Agente de superinteligência para suporte interno da equipe

Um agente de superinteligência para suporte interno é, na prática, um assistente de IA que responde dúvidas de funcionários sobre políticas e sistemas usando apenas documentos oficiais da empresa, cita de onde tirou cada resposta e encaminha para uma pessoa quando não tem base ou quando o caso exige decisão humana. O termo soa grande, mas o que a empresa opera é um agente com fontes controladas, permissões limitadas e registro do que foi respondido. O valor está menos na inteligência do modelo e mais no desenho: quais fontes, quais limites e quem assume quando o agente para.

Principais pontos

• O agente deve responder só com base em documentos oficiais e mostrar a fonte, sem improvisar política interna.
• Dúvidas sobre sistemas (acesso, senha, ferramentas) e sobre políticas (férias, reembolso, uso de equipamentos) são o melhor ponto de partida.
• Escalonamento para RH, TI ou financeiro precisa ser parte do desenho, com resumo do caso já preenchido.
• Permissões, dados pessoais e registro de decisões pesam mais que a escolha do modelo.
• Comece por um fluxo real, com métrica combinada, e decida depois se expande, ajusta ou para.

O que significa superinteligência no suporte interno?

Vale separar o vocabulário antes de contratar ou construir qualquer coisa. Superinteligência, no sentido estrito da literatura, é um sistema que supera humanos na maioria das tarefas cognitivas, e isso não é o que uma empresa coloca em produção hoje. Quem quiser aprofundar a distinção pode ler a diferença entre AGI e superinteligência e entender o que realmente se opera no dia a dia.

Para o suporte interno, o que importa é um conjunto simples de peças: um modelo de linguagem que entende a pergunta, uma base de documentos oficiais de onde ele busca o trecho relevante, regras sobre o que pode e não pode responder, e um caminho de saída para pessoas. Essa técnica de buscar o trecho antes de gerar a resposta é conhecida como geração aumentada por recuperação (RAG), e a explicação da AWS sobre RAG descreve bem a ideia: o modelo consulta uma base de conhecimento externa em vez de depender apenas do que aprendeu no treinamento.

É uma descrição da documentação oficial. O que vem a seguir mistura essa documentação com experiência de implementação e com hipóteses de desenho, e vou indicar quando for o caso.

Que dúvidas o agente deve (e não deve) responder?

Nem toda pergunta de funcionário é boa candidata. O critério é: existe uma resposta escrita, oficial e estável? Se sim, o agente ajuda. Se a resposta depende de julgamento, de exceção ou de negociação, é caso para uma pessoa.

Boas candidatas:

• Como solicitar acesso a um sistema e quem aprova.
• Quais são as regras de reembolso de despesas e qual formulário usar.
• Como funciona a política de férias, banco de horas ou home office, conforme o documento vigente.
• Como configurar VPN, e-mail, impressora ou ferramenta de videoconferência seguindo o procedimento da TI.
• Onde encontrar um documento, modelo ou contato de cada área.

Más candidatas, que devem ir direto para uma pessoa:

• Pedidos de exceção a uma política.
• Assuntos de saúde, denúncia, assédio, conflito ou demissão.
• Dúvidas sobre remuneração individual, avaliação de desempenho ou benefícios específicos de uma pessoa.
• Qualquer pergunta em que o documento oficial é ambíguo, desatualizado ou contraditório.

Essa lista de exclusões deve estar escrita nas instruções do agente e também validada com RH e jurídico. Se o agente responde com segurança sobre um tema que a empresa nunca quis automatizar, o problema foi de desenho, não do modelo.

Como o agente responde com fonte oficial?

A regra central é simples: sem fonte, sem resposta. O fluxo funciona assim:

• A pergunta chega pelo canal que a equipe já usa, como Slack, Teams, intranet ou WhatsApp corporativo.
• O agente identifica quem perguntou e a que perfil de acesso essa pessoa pertence.
• Ele busca nos documentos autorizados para aquele perfil os trechos mais relevantes.
• Se encontra base suficiente, responde de forma curta, cita o nome do documento, a seção e a data de revisão, e oferece o link.
• Se não encontra, ou se os trechos se contradizem, diz isso com clareza e aciona o escalonamento.

