Sistemas inteligentes com IA – Usando Automação ou Agentes?

#Inteligência Artificial (IA)

Depois do lançamento do ChatGPT, a Inteligência Artifical (IA) passou a ser aplicada em muitas áreas da nossa vida. As soluções baseadas na IA aumentam a eficiência, otimizam processos e melhoram a tomada de decisões. Este artigo vai comparar os 2 tipos de soluções com IA mais usadas, a IA para Automação e IA como Agente.

Sumário

1. Introdução

2. Caracterização da Automação com IA

3. Caracterização da IA como Agente

4. Diferença entre Automação com IA e Agentes de IA

5. Estudos de casos

6. Exemplo de implementação

7. Considerações finais

8. Referências

1 – Introdução

A automação de processos existe desde que o homem precisou encontrar uma forma de não precisar ficar checando um processo todo tempo para recomeçá-lo.

Os primeiros processos foram automatizados por dispositivos mecânicos, depois pela eletrônica. Por fim, os computadores passaram a ser usados para isso.

Exemplos de automação ao longo dos anos:

· O Tear de Jacquard, que usava cartões perfurados para controlar padrões de tecido;

· Linhas de montagem de carros, para produção em massa de carros da Ford;

Esteiras automatizadas, controladas por CLPs (Controladores Lógicos Programáveis);
Robôs industriais, em montadoras de automóveis;
Automação de planilhas, com macros ou scripts.
Geração automática de relatórios, a partir de banco de dados.
pipelines de CI/CD, para integração e entrega contínuas;
Bots de atendimento, em WhatsApp ou sites;

Após o lançamento do ChatGPT, no final de 2022, a Inteligência Artificial (IA) deixou de ser um conceito futurista e se tornou uma parte essencial da vida moderna.

Desde então, a IA continuou evoluindo rapidamente, impactando empresas e indivíduos, e setores como saúde, finanças, manufatura e atendimento ao cliente.

As soluções baseadas na IA resultam em aumento da eficiência, otimização de processos e melhoria da tomada de decisões.

Antes do ChatGPT, o meu primeiro contato com a IA foi nos livros e filmes de ficção científica dos tempos de adolescente.

O primeiro deve ter sido o computador da missão espacial do livro “2001 - Uma Odisseia no Espaço”, de Arthur Clarke, depois transformado em um filme espetacular, com o mesmo título, pelo diretor Stanley Kubrick (HAL 9000).

Este computador (HAL 9000) usava IA e era responsável por controlar todos os sistemas da nave, gerenciar a missão e manter os tripulantes vivos.

Dando um salto temporal (como na obra acima!) para hoje, após o surgimento da IA, estamos vendo sua aplicação na prática cotidiana. Isso pode ser atribuído a:

· Avanços em Aprendizado de Máquina (“Machine Learning” - ML) e Aprendizado Profundo (“Deep Learning” - DL);

· Maior Poder de Computação – Computação em nuvem e chips de IA especializados, como GPUs e TPUs;

· Disponibilidade de Big Data;

· Algoritmos e Pesquisas Aprimorados – Inovação contínua da IA.

A IA hoje atende principalmente a dois propósitos principais:

· IA para Automação – Substitui tarefas humanas repetitivas, baseadas em regras fixas, por sistemas de IA muito mais eficientes;

· IA como Agente – Cria modelos de IA que oferecem autonomia, raciocínio e capacidade de tomada de decisão.

Em resumo, a IA para automação procura tornar os processos mais eficientes, automatizando tarefas repetitivas por meio de regras, algoritmos ou fluxos de trabalho predefinidos. O objetivo é aumentar a produtividade, reduzir erros e agilizar as operações.

Já a IA como agente é baseada em sistemas inteligentes, projetados para tomar decisões de forma autônoma, se adaptar a ambientes dinâmicos e interagir com humanos de uma forma mais natural. Os agentes oferecem níveis altíssimos de flexibilidade e inteligência na tomada de decisões e resolução de problemas.

Este artigo vai tratar destes 2 tipos de soluções com IA mais usados atualmente, a IA para Automação e IA como Agente. Serão apresentadas suas características e diferenças, suas aplicações mais comuns, e listados alguns estudos de caso em que foram utilizadas.

