Nos dias 23 e 24 de setembro de 2026, o CONAREC receberá a Konecta para apresentar o que a empresa chama de "nova era do CX com IA agêntica". O evento promete vitrines reluzentes de tecnologia. Mas, antes de nos deixarmos levar pelo brilho dos agentes autônomos que prometem resolver qualquer chamado sem intervenção humana, vale a pergunta que incomoda: estamos mesmo prontos para colocar agentes de IA tomando decisões em nome da empresa, com o cliente real na linha?
Eu não tenho nenhuma dúvida de que a direção é inevitável. Agentes de IA — aqueles que não apenas respondem, mas executam ações em sistemas internos, alteram pedidos, reembolsam valores, acionam logística — representam o próximo passo natural depois dos chatbots baseados em regras ou em modelos de linguagem puramente conversacionais. A diferença é substancial: enquanto um chatbot apenas gera texto, um agente orquestra APIs, consulta bancos de dados e dispara workflows. E é aí que a casa cai.
O que realmente muda com agentes de IA no CX
Para quem trabalha com infraestrutura e segurança, o salto de um chatbot para um agente é comparável a trocar um portão eletrônico por uma equipe de seguranças armados. O chatbot conversa, mas não mexe em nada. O agente mexe. Ele precisa de permissões em sistemas de CRM, ERPs, plataformas de pagamento, APIs de logística. Cada integração é uma superfície de ataque potencial, cada permissão mal calibrada pode gerar um incidente de segurança ou, pior, uma experiência catastrófica para o cliente.
A Konecta, segundo o anúncio, vai mostrar como os agentes podem atuar de forma autônoma em múltiplos canais. Isso significa que o mesmo agente pode iniciar um atendimento no WhatsApp, identificar a insatisfação por tom de voz no canal de voz (se houver análise de áudio), acessar o histórico de compras no sistema legado e, por conta própria, autorizar um estorno parcial. O conceito é elegante. A execução, um pesadelo de governança.
Do ponto de vista arquitetural, um agente de IA típico funciona com um modelo de linguagem grande (LLM) como cérebro, ferramentas (tools) como mãos e um plano de execução definido por prompts ou por um framework de agentes (como LangGraph, AutoGen ou soluções proprietárias). O LLM decide qual ferramenta chamar, com quais parâmetros, e interpreta o retorno para decidir o próximo passo. Em teoria, isso permite resolver problemas complexos que exigem múltiplas consultas. Na prática, cada chamada de ferramenta adiciona latência, custo de token e, principalmente, risco de uma decisão imprevista.
Os três gargalos silenciosos da IA agêntica em produção
1. Alucinações não são apenas textuais — são operacionais. Todo mundo que trabalhou com LLMs já viu uma alucinação: o modelo inventa um fato, cita uma fonte que não existe, dá um conselho errado. Quando o modelo apenas conversa, o dano é limitado. Quando ele executa um reembolso indevido baseado em uma interpretação errada do histórico, o prejuízo é real. Mitigar isso exige camadas de validação: antes de executar uma ação crítica, o agente deve passar por um "humano no loop" ou por regras de negócio duras. Mas isso reduz justamente a autonomia que se quer vender.
2. A integração com sistemas legados é o calcanhar de Aquiles. Contact centers de grandes empresas brasileiras, especialmente em setores como telecom, seguros e bancos, operam com sistemas construídos nos anos 90 ou 2000, com APIs frágeis, documentação ausente e autenticação por credenciais compartilhadas. Conectar um agente de IA a esses sistemas exige um trabalho de engenharia de integração que muitas vezes supera o custo do próprio modelo de IA. Sem contratos de nível de serviço (SLAs) claros para essas APIs, o agente pode falhar silenciosamente, e o cliente fica no limbo.
3. Privacidade de dados no contexto de agentes autônomos. Um agente que acessa múltiplos sistemas inevitavelmente coleta e processa dados pessoais do cliente para tomar decisões. Sob a LGPD, o tratamento automatizado de dados pessoais exige transparência sobre a lógica de decisão. Como explicar para um cliente que um modelo de linguagem, com seus pesos probabilísticos, decidiu negar um reembolso? O "direito de explicação" previsto na lei ainda não tem jurisprudência consolidada, mas quando o agente errar, o ônus será da empresa contratante, não da provedora de IA.
