Do Fluxo de Informações aos Agentes de IA: três projetos, três aplicações reais

Como ARI NEWS V2, DealCraft AI e ARI FLOW transformam informação, processos e decisões em soluções práticas com Inteligência Artificial

A melhor forma de aprender Inteligência Artificial, na minha visão, é construir.

Nos últimos projetos que desenvolvi, procurei sair do conceito abstrato de “usar IA” e trabalhar com problemas concretos, fluxos reais e decisões que precisam ser estruturadas.

O resultado foi uma sequência de três projetos com objetivos diferentes, mas conectados pela mesma lógica: usar Inteligência Artificial para transformar informação em ação, sem abrir mão de rastreabilidade, regras e supervisão humana.

São eles:

• ARI NEWS V2 — inteligência estratégica de notícias;
• DealCraft AI — estruturação e validação de oportunidades comerciais;
• ARI FLOW — automação inteligente de e-mails.

Cada um explora um estágio diferente dessa jornada.

1. ARI NEWS V2 — da informação dispersa à inteligência estratégica

O primeiro desafio foi lidar com um problema comum em estratégia, marketing, vendas e gestão: o excesso de informação disponível e a dificuldade de transformar notícias em contexto útil para decisão.

O ARI NEWS V2 foi desenvolvido como um agente de Inteligência Estratégica de Notícias.

A partir de três parâmetros — setor, região e data de referência — o sistema pesquisa notícias na web, seleciona conteúdos relevantes, contextualiza os acontecimentos, estrutura os dados e gera uma página executiva com acesso às fontes originais.

A arquitetura funciona conceitualmente assim:

Entrada → Retrieval → Curadoria → Estruturação → Apresentação

O projeto utiliza uma arquitetura multiagente composta por módulos especializados para:

• busca de notícias;
• curadoria estratégica;
• estruturação dos dados;
• geração de imagem;
• geração da página final.

Um dos pontos mais importantes do desenvolvimento foi a rastreabilidade das fontes.

A regra adotada foi simples: a URL apresentada ao usuário deve ser preservada exatamente a partir do resultado recuperado pela pesquisa web. O sistema não deve reconstruir, completar ou inferir links.

Esse cuidado transforma o projeto de um simples gerador de resumos em uma solução com grounding, retrieval e rastreabilidade.

Projeto no GitHub:

https://github.com/MCLG1661/ARI-NEWS-V2

2. DealCraft AI — da oportunidade comercial à proposta estruturada

O segundo projeto parte de outro problema bastante recorrente: propostas comerciais criadas antes que a oportunidade esteja suficientemente compreendida.

Em processos B2B, informações importantes muitas vezes ficam distribuídas entre reuniões, anotações, e-mails e briefings.

Isso pode gerar:

• ausência de dados críticos;
• propostas baseadas em suposições;
• preços incompatíveis;
• prazos incorretos;
• falta de clareza sobre decisores;
• pouca padronização entre oportunidades.

O DealCraft AI foi criado para organizar esse processo.

Seu fluxo principal é:

Briefing → Estruturação da Oportunidade → Validação → Aprovação Humana → Proposta

A solução possui um Opportunity Model, que organiza os dados da oportunidade em grupos estruturados.

Depois disso, entra o Opportunity Readiness, um diagnóstico determinístico de completude.

O objetivo não é prever se uma venda será fechada.

A pergunta é outra:

Temos informações suficientes para estruturar esta oportunidade de maneira responsável?

O sistema também executa uma Gap Analysis, identifica campos obrigatórios ausentes e interrompe o fluxo quando faltam informações essenciais.

Outro componente importante é o Commercial Rules Engine, responsável por validar regras como:

• faixa de investimento;
• prazo do serviço;
• descontos permitidos;
• validade da proposta;
• condições de pagamento;
• exigência de revisão humana em determinados cenários.

Mesmo após as validações automáticas, a proposta não é gerada imediatamente.

O DealCraft AI apresenta um resumo executivo e exige aprovação explícita do usuário antes de criar o documento final.

Esse é um exemplo claro de Human-in-the-Loop aplicado a processo comercial.

Projeto no GitHub:

https://github.com/MCLG1661/DealCraft-AI

3. ARI FLOW — da triagem manual à automação inteligente de e-mails

O terceiro projeto leva a lógica de agentes para um processo operacional recorrente: leitura, classificação e resposta de e-mails.

O ARI FLOW foi desenvolvido para automatizar o tratamento de mensagens relacionadas a Oracle Cloud Applications.

O fluxo combina:

Gmail → Google Gemini → Router → Google Drive → Gemini → Gmail

Primeiro, o sistema recebe o e-mail e utiliza IA para classificar a mensagem.

Depois, o Router determina se o conteúdo pertence ou não ao domínio definido.

Quando a mensagem está dentro do escopo:

• a base de conhecimento é consultada;
• o contexto é enviado ao modelo;
• uma resposta é gerada;
• o e-mail é enviado ao remetente;
• a mensagem é organizada automaticamente.

Quando a mensagem está fora do escopo, a automação não responde.

Ela direciona o caso para tratamento humano.

Esse desenho aplica três princípios importantes:

• classificação antes da geração;
• Knowledge Grounding com base documental;
• Human-in-the-Loop para situações fora do domínio.

Durante os testes, o projeto também revelou uma questão operacional relevante: limites de uso da API.

Foi observado erro HTTP 429 relacionado à quota do Google Gemini.

Esse tipo de situação reforça que construir soluções com IA não é apenas escrever prompts. É preciso considerar limites de API, dependências externas, observabilidade, tratamento de erros e escalabilidade.

Projeto no GitHub:

https://github.com/MCLG1661/ARI-Flow

Três projetos, uma mesma lógica

Embora os três agentes resolvam problemas diferentes, eles compartilham alguns princípios arquiteturais.

O ARI NEWS V2 trabalha com recuperação, curadoria e rastreabilidade.

O DealCraft AI trabalha com estruturação, validação de regras e aprovação humana.

O ARI FLOW trabalha com classificação, roteamento, grounding e automação operacional.

Em comum, todos procuram evitar um erro frequente em projetos de IA: colocar o modelo no centro de tudo.

Nos três casos, a IA é apenas uma parte da solução.

Ao redor dela existem:

• regras;
• contexto;
• estrutura de dados;
• validações;
• roteamento;
• integrações;
• documentação;
• supervisão humana.

É essa combinação que transforma um experimento em uma solução mais próxima de um sistema real.

O principal aprendizado

Quanto mais avanço no desenvolvimento desses projetos, mais evidente fica uma mudança de perspectiva.

A pergunta deixa de ser:

“Qual modelo de IA eu posso usar?”

E passa a ser:

“Qual problema eu quero resolver, quais decisões precisam ser controladas e em que ponto a IA realmente agrega valor?”

Esse raciocínio muda completamente o desenho da solução.

Em alguns casos, a IA deve buscar.

Em outros, classificar.

Em outros, resumir.

Em outros, estruturar.

Em outros, sugerir.

E, em muitos casos, ela deve saber quando parar e devolver a decisão para uma pessoa.

Conclusão

ARI NEWS V2, DealCraft AI e ARI FLOW representam três aplicações diferentes de um mesmo princípio:

usar Inteligência Artificial para aumentar eficiência e qualidade de processos, sem abrir mão de controle, rastreabilidade e julgamento humano.

Mais do que três projetos isolados, eles mostram uma evolução na forma de pensar soluções com IA.

Da informação à inteligência.

Da oportunidade à decisão.

Da mensagem à automação.

E sempre com a mesma preocupação: transformar tecnologia em aplicação prática.