2 – Caracterização da IA para Automação

Segundo KUMAR [1], IA para Automação é o uso de inteligência artificial para executar tarefas repetitivas baseadas em regras, com o mínimo de intervenção humana. Seu objetivo principal é simplificar processos rotineiros, buscando aumentar a eficiência e reduzir o envolvimento humano.

Basicamente, esta automação segue regras predefinidas e tem capacidade limitada para lidar com ambientes dinâmicos. Ela reduz bastante os erros humanos, aumenta a velocidade e aprimora a escalabilidade.

A sua aplicação pode resultar na otimização de processos, enquanto garante velocidade, precisão e redução de custos.

Estes sistemas são capazes de analisar dados, fazer previsões e executar tarefas predefinidas, tornando-os mais avançados do que os métodos tradicionais de automação.

É amplamente utilizada em:

· Automação de Processos de Negócios (“Business Process Automation” - BPA) – Suporte ao cliente, entrada de dados e processamento de documentos;

· Automação Industrial – Robôs com IA em linhas de manufatura e montagem;

· Saúde e Diagnóstico – Reconhecimento de imagem em exames médicos e agendamento automatizado de pacientes.

Entre as aplicações mais comuns estão:

· automação em reconhecimento de imagem e reconhecimento facial;

· chatbots e assistentes de voz;

· análise de imagens médicas e diagnósticos médicos automatizados;

· automação residencial e industrial inteligentes;

· detecção de fraudes e pontuação de crédito;

· gestão de estoque, verificações de qualidade e operações de linha de montagem;

A Automação Orientada por IA se baseia em vários conceitos fundamentais:

· Aprendizado de Máquina (ML) e Aprendizado Profundo (DL);

· Automação Robótica de Processos (“Robotic Process Automation” - RPA), Inteligente;

· Processamento de Linguagem Natural (PLN);

· Visão Computacional;

· Análise Preditiva;

· Integração de Internet das Coisas (IoT) e IA.

A tabela abaixo mostra as diferenças entre a IA para Automação e a Automação Tradicional:

A automação tradicional depende de regras e scripts predefinidos, enquanto a automação orientada por IA introduz capacidades de adaptabilidade, aprendizado e tomada de decisões.

2.1 – Tipos de IA para Automação

A automação orientada por IA pode ser classificada em: Automação Baseada em Regras e Automação Baseada em Aprendizagem.

De acordo com KUMAR [1], a Automação Baseada em Regras executar tarefas específicas seguindo um conjunto predefinido de regras (instruções), que são programadas manualmente e determinam como o sistema responde a diferentes entradas.

É usada uma lógica estruturada ("if-then-else”) para executar as tarefas. As decisões são baseadas em instruções pré-programadas e são exigidas atualizações manuais sempre que novas condições surgirem.

A Automação Baseada em Aprendizado analisa padrões, aprende com dados anteriores e toma decisões sem programação explícita baseada em regras. Ela pode se adaptar a novos dados, melhorando sua precisão ao longo do tempo. O sistema aprende e se adapta ao longo do tempo.

Ambas têm suas vantagens e a escolha depende da complexidade das tarefas, da necessidade de adaptabilidade e da disponibilidade de dados. Para um desempenho ideal, também devem ser considerados modelos híbridos.

3 - Caracterização da IA Como Agente

Segundo KUMAR [1], um agente de IA é qualquer software ou sistema que:

· Observa seu ambiente, por meio de sensores ou entradas de dados;

· Processa informações e decide de forma inteligente;

· Atua em seu ambiente para atingir objetivos;

· Aprende com experiências passadas para aprimorar decisões futuras.

Eles são sistemas inteligentes projetados para aprender, adaptar-se a novos cenários sem intervenção humana e tomar decisões autônomas com base em dados e interações em tempo real.

Aplicações comuns incluem:

· Assistentes Virtuais – agentes conversacionais (Siri, Alexa e ChatGPT);

· Veículos Autônomos – Veículos que tomam decisões em tempo real com base nas condições da estrada (Tesla Autopilot);

· Bots de Negociação Financeira – Sistemas que analisam tendências de mercado e executam negociações sem intervenção humana.

