automações tradicionais ou agentes.

Quando usamos IA apenas para acelerar etapas existentes, podemos tornar um processo antigo mais rápido sem necessariamente torná-lo melhor.

Essa discussão aparece de forma bastante clara nas pesquisas mais recentes. Em 2026, a McKinsey voltou ao tema ao analisar empresas que estavam conseguindo extrair mais valor da IA. Entre os chamados top performers, organizações que atribuíam pelo menos 5% de seu EBIT à tecnologia, a probabilidade de realizar um redesenho amplo do modelo operacional era três vezes maior, e a de redesenhar workflows antes de selecionar as ferramentas de IA era duas vezes maior [2].

A ordem das decisões importa. Quando começamos pela ferramenta, é natural procurar tarefas que ela consiga executar. Quando começamos pelo processo, podemos descobrir que algumas dessas tarefas sequer deveriam continuar existindo.

Agentes mudam o que pode ser considerado um processo

A necessidade de redesenho se torna ainda mais evidente quando saímos dos copilots e entramos no universo dos agentes.

Um copilot normalmente ajuda alguém a realizar uma atividade. Um agente pode receber um objetivo, consultar diferentes fontes, escolher ferramentas, executar uma sequência de ações e decidir qual caminho seguir de acordo com aquilo que encontra. Em arquiteturas mais avançadas, vários agentes podem colaborar entre si e coordenar partes diferentes de um mesmo fluxo.

Isso cria possibilidades que simplesmente não existiam quando muitos dos processos corporativos atuais foram desenhados.

Considere novamente o tratamento de um incidente. Em vez de apenas resumir alarmes para um operador, agentes poderiam reunir sinais provenientes de diferentes plataformas, consultar mudanças recentes, recuperar conhecimento sobre ocorrências anteriores, identificar dependências conhecidas e preparar uma hipótese sobre aquilo que está acontecendo. Dependendo das regras e do nível de autonomia permitido, algumas ações poderiam ser executadas automaticamente, enquanto outras continuariam exigindo validação humana.

Nesse cenário, a discussão deixa de ser apenas quais tarefas podem ser automatizadas. Passamos a discutir como o trabalho deveria fluir entre pessoas, agentes, automações e sistemas.

É o que a Deloitte chama de agent-first process redesign. Em sua análise sobre estratégia para IA agêntica, a consultoria argumenta que organizações mais avançadas não simplesmente adicionam agentes aos workflows existentes; elas observam os processos de ponta a ponta e os redesenham para aproveitar capacidades específicas dos agentes [3].

Uma pesquisa posterior da Deloitte mostra o tamanho da distância entre essa visão e a realidade atual. Apenas 5% das organizações pesquisadas disseram que seus processos estavam altamente preparados para agentes de IA, enquanto somente 15% já haviam escalado adoção multiagente orquestrada entre diferentes funções. Ao mesmo tempo, 74% esperam que, dentro de quatro anos, pelo menos metade de seus processos tenha sido redesenhada ou reconstruída ao redor de agentes [4].

A transformação começa a ficar mais profunda quando deixamos de perguntar “onde colocar um agente?” e passamos a perguntar “como esse trabalho deveria acontecer agora que agentes existem?”.

Essa mudança também ajuda a evitar uma armadilha recorrente da automação: preservar complexidade desnecessária porque ela já faz parte do processo. Um fluxo criado ao longo de anos pode acumular verificações, transferências entre áreas e etapas manuais que surgiram para compensar limitações tecnológicas ou organizacionais de outra época. Automatizar tudo isso não elimina a complexidade; em alguns casos, apenas permite que ela aconteça mais rapidamente.

A IA abre espaço para revisar essas premissas, mas não faz esse trabalho sozinha.

O redesenho também redefine o papel das pessoas

Repensar processos para IA não significa desenhá-los para retirar pessoas do caminho. Em muitos casos, significa decidir com mais clareza onde a participação humana realmente produz valor.

Há atividades em que velocidade e escala são mais importantes. Outras exigem julgamento, responsabilidade, negociação, conhecimento tácito ou compreensão de consequências que não deveriam ser delegadas integralmente. Entre esses extremos existe uma grande quantidade de trabalho em que pessoas e agentes podem atuar de maneira complementar.

É por isso que o redesenho de processos não pode ser apenas técnico. Ele envolve responsabilidades, critérios de decisão, pontos de supervisão, tratamento de exceções e definição explícita dos limites de autonomia.

A própria Deloitte encontrou que 75% dos executivos pesquisados acreditam que a colaboração entre pessoas e agentes cria mais valor do que a automação baseada somente em agentes [4]. A questão, portanto, não é simplesmente determinar quanto trabalho pode ser transferido para a IA, mas desenhar uma divisão de responsabilidades que faça sentido para cada processo.

Redesenhar um processo para IA também significa redesenhar a relação entre autonomia e supervisão humana.

Esse ponto se conecta diretamente às discussões que desenvolvemos nos artigos anteriores. Quanto maior a autonomia concedida aos agentes, mais importantes se tornam contexto, observabilidade, governança e capacidade de intervenção. Um processo redesenhado precisa considerar essas condições desde o início, e não acrescentá-las depois que a automação já estiver funcionando.