Três cuidados fazem diferença. O primeiro é a curadoria: documento duplicado, versão antiga e PDF escaneado sem texto geram respostas ruins, e nenhum modelo compensa isso. Cada fonte precisa de dono, data de revisão e status de vigente ou arquivado. O segundo é o tamanho da resposta: política de empresa costuma ter exceções, então o agente deve citar a regra e as condições, não resumir de forma que mude o sentido. O terceiro é o contexto: encher a conversa de documentos inteiros piora a precisão. O material da Anthropic sobre engenharia de contexto para agentes trata exatamente de selecionar o que entra no contexto, e a lógica vale para uma base de políticas.

Como e quando escalar para uma pessoa?

Escalonar não é falha do agente, é parte do produto. Um bom desenho define gatilhos antes de ligar o sistema:

• Não há fonte oficial que responda à pergunta.
• A pergunta toca um tema da lista de exclusões.
• A pessoa pede explicitamente para falar com alguém.
• A pessoa discorda da resposta ou repete a pergunta com sinais de frustração.
• A ação pedida exige aprovação (liberar acesso, abrir exceção, alterar cadastro).

Quando escala, o agente não deve apenas dizer procure o RH. Ele entrega à pessoa responsável um resumo: quem perguntou, o que perguntou, quais documentos consultou, o que respondeu e por que parou. O funcionário não precisa repetir a história, e a equipe de RH ou TI ganha tempo. Também é útil informar ao funcionário o prazo esperado de retorno, desde que esse prazo seja real e combinado com a área.

Escolha uma regra de ouro: toda ação que altera algo (conceder acesso, aprovar reembolso, mudar um dado) passa por aprovação humana no começo. O agente prepara e registra, a pessoa decide. Depois do piloto, e só com evidência, a empresa pode avaliar se alguma ação de baixo risco pode ser automatizada. Para o caso de decisões que afetam o titular de dados, vale conferir o que diz a LGPD sobre decisões automatizadas e o direito de revisão.

Cenário ilustrativo: uma dúvida de reembolso

Este é um cenário ilustrativo, sem relação com nenhuma empresa real. Uma analista volta de uma viagem a trabalho e pergunta ao agente no canal interno se pode reembolsar a corrida de aplicativo do aeroporto. O agente identifica o perfil dela, busca na política de despesas vigente, encontra a seção sobre transporte e responde: a regra permite o reembolso mediante comprovante, dentro de determinadas condições, cita o documento e a seção, informa a data da última revisão e indica o formulário.

Em seguida, ela pergunta se pode reembolsar também o jantar de um colega que não era da equipe. A política não trata desse caso de forma clara. O agente não inventa uma interpretação: diz que a política consultada não cobre a situação, abre um chamado para o financeiro com o resumo (pergunta, trechos consultados, motivo do encaminhamento) e avisa a analista de que uma pessoa vai responder. O financeiro recebe o caso pronto, decide e, se a situação se repetir, pode atualizar a política. Esse último passo é onde o agente melhora a empresa: as perguntas sem resposta mostram onde a documentação tem lacunas.

Quais riscos exigem atenção: permissões, prompt injection e LGPD?

Suporte interno parece de baixo risco, mas lida com dados de funcionários e com sistemas da empresa. Três frentes merecem desenho cuidadoso.

Permissões. O agente só pode enxergar o que a pessoa que pergunta já poderia ver. Se a base contém a política de remuneração da diretoria, um funcionário comum não pode receber trechos dela por meio do agente. O guia da OWASP sobre autorização reforça princípios como privilégio mínimo e verificação de acesso em cada requisição, e eles se aplicam direto aqui: a checagem de permissão deve ocorrer na busca, antes de o texto chegar ao modelo, não depender de o modelo se comportar bem.

Prompt injection. Documentos, e-mails e páginas que o agente lê podem conter instruções maliciosas ou acidentais. A OWASP mantém um material de prevenção de prompt injection com medidas práticas, como separar instruções de dados, limitar as ferramentas disponíveis e validar saídas. Na prática: o agente de suporte não deve ter ferramentas que ele não precisa, e qualquer ação sensível passa por aprovação.

LGPD e dados pessoais. Perguntas de funcionários podem conter dados pessoais e até dados sensíveis, como saúde. Defina o que é registrado, por quanto tempo, quem acessa os logs e se há envio de dados para provedores fora do Brasil. Para esse último ponto, vale ler o que a LGPD exige em transferência internacional de dados com IA e alinhar o desenho com o encarregado de dados da empresa. Comunique também à equipe, de forma clara, que o agente existe, o que ele registra e para quê.

