Como a IA pode ampliar o que conseguimos automatizar
Como combinar IA, regras, APIs e RPA em automações, com validação das respostas, revisão humana e limites de autonomia.
Com a popularização da inteligência artificial generativa, uma pergunta começou a aparecer com frequência:
IA vai substituir RPA?
Na minha visão, a pergunta mais útil é onde cada ferramenta ajuda. RPA, APIs, modelos de linguagem, OCR e agentes têm papéis distintos e podem se combinar em um mesmo processo.
Este texto apresenta uma visão de arquitetura, com exemplos hipotéticos, e não um relato de implantação dos fluxos descritos. O foco é usar IA em etapas que envolvem interpretação, mantendo controles sobre o restante da execução.
Automação tradicional gosta de regras claras
Imagine um processo:
Receber dados
Validar campos
Consultar sistema
Aplicar regra
Enviar informação
Registrar resultado
Se as regras são determinísticas, não precisamos de um modelo de linguagem para executar isso.
Um if continua sendo uma excelente tecnologia.
Se:
valor > 1000
então determinada ação acontece.
Para essa decisão isolada, uma condição no código já resolve o problema.
Quanto mais determinística a tarefa, mais interessante tende a ser usar lógica determinística.
Isso facilita testar e reproduzir o comportamento da regra. As dependências externas ainda podem falhar, mas a decisão não precisa passar por uma resposta probabilística.
O problema aparece com informação não estruturada
Agora imagine que o processo receba um e-mail escrito livremente.
Precisamos descobrir:
- qual é a intenção do usuário;
- qual produto ele está mencionando;
- qual problema está relatando;
- qual informação deve ser extraída.
Esse tipo de tarefa é muito mais difícil de resolver apenas com regras.
Poderíamos criar regex, palavras-chave e dezenas de condições.
Funcionaria até certo ponto.
Mas linguagem natural possui variação demais.
É nesse tipo de cenário que IA pode ampliar a automação.
IA como componente, não necessariamente como processo inteiro
Eu gosto de pensar em uma arquitetura assim:
Entrada
↓
Automação
↓
IA interpreta ou classifica
↓
Automação valida
↓
Regra de negócio
↓
API ou sistema
↓
Resultado
A IA propõe uma interpretação ou classificação para a parte ambígua. A automação valida a resposta e controla quais ações podem ser executadas.
Isso é diferente de entregar toda a decisão para um modelo e esperar que ele faça tudo sozinho.
Um exemplo simples
Suponha que recebemos mensagens como:
"Não consigo acessar minha conta desde ontem."
"Quero atualizar meu endereço."
"Meu pagamento foi recusado."
Um modelo pode classificar:
{
"categoria": "acesso"
}
ou:
{
"categoria": "atualizacao_cadastral"
}
Depois de validar a categoria contra os valores permitidos e tratar respostas inválidas ou inconclusivas, a automação pode seguir um fluxo determinístico.
Por exemplo:
categoria = acesso
↓
executar fluxo de suporte de acesso
A IA ajudou a transformar linguagem natural em um dado estruturado.
O restante continua controlado.
Saídas estruturadas facilitam a integração
Modelos de linguagem não precisam retornar apenas texto livre.
Quando o modelo e a API oferecem saídas estruturadas com um schema, fica mais fácil integrar a resposta. Pedir “responda em JSON” no prompt não oferece necessariamente a mesma garantia de um recurso que restringe o formato.
Em vez de receber:
Parece que o usuário está solicitando uma atualização cadastral.
podemos trabalhar com algo semelhante a:
{
"categoria": "atualizacao_cadastral",
"motivo": "Usuário solicitou alteração de endereço."
}
A automação consegue verificar os campos e os valores permitidos. Isso não comprova que a categoria foi inferida corretamente nem que a justificativa corresponde aos fatos.
É preciso tratar recusas, respostas interrompidas e outras condições documentadas pelo provedor. A documentação de saídas estruturadas da Anthropic apresenta exemplos dessas limitações. O controle do formato é uma parte da integração; a qualidade da decisão precisa ser avaliada separadamente.
IA não elimina validação
Esse ponto é fundamental.
Um modelo pode produzir uma resposta plausível e ainda assim estar errado.
Por isso, em processos reais, não gosto da ideia de tratar a saída da IA automaticamente como verdade.
Dependendo do risco, podemos usar:
- schema de saída;
- validação;
- listas de valores permitidos;
- avaliação com exemplos representativos e respostas esperadas;
- regras complementares;
- consulta a fontes;
- revisão humana;
- fallback.
Quanto maior o impacto da decisão, maior deve ser o controle.
Um campo de confiança preenchido pelo próprio modelo não é automaticamente uma probabilidade calibrada de acerto. Para decidir o que pode seguir sem revisão humana, é preciso medir erros em dados representativos e definir critérios de encaminhamento dos casos incertos.
Nem todo processo precisa de IA
Existe também um problema de moda tecnológica.
Como IA está em evidência, pode surgir a vontade de colocá-la em qualquer solução.
Mas imagine uma automação que precisa verificar:
status == "ATIVO"
Não precisamos de IA.
Ou somar valores de uma planilha.
Também não.
Ou chamar uma API com parâmetros conhecidos.
Novamente, não.
Nesses casos, IA provavelmente adicionaria:
- custo;
- latência;
- incerteza;
- dependência externa;
- complexidade.
Sem resolver um problema real.
Onde eu vejo mais valor
Algumas tarefas combinam muito bem com IA dentro de automações.