Em uma operação de TI, por exemplo, talvez um agente possa investigar um conjunto amplo de sinais sem intervenção humana, correlacionar informações e sugerir uma provável causa. Determinadas ações de baixo risco podem ser autorizadas automaticamente, enquanto mudanças com maior impacto continuam dependendo de aprovação. Se o agente encontrar uma situação para a qual não possui contexto suficiente ou confiança adequada, o próprio fluxo pode prever a transferência para um especialista.

O papel humano deixa, assim, de ser definido apenas pela tarefa que a pessoa executava antes da IA e passa a ser definido também pela responsabilidade que precisa permanecer humana dentro do novo processo.

Essa talvez seja uma das razões pelas quais transformar processos seja mais difícil do que implantar ferramentas. Comprar tecnologia é uma decisão relativamente delimitada. Alterar como decisões são tomadas, como áreas interagem e quem responde por cada resultado mexe com estruturas que foram construídas ao longo de anos.

A vantagem não estará em ter mais agentes

À medida que agentes se tornarem mais fáceis de criar e forem incorporados às próprias plataformas empresariais, possuir agentes deixará rapidamente de ser um diferencial.

A diferença estará na capacidade de utilizá-los dentro de processos que tenham sido desenhados para combinar tecnologia, informação e pessoas de maneira coerente.

A McKinsey descreve essa evolução em três horizontes. No primeiro, a IA amplia capacidades individuais; no segundo, passa a automatizar workflows de ponta a ponta; no terceiro, a organização deixa de partir do processo existente e começa a redesenhar trabalho, papéis e modelo operacional tendo a IA como parte estrutural dessa nova configuração [5]. Na mesma pesquisa, líderes de organizações que redesenhavam workflows eram 5,3 vezes mais propensos a relatar captura de valor empresarial do que aqueles que mantinham os fluxos inalterados [5].

Isso não significa que toda empresa precise redesenhar todos os processos de uma vez. Significa reconhecer que existe um limite para o valor obtido quando uma tecnologia nova é obrigada a trabalhar permanentemente dentro de uma lógica antiga.

O maior ganho da IA talvez não esteja em executar mais rápido o processo que já conhecemos, mas em permitir que finalmente perguntemos por que esse processo ainda funciona dessa forma.

Para muitas organizações, essa será uma transição gradual. Primeiro surgem assistentes e copilots. Depois, agentes assumem tarefas mais completas. Em seguida, diferentes agentes começam a participar de um mesmo workflow. Em algum momento, manter todas as etapas e fronteiras anteriores passa a fazer cada vez menos sentido.

Nesse estágio, a discussão sobre IA deixa de pertencer apenas à tecnologia. Ela passa a envolver o desenho da própria organização.

Da visão à prática: ARGUS

Essa discussão possui uma relação direta com a maneira como pensamos o ARGUS.

Em operações de TI e Telecom, muitos processos foram construídos ao redor de ferramentas especializadas e da capacidade das pessoas de navegar entre elas. Durante um incidente, informações podem estar distribuídas entre monitoramento de infraestrutura, observabilidade de aplicações, inventário, mudanças, ITSM e outras fontes. Frequentemente cabe ao especialista reconstruir essas relações antes mesmo de começar a decidir o que fazer.

O ARGUS atua sobre esse ambiente conectando informações provenientes de múltiplas fontes, correlacionando eventos, reduzindo ruído e construindo contexto operacional compartilhado. Com a incorporação do AI Gateway e do AgentOps, essa proposta passa a incluir também a orquestração, observabilidade e governança dos agentes que começam a participar desses processos.

Isso permite combinar duas dimensões importantes: oferecer aos agentes um contexto mais consistente sobre aquilo que está acontecendo na operação e, ao mesmo tempo, controlar e acompanhar como eles utilizam esse contexto para decidir e agir.

O ponto importante é que essa evolução não depende apenas de acrescentar um agente ao fluxo atual. Se pessoas, automações e agentes precisarem trabalhar juntos, todos precisam operar sobre uma compreensão suficientemente consistente da situação, com políticas e responsabilidades adequadas ao nível de autonomia de cada participante.

É nesse espaço que vemos o papel do ARGUS: contribuir para que a evolução da automação e da IA aconteça sobre uma visão sistêmica da operação, permitindo orquestrar a participação dos agentes, acompanhar suas ações e ampliar sua autonomia de maneira gradual, controlada e com supervisão humana.

Conheça o ARGUS.

Sobre a Target Solutions

A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.

Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.

Essa experiência nos permitiu acompanhar de perto a evolução das operações, do monitoramento tradicional à observabilidade, da automação à AIOps e, agora, aos primeiros passos em direção a operações cada vez mais orientadas por inteligência artificial.

É nesse contexto que desenvolvemos o ARGUS, nossa plataforma AIOps que correlaciona eventos de múltiplas fontes, reduz o ruído e constrói contexto operacional compartilhado, agora ampliada com capacidades de AI Gateway e AgentOps para apoiar a orquestração, observabilidade e governança de agentes de IA.

Sobre o autor

Paulo Florêncio de Menezes é sócio e CoFounder da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Referências

[1] McKinsey & Company. The state of AI: How organizations are rewiring to capture value. 2025.

[2] McKinsey & Company. The operating model advantage: Why AI winners are rewiring their organizations. 2026.

[3] Deloitte. Tech Trends 2026.

[4] Deloitte. AI agents are only the beginning: The path to agentic transformation. 2026.

[5] McKinsey & Company. From adoption to impact: Three horizons of AI transformation. 2026.