Como começar: mapear, limitar, pilotar e transferir

O método que aplico em projetos desse tipo segue quatro movimentos, sem promessa de resultado específico, apenas uma ordem que reduz risco.

• Mapear: levantar as perguntas que a equipe de RH e TI mais recebe, quais já têm resposta documentada, quem é o dono de cada documento e como o atendimento funciona hoje. Esse mapa vira a linha de base para comparar depois.
• Limitar: escolher poucas fontes oficiais, definir os perfis de acesso, listar os temas proibidos, fixar os gatilhos de escalonamento e decidir quais dados o agente nunca recebe.
• Pilotar: colocar um fluxo real no ar, por exemplo dúvidas de acesso a sistemas, com um grupo pequeno, registro de cada resposta e uma métrica combinada de antemão (por exemplo, quantas perguntas foram resolvidas com fonte e quantas foram escaladas corretamente). Antes de liberar, testar com perguntas reais e com casos de borda; a prática de testar agentes com mocks e sandbox ajuda a validar o comportamento sem tocar em sistemas de produção.
• Transferir: entregar à equipe a documentação, os critérios de revisão das fontes e o painel de acompanhamento, e decidir com base nos dados se expande, ajusta ou encerra o piloto.

Para avaliar a qualidade, a própria Anthropic descreve em Demystifying evals for AI agents como montar avaliações para agentes. A ideia aplicada ao suporte interno é manter um conjunto fixo de perguntas com respostas esperadas e fontes corretas, e rodar esse conjunto a cada mudança de documento ou de instrução.

O que acompanhar depois que o agente entra no ar

Um agente de suporte interno não é um projeto que termina no lançamento. As políticas mudam, os sistemas mudam e as perguntas mudam. Uma rotina mínima de manutenção inclui:

• Revisar semanalmente as perguntas escaladas e as sem resposta, para atualizar documentos ou ajustar regras.
• Conferir amostras de respostas com as fontes citadas, verificando se a citação realmente sustenta a resposta.
• Retirar da base documentos vencidos e registrar a data de cada atualização.
• Revisar quem tem acesso aos logs e quanto tempo eles ficam guardados.
• Ouvir a equipe: onde o agente ajudou, onde atrapalhou e que perguntas faltam.

Um cuidado de cultura: o objetivo é reduzir fricção para o funcionário, não vigiar a equipe. Se a empresa quiser medir o uso, que meça o suporte (resolvido, escalado, lacuna de documentação), não pessoas. O texto sobre medir produtividade com IA sem virar vigilância trata desse equilíbrio.

Perguntas frequentes

Um agente de IA pode substituir a equipe de RH ou de TI no suporte interno? Não é esse o desenho recomendado. O agente absorve perguntas repetitivas com resposta documentada e prepara os casos que exigem decisão, enquanto RH e TI ficam com exceções, temas sensíveis e aprovações. A equipe humana continua responsável pelas políticas e pelas decisões.

Preciso treinar um modelo próprio com os documentos da empresa? Em geral, não para esse caso. A abordagem de buscar o trecho oficial e gerar a resposta a partir dele costuma ser mais simples de manter e de auditar, porque basta atualizar o documento para atualizar o agente. Treinar ou ajustar um modelo é uma decisão separada, que só faz sentido se o piloto mostrar uma limitação que a busca não resolve.

O que o agente deve fazer quando a política está desatualizada ou contraditória? Ele não deve escolher uma versão por conta própria. O correto é informar que as fontes não permitem uma resposta segura, escalar para o dono do documento e registrar a lacuna. Esse registro vira uma tarefa de revisão da base, o que melhora o próprio material de referência.

Quais dados do funcionário o agente pode acessar? Somente os necessários para responder aquela dúvida, com permissões equivalentes às da pessoa que pergunta. Dados sensíveis, como saúde ou denúncias, devem ficar fora do escopo e ir direto para a área responsável. Defina base legal, retenção de logs e acessos junto ao encarregado de dados e ao jurídico, considerando as orientações da ANPD.

Fontes

• AWS: What is retrieval-augmented generation
• OWASP: Authorization guidance
• OWASP: prompt injection prevention
• Anthropic: Demystifying evals for AI agents