O critério que saiu junto com o funcionário

Uma empresa de serviços financeiros implementou um agente para qualificar leads. O agente funcionou bem durante meses. Depois, a gerente que o havia configurado foi promovida para outra área. Seis meses mais tarde, a equipe comercial notou que o agente estava descartando empresas de médio porte que claramente deveriam entrar no funil. Ninguém conseguia explicar por quê. O prompt ainda estava lá, intacto. O problema era o que não estava no prompt.

Configuração não é o mesmo que critério

Quando falamos em configurar um agente de IA, a tendência é pensar em variáveis visíveis: o prompt, os fluxos, as integrações com CRM, os gatilhos de automação. Tudo isso pode ser documentado, versionado, transferido.

Mas há uma camada abaixo disso. É a camada do julgamento: por que esse critério e não aquele? Por que empresas de médio porte com menos de 200 funcionários eram despriorizadas, mas exceções eram feitas para determinados setores? Esse raciocínio nunca foi escrito em lugar nenhum. Ele existia na cabeça da gerente, construído ao longo de dois anos de reuniões de vendas, feedback de clientes e perda de negócios.

Conhecimento tácito é o termo técnico para isso: saber que não conseguimos articular completamente porque está embutido na experiência prática. Um médico experiente sabe quando um exame merece atenção antes de conseguir explicar por quê. Um vendedor sênior sente quando um prospect está realmente interessado ou apenas coletando propostas. Esse tipo de saber não migra para um documento. E, definitivamente, não migra para um prompt.

O agente como molde de quem estava disponível

Aqui está o problema central: quando uma empresa implementa um agente de IA, ela está codificando o julgamento de quem estava disponível naquele momento para fazer a configuração. Não necessariamente o melhor julgamento disponível na empresa. Não o julgamento coletivo da equipe. O julgamento daquela pessoa, naquele momento, com os limites que ela tinha.

Se essa pessoa tinha vieses, o agente os carrega. Se ela tinha pontos cegos, o agente os reproduz. Se ela priorizava velocidade em vez de precisão porque o contexto da época exigia isso, o agente vai continuar priorizando velocidade mesmo quando o contexto mudou.

E quando ela sai, ninguém sabe o que está dentro do molde. O agente continua operando. Os resultados continuam chegando. A equipe assume que está tudo bem porque os números não caíram de forma dramática. O problema se acumula silenciosamente.

Por que isso é diferente de um processo manual com a mesma falha

Processos manuais também têm esse problema. Quando uma pessoa sai, ela leva conhecimento embora. Isso não é novidade.

A diferença com agentes de IA é a escala e a invisibilidade. Um processo manual que dependia do julgamento de alguém simplesmente para de funcionar bem quando essa pessoa sai. A equipe percebe. Algo claramente está faltando.

Um agente de IA continua funcionando. Ele responde, qualifica, categoriza, envia e-mails, atualiza registros. Parece estar operando normalmente. O sinal de que algo está errado é muito mais difícil de detectar porque o agente nunca para de trabalhar. Ele apenas trabalha com a lógica errada, de forma consistente e em escala.

O que fazer antes que alguém saia

A solução não está em escrever prompts maiores. Está em criar um processo deliberado de externalização do critério antes de qualquer implementação.

Isso significa, na prática, fazer as perguntas incômodas durante a configuração: quais casos esse agente vai errar e por quê? Que tipo de exceção você costuma abrir manualmente que o agente não vai conseguir identificar? Quando você olha para um lead e decide que ele vale uma ligação mesmo que os dados não justifiquem, o que está passando pela sua cabeça?

Essas perguntas produzem conhecimento que não está no prompt padrão. Elas precisam virar documentação viva: exemplos reais de decisões, anotações sobre casos-limite, registros de quando o agente errou e qual teria sido a decisão correta.

Agentes de IA não substituem o julgamento humano. Eles amplificam o julgamento de quem os configurou. A diferença entre amplificar bom julgamento e amplificar julgamento mediano pode ser enorme no resultado.

A pergunta que vale fazer hoje

Se a pessoa que configurou seus agentes de IA saísse amanhã, você conseguiria responder por que cada critério foi escolhido? Conseguiria explicar quais exceções eram previstas e quais eram deixadas para julgamento humano?

Se a resposta for não, o risco já existe. O agente já está operando com conhecimento que pertence a uma pessoa, não à empresa. Enquanto essa pessoa está lá, o problema fica invisível. Quando ela sai, o problema fica caro.

O próximo passo concreto é simples: antes da próxima implementação, ou como revisão das que já existem, agende uma sessão de uma hora com quem configurou o agente. Grave. Faça as perguntas sobre exceções, sobre casos-limite, sobre o julgamento que ficou de fora do prompt. Isso não vai resolver tudo, mas vai reduzir a quantidade de critério que sai pela porta junto com as pessoas.