· IA na área da saúde (IBM Watson);

· Drones autônomos – Usados em logística, agricultura e vigilância;

Os agentes de IA dependem de algoritmos sofisticados, aprendizado por reforço e processamento de dados em tempo real para funcionar de forma eficaz. Sua função principal é tomar decisões autônomas.

A tabela abaixo mostra as diferenças entre IA como Agentes e a Automação Tradicional:

Um agente de IA consiste em vários componentes que proporcionam um comportamento inteligente. Os principais são:

· Sensores (Percepção) - Coletam informações do ambiente usando sensores, APIs ou bancos de dados. Exemplo: Um carro autônomo usa câmeras, LiDAR e GPS;

· Decisão (Processamento e Raciocínio) - Analisa dados usando algoritmos, lógica e modelos de aprendizagem para tomar decisões. Exemplo: a assistente virtual Siri processa comandos de voz;

· Atuadores (Ações e Respostas) - Realizam ações com base em suas decisões, afetando o ambiente. Exemplo: Um braço robótico em uma fábrica montando produtos;

· Aprendizagem (Adaptação e Aprimoramento) - Aprimora-se usando ML ou aprendizado por reforço. Exemplo: Um sistema de detecção de fraudes refina seu modelo analisando novos padrões de fraude.

3.1 – Os tipos de Agentes

Os agentes de IA são categorizados por sua capacidade de perceber, processar informações e realizar ações para atingir resultados específicos. Os três tipos principais de agentes de IA são: Agentes reativos, Agentes orientados por Objetivos e Agentes de aprendizagem (KUMAR [1]).

Cada tipo possui características únicas que os tornam adequados para diferentes tarefas e ambientes.

Agentes Reativos - Forma mais simples de agentes de IA. Operam com base no estado atual do ambiente e reagem a estímulos sem qualquer memória de ações ou eventos passados. São projetados para responder a mudanças imediatas no seu ambiente. Sua característica principal é a decisão baseada em regras (if-then-else).

Exemplos: Termostatos inteligentes em Automação Residencial, jogos simples como o Jogo da Velha e Aspiradores de Pó Autônomos, como o Roomba.

Agentes Orientados a Objetivos – Perseguem objetivos específicos podem tomar decisões. Também planejam o futuro.

Exemplos: Carros Autônomos, Assistentes Virtuais e Automação Robótica de Processos (RPA).

Agentes de Aprendizagem – Forma mais avançada de agentes de IA, executam ações com base em seu ambiente, melhorando seu desempenho ao longo do tempo por meio da experiência. Usam algoritmos de ML para se adaptar às mudanças no ambiente e refinar seus processos de tomada de decisão.

Exemplos: AlphaGo (da DeepMind), Sistemas de Recomendação (Netflix e Amazon) e Veículos Autônomos aprimorados.

3.2 - Escolhendo o Tipo Certo de Agente de IA

A escolha entre um destes 3 tipos de agentes depende da complexidade da tarefa e do ambiente:

· Escolha agentes reativos para tarefas simples e repetitivas, com respostas imediatas;

· Agentes orientados a metas são mais adequados para tarefas com objetivo claro, cujas ações precisam ser planejadas para alcança-lo.

· Agentes de aprendizagem são ideais para tarefas que exigem adaptação e aprimoramento contínuos.

Pontos fortes e limitações dos agentes de IA

Segundo KUMAR [1], Agentes de IA são ferramentas poderosas, mas também apresentam limitações e levantam considerações éticas.

Os pontos fortes são:

· Tomada de decisão autônoma - analisam grandes conjuntos de dados e tomam decisões sem intervenção humana;

· Aprendizado contínuo – aprimoram-se com o tempo, aprendendo com novos dados e experiências;

· Velocidade e eficiência - permitindo a tomada de decisões em tempo real, pois processam e analisam dados mais rapidamente do que humanos;

· Tratamento de problemas complexos e de grande escala - pode otimizar soluções para problemas altamente complexos e multivariáveis.

· Redução de erros humanos - reduz erros manuais em várias áreas;

· Disponibilidade e escalabilidade - podem trabalhar 24/7, sem fadiga, aumentando a produtividade.