Classificação
Determinar categoria, intenção ou tipo de documento.
Extração
Transformar texto não estruturado em campos.
Resumo
Reduzir grandes volumes de texto antes de uma etapa humana.
Geração
Criar uma resposta inicial, descrição ou conteúdo.
Interpretação
Entender solicitações escritas de formas diferentes.
Normalização
Converter texto livre para um formato esperado.
Essas capacidades podem entrar dentro de processos já automatizados.
OCR e interpretação cumprem papéis diferentes
Outro ponto interessante é diferenciar tecnologias.
OCR reconhece texto em imagens e documentos. Muitas soluções atuais de OCR também usam aprendizado de máquina, portanto não faz sentido colocá-lo como uma categoria oposta à IA. A visão geral de OCR da Microsoft explica essa relação.
A tarefa central do OCR é responder:
Que texto existe nesta imagem?
Uma etapa posterior de interpretação, que pode usar um modelo multimodal ou de linguagem, tenta responder:
O que este documento significa?
Reconhecer o texto e interpretar seus campos são tarefas diferentes. Ambas podem errar e precisam de validação conforme o uso.
Em um documento, podemos ter:
Imagem
↓
OCR
↓
Texto
Depois:
Texto
↓
IA
↓
Classificação / extração / interpretação
Em algumas soluções, essas etapas podem estar combinadas.
Mas conceitualmente continuam resolvendo problemas diferentes.
RPA ainda possui espaço
Existem muitos sistemas sem APIs adequadas.
Aplicações desktop.
Portais antigos.
Sistemas internos.
Processos que exigem interação com interface.
Enquanto essas situações existirem, automação de interface continua tendo utilidade.
IA não cria magicamente uma API onde ela não existe.
Ela pode até ajudar um agente a interpretar uma tela.
Mas isso continua sendo interação com interface, com várias das mesmas fragilidades.
APIs continuam importantes
Quando existe uma API adequada, ela continua sendo uma excelente forma de integração.
Uma arquitetura pode combinar:
LLM
↓
Automação
↓
API
A IA sugere uma interpretação, a automação valida e aplica as regras, e a integração com a API executa a operação autorizada.
Cada componente faz aquilo para o qual é mais adequado.
Essa separação ajuda a identificar quem pode decidir, quem pode executar e onde conferir o resultado.
E os agentes?
Em uma arquitetura com agentes, modelos podem escolher ferramentas e orientar sequências de ações dentro dos recursos oferecidos pela aplicação.
Mas autonomia também aumenta risco.
Quanto mais liberdade damos ao sistema, mais precisamos pensar em:
- permissões;
- validação;
- limites;
- rastreabilidade;
- custo;
- segurança;
- observabilidade;
- aprovação humana.
Um agente capaz de consultar informações é uma coisa.
Um agente capaz de executar operações irreversíveis em produção é outra.
A arquitetura precisa refletir essa diferença.
As permissões devem ser aplicadas pelas ferramentas e pelos serviços, sem depender apenas de uma instrução no prompt. Conteúdo recebido em mensagens ou documentos deve ser tratado como dado de entrada, sem autoridade para alterar esses limites.
Determinístico por fora, probabilístico por dentro
Uma ideia que considero interessante é manter o processo externo o mais previsível possível.
Por exemplo:
1. receber entrada;
2. validar;
3. chamar IA para uma tarefa específica;
4. validar saída;
5. aplicar regra;
6. executar operação;
7. registrar resultado.
A parte probabilística fica delimitada.
Isso ajuda a testar e entender o sistema.
Em vez de:
"IA, resolva o processo."
temos:
"IA, execute esta tarefa específica e retorne neste formato."
É uma diferença arquitetural importante.
IA amplia o que antes era difícil automatizar
Durante muito tempo, algumas tarefas eram caras demais para automatizar porque exigiam interpretação.
Textos.
Documentos variados.
Solicitações humanas.
Conteúdo não estruturado.
Hoje, modelos conseguem participar dessas etapas.
Isso faz com que processos antes parcialmente automatizáveis possam ganhar novas possibilidades.
Mas o restante dos fundamentos continua existindo.
Ainda precisamos pensar em:
- logs;
- retries;
- filas;
- APIs;
- autenticação;
- segurança;
- idempotência;
- monitoramento;
- tratamento de exceções.
IA não remove engenharia.
Em muitos casos, exige ainda mais.
A combinação depende do problema
Não vejo uma disputa entre:
- RPA;
- APIs;
- IA;
- agentes.
Vejo uma caixa de ferramentas maior.
Um processo pode usar:
OCR → LLM → regra → API → fila → RPA
Outro pode precisar apenas de:
API
Outro:
RPA
E outro:
LLM + revisão humana
A melhor arquitetura depende do problema.
Conclusão
IA não precisa substituir automação para transformar a área.
Ela já amplia o conjunto de problemas que conseguimos atacar.
Principalmente quando entra em pontos onde regras tradicionais têm dificuldade: linguagem natural, documentos, classificação e interpretação.
Mas isso não elimina os fundamentos.
Quando a regra é clara e suficiente para a tarefa, lógica determinística tende a ser mais simples de validar.
Quando existe API, API continua sendo valiosa.
Quando só existe interface, RPA continua tendo espaço.
E quando existe ambiguidade, IA pode adicionar uma capacidade que antes não tínhamos.
Para cada etapa, vale escolher a ferramenta pelo benefício, pelo custo e pelo risco. Ampliar a automação com IA faz sentido quando a capacidade adicional compensa o esforço de validar e controlar suas respostas.