
IA com sistema legado: camada de leitura sem reescrever o núcleo
Como criar uma camada de leitura sobre um sistema legado com IA sem reescrever o núcleo do negócio, com permissões restritas, logs e piloto controlado.
Quer aplicar isso na sua empresa?
Agendar conversa com o Juan →Para integrar IA a um sistema legado sem reescrever o núcleo, a abordagem mais segura é criar uma camada de leitura: um componente separado que consulta dados já existentes, organiza o contexto e responde perguntas ou prepara rascunhos, sem gravar nada no sistema antigo. O sistema continua sendo a fonte da verdade, a IA fica do lado de fora com permissões restritas, e cada consulta fica registrada. Essa separação permite testar valor real em um fluxo pequeno antes de decidir qualquer mudança mais profunda.
Principais pontos
- A camada de leitura conversa com o legado por caminhos que já existem, como exportações, consultas somente leitura, APIs ou documentos, e não substitui o núcleo.
- Mapear o processo e a fonte de dados vem antes de qualquer escolha de tecnologia.
- Permissões de leitura estreitas e uma lista explícita de ações proibidas reduzem o risco mais do que qualquer instrução escrita no prompt.
- Registros de perguntas, fontes usadas e respostas dão a base para avaliar o piloto e corrigir o que falha.
- A decisão de expandir, ajustar ou parar deve ser tomada com uma métrica combinada antes do piloto começar.
O que é uma camada de leitura sobre sistema legado
Muitos negócios brasileiros operam com um sistema antigo que funciona: um ERP instalado há anos, um software de agenda feito sob medida, planilhas que viraram sistema. Ele faz