E suas limitações:

· Falta de criatividade e intuição humanas - Arte gerada por IA não tem profundidade emocional em comparação com artistas humanos;

· Viés na tomada de decisões - Modelos treinados com dados tendenciosos podem produzir resultados discriminatórios;

· Alta dependência da qualidade dos dados – Dados de baixa qualidade resultam em decisões ruins;

· Transparência limitada - Muitos modelos são considerados "caixas pretas", dificultando a compreensão de seu raciocínio;

· Riscos e vulnerabilidades de segurança - são suscetíveis a ataques e invasões;

· Preocupações éticas e legais – Nas áreas de justiça criminal, vigilância e saúde, o uso da IA levanta questões éticas e de privacidade;

· Altos custos computacionais - O treinamento de alguns modelos de IA (LLMs) requer poder computacional significativo e alto consumo de energia.

4 – Comparação entre a Automação com IA e os Agentes de IA

Existem algumas diferenças fundamentais entre a IA para Automação e a IA como Agente: autonomia, aprendizagem, e capacidade de tomada de decisão.

A IA para Automação busca a simplificação de tarefas repetitivas com intervenção humana mínima. Essas tarefas são normalmente baseadas em regras fixas e envolvem processos simples que podem ser predefinidos e programados.

A IA como Agente envolve um nível mais alto de inteligência e autonomia. Os agentes são projetados para realizar tomadas de decisão complexas, se adaptar a novas situações e aprender com o ambiente. Eles podem lidar com cenários dinâmicos e imprevisíveis, tomando decisões que vão além de instruções simples e pré-programadas.

Desta forma, a IA para Automação apresenta automação fixa, execução por regras e fluxo sem decisões programadas e predeterminadas.

Agentes são sistemas inteligentes projetados para aprender, adaptar-se a novos cenários sem intervenção humana e tomar decisões autônomas com base em dados e interações em tempo real.

Com base nestas características dos dois tipos de IA considerados aqui, a tabela abaixo mostra as situações em que se deve usar um tipo ou o outro:

Em resumo, Agentes de IA são revolucionários ao lidar com ambientes dinâmicos e imprevisíveis que exigem aprendizado, adaptação e autonomia. Por isso, os agentes de IA são essenciais para enfrentar os desafios do mundo real.

5 – Estudos de Caso

A seguir, são listados alguns casos reais selecionados de implementação de soluções de IA, que usam os dois tipos de soluções tratados neste artigo. Todos foram implementados por grandes empresas globais de renome, em alguns casos, não identificadas.

5.1 – Usando IA para automação

Segundo KUMAR [1], estudos de caso reais demonstram o poderoso impacto que a IA para automação pode ter em diversos setores. Grandes empresas globais usaram a IA para reduzir custos, aumentar a eficiência e melhorar o desempenho geral.

Estudos de Caso selecionados, usando IA para Automação (KUMAR [1]):

RPA no Setor Bancário – Reduzir altos custos operacionais e acabar com o processamento manual de dados.

Resultados principais: aumento de eficiência de até 60% nas operações de back-office e redução de custos operacionais em até 40%.

Chatbots baseados em IA no varejo - Escalar operações de atendimento ao cliente nos períodos de pico.

Resultados: redução de custos com suporte ao cliente em até 25%, os tempos de resolução diminuíram em até 60%.

IA na área da saúde - Diagnóstico por análise de imagens médicas

Resultados: a precisão do diagnóstico melhorou em até 30%, o tempo de diagnóstico foi reduzido em até 50%.

IA para Processamento de Documentos no Setor Jurídico - Evitar a demorada revisão manual de documentos e análise de contratos.

Resultados: o tempo de revisão de documentos foi reduzido em até 75%.

IA em RH para automação de recrutamento – Lidar com o alto volume de candidaturas.

Resultados: redução de até 50% no tempo de contratação e as equipes de RH entrevistaram só os melhores candidatos.

5.2 – Usando IA como Agente

Os agentes de IA estão transformando os setores, permitindo automação, tomada de decisões e adaptabilidade em tempo real em ambientes complexos. Os estudos de caso reais abaixo ilustram como os agentes de IA são usados em diferentes domínios, destacando sua eficácia, adaptabilidade e autonomia.

Estudos de Caso selecionados, usando IA como Agente (KUMAR [1])

IBM Watson para Oncologia - Os médicos precisam analisar grandes quantidades de literatura médica, registros de pacientes e dados de ensaios clínicos para recomendar tratamentos personalizados contra o câncer.

Solução: O IBM Watson para Oncologia analisa dados de pacientes, histórico médico e pesquisas atuais, oferecendo opções de tratamento personalizadas com base em dados em tempo real e descobertas médicas em andamento.

Resultados: Redução do tempo para diagnóstico e recomendações de tratamento e melhoria na tomada de decisões, resultando em vasto conhecimento médico.

Sistema de Direção Totalmente Autônoma (FSD) da Tesla - Evitar erros humanos ao dirigir, que resultam em acidentes rodoviários.

Solução: análise do tráfego, placas de trânsito e movimentos de pedestres, realizada por agentes de IA baseados em DL e aprendizado por reforço.

Resultados: Redução de erros humanos e aprendizado contínuo com milhões de cenários de direção do mundo real.

Gerenciamento da Cadeia de Suprimentos com Tecnologia de IA da Amazon - Resolver dificuldades com a previsão de demanda, excesso ou escassez de estoque, exigindo resposta em tempo real.

Solução: previsão da demanda com base em dados históricos de vendas, padrões climáticos e tendências de comportamento do cliente.

Resultados: Redução dos custos da cadeia de suprimentos pela otimização dos níveis de estoque, eliminação de rupturas e excesso de estoque, maior eficiência na entrega com robótica.

IA da Darktrace para Detecção de Ameaças - Resolver problemas de ameaças cibernéticas que evoluem rapidamente, tornando ineficaz a detecção manual, e minimizar medidas de segurança reativas.

Solução: uso de Agentes de IA para detectar anomalias no comportamento da rede, identificar potenciais ameaças à segurança em tempo real e tomar ações corretivas autônomas para neutralizar ameaças.

Resultados: Redução do tempo de resposta para ameaças cibernéticas, adaptação automática a novos métodos de ataque, sem usar intervenção humana.

AlphaGo da DeepMind - Acabar com a dificuldade da IA tradicional, baseada em regras, para competir com a intuição humana em jogos complexos, como Go.

Solução: utilizou aprendizado por reforço profundo para dominar o jogo jogando contra si mesmo e descobriu, de forma autônoma, novas estratégias vencedoras nunca vistas.

Resultados: Derrotou jogadores campeões mundiais de Go, mostrou a capacidade da IA de superar a intuição humana.

6 – Exemplo de implementação

Foi selecionado um estudo de caso para resolver um problema, podendo escolher qualquer um dos tipos de uso da IA para sua solução. Cada tipo possui suas vantagens e desvantagens, cabendo ao usuário escolher qual utilizar.

ESTUDO DE CASO - Um hospital deseja implementar uma solução de IA para auxiliar médicos no diagnóstico de doenças.

De acordo com KUMAR [1], vamos considerar duas alternativas para a implementação:

I - Sistema baseado em regras para diagnosticar doenças comuns com base em sintomas, usando IA para Automação;

II: Sistema baseado em aprendizado de máquina que aprende com diagnósticos anteriores para melhorar a precisão, usando IA como Agente.

Implementação I: Usando IA para Automação

Sistema de Diagnóstico de Doenças Baseado em Regras - Um sistema especialista baseado em regras diagnostica doenças usando condições predefinidas e conhecimento médico.

Implementação usando Python

# Função
def diagnostico_baseado_em_regras(sintomas):
 regras_doencas = {
 " febre, tosse, fadiga": "Você pode estar com gripe. Consulte um médico.",
 "dor de cabeça, náusea, sensibilidade à luz": "Você pode estar com enxaqueca. Descanse em um quarto escuro.",
 "dor no peito, falta de ar, náusea": "Possível problema cardíaco. Procure atendimento médico imediatamente.",
 "coriza, espirros, dor de garganta": "Parece um resfriado comum. Mantenha-se hidratado.",
 }
 return regras_doencas.get(sintomas.lower(), "Sintomas não reconhecidos. Consulte um médico.")
 
# Exemplo de Uso
sintomas_usuario = input("Digite seus sintomas, separados por vírgula: ")
print("Diagnóstico:", diagnostico_baseado_em_regras(sintomas_usuario))

Vantagens desta implementação:

· Rápida e simples de implementar.

· Não requer dados de treinamento.

· Confiável para doenças comuns.

Desvantagens:

· Não consegue lidar com casos novos ou complexos.

· Sem aprendizado ou adaptabilidade.

· Precisão limitada para doenças incomuns.

Implementação II: Usando IA como Agente

Sistema para diagnóstico médico usando Aprendizado de Máquina - Uma IA baseada em ML aprende com os dados do paciente e melhora a precisão ao longo do tempo.

Implementação usando Python - Árvores de Decisão

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
 
# Conjunto de dados de amostra (Sintomas e Doenças)
dados_sintomas = {
"febre": [1, 0, 1, 0, 1, 0, 1],
"tosse": [1, 0, 0, 1, 1, 0, 1],
"fadiga": [1, 0, 1, 0, 1, 0, 0, 0],
"dor de cabeça": [0, 1, 0, 1, 0, 1, 0],
"náusea": [0, 1, 0, 0, 0, 1, 1],
"doenca": ["Gripe", "Enxaqueca", "Gripe", "Resfriado", "Gripe", "Enxaqueca", "Problema Cardíaco"]
}
df = pd.DataFrame(dados_sintomas)
 
# Dividir os dados em conjuntos de treinamento e teste
X = df.drop(columns=["doenca"])
y = df["doenca"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
random_state=42)
 
# Treinar um modelo de Árvore de Decisão
modelo = DecisionTreeClassifier()
modelo.fit(X_train, y_train)
 
# Função para prever doenças
def diagnostico_ia(entrada_sintomas):
df_entrada = pd.DataFrame([entrada_sintomas], colunas=X.columns)
previsao = model.predict(df_entrada)
return previsao[0]
 
# Exemplo de Uso
entrada_usuario = {"febre": 1, "tosse": 1, "fadiga": 1, "dor de cabeça": 0, "náusea ":0}
print("Diagnóstico de IA:", diagnostico_ia(entrada_usuario))

Vantagens da Abordagem de Agente de IA:

· Aprende com casos anteriores e melhora com o tempo.

· Lida com doenças complexas e raras.

· Mais preciso do que sistemas baseados em regras.

Desvantagens:

· Requer dados médicos para treinamento.

· Risco de previsões incorretas se mal treinado.

· Necessita de atualizações e monitoramento contínuos.

A tabela abaixo aponta as principais características de cada implementação, podendo ser útil para escolher a abordagem mais adequada para o caso.

Aprendizados sobre este caso:

Recomenda-se usar IA para automação em clínicas e farmácias para diagnóstico rápido de doenças comuns. No entanto, a IA como agente deve ser usada em hospitais e laboratórios de pesquisa onde aprendizado e precisão são importantes.

Um melhoramento para a solução do caso é usar um sistema híbrido em que um modelo baseado em regras lida com casos simples, e casos complexos são escalados para um modelo de IA para maior precisão!

7 – Considerações finais

A Inteligência Artifical (IA) deixou de ser ficção científica depois do lançamento do ChatGPT e hoje é aplicada em vários setores, sendo sentida pela população em melhorias nos serviços e produtos.

Este artigo tratou de 2 tipos de soluções com IA mais usadas, a IA para Automação e IA como Agente.

Em resumo, a IA para automação busca aumentar a produtividade, reduzir erros e agilizar as operações de processos.

A IA como agente é baseada em sistemas inteligentes, os agentes de IA, que se adaptam a ambientes dinâmicos para tomar decisões de forma autônoma na solução de problemas.

Este artigo apresentou as características e diferenças destes dois tipos de solução, suas aplicações mais comuns, e listou estudos de caso conhecidos em que elas foram utilizadas.

Foi mostrado que ambos têm suas vantagens e desvantagens e que a escolha depende da complexidade das tarefas, da necessidade de adaptabilidade e da disponibilidade de dados.

Uma terceira alternativa é usar modelos híbridos, que implementam os casos mais simples usando IA para Automação (regras fixas) e os mais complexos com IA como Agente (aprendizado e tomada de decisões).

8 – Referências

[1] Rakesh kumar, Ai for automation vs AI as agentes. 2025