Por que o CONAREC 2026 pode ser o momento da verdade
Eventos como o CONAREC são vitrines importantes. A Konecta, como global player, tem capital e expertise para investir em arquiteturas robustas. Mas o ecossistema de CX no Brasil é heterogêneo: há desde startups nativas digitais até gigantes com trinta anos de legado. A adoção de IA agêntica não será uniforme. Empresas que já têm maturidade em APIs, dados estruturados e governança de IA sairão na frente. As que ainda dependem de terminais verdes e atendimento puramente humano vão patinar.
O maior erro que vejo nesse tipo de anúncio é prometer autonomia total. Na minha experiência com projetos de automação, o modelo mais eficaz é o "agente assistido": o agente sugere ações, o humano aprova (ou reprova) com um clique, e o sistema executa. Assim, ganha-se agilidade sem perder controle. É menos sexy que um agente totalmente autônomo, mas muito mais seguro e escalável no curto prazo. Conforme a confiança aumenta, reduz-se gradualmente a supervisão humana — mas isso leva meses, não semanas.
Lições de implementação para quem quer testar agora
Se a sua empresa está considerando adotar agentes de IA no CX, sugiro três ações concretas antes de qualquer piloto:
- Mapeie as ações críticas: liste todas as ações que um agente poderia executar (consultar saldo, alterar plano, emitir nota fiscal, cancelar serviço). Para cada ação, defina um nível de risco e um mecanismo de validação automática (regra de negócio dura) ou humana (aprovação).
- Implemente um sandbox de integração: não conecte o agente diretamente aos sistemas de produção. Crie um ambiente de testes com dados sintéticos ou anonimizados que simule os cenários reais de chamadas. Teste milhares de casos antes de liberar para um cliente real.
- Monitore a qualidade das decisões: não adianta só medir tempo médio de atendimento (TMA) ou taxa de resolução no primeiro contato (FCR). É preciso auditar as decisões do agente — especialmente os casos em que ele optou por não executar a ação esperada. Muitas vezes, o modelo "desiste" de um fluxo por ambiguidade, e isso gera abandono.
Do ponto de vista de infraestrutura em nuvem, prepare-se para picos de latência e custo. Cada interação com um agente consome muito mais tokens do que uma conversa de chatbot simples, porque o modelo precisa gerar "thoughts", "actions" e "observations" (raciocínio interno). O custo por atendimento pode multiplicar por 5 ou 10, dependendo da complexidade da tarefa. Planeje a orquestração de agentes com cache inteligente de respostas comuns e fallback para modelos menores (como um modelo local fine-tuned) nas etapas de classificação.
Uma visão crítica sobre o discurso da "nova era"
A Konecta não está errada em apostar em IA agêntica. É uma evolução natural. O que me preocupa é o timing e a expectativa. O mercado brasileiro de CX ainda está digerindo chatbots básicos com LLM. Muitos contact centers sequer integraram canais de mensageria de forma consistente. Pular diretamente para agentes autônomos sem a base de dados, integração e governança adequada é receita para frustração do cliente e retrabalho da equipe.
A "nova era" que será apresentada no CONAREC 2026 virá acompanhada de cases de sucesso controlados — como sempre acontece em eventos desse porte. O verdadeiro teste será quando milhares de clientes reais, com problemas reais e linguagem imprevisível, interagirem com esses agentes em escala. Até lá, mantenho os pés no chão: agente autônomo sim, mas com supervisão, validação e um plano de contingência humano bem definido.
Se você é engenheiro de software ou profissional de infra que vai precisar implementar isso no dia seguinte ao evento, comece hoje a conversar com seu time de segurança e de produto sobre permissões mínimas, rastreabilidade de decisões e testes de estresse. A hype vai passar, mas os logs dos agentes — e os chamados dos clientes insatisfeitos — ficam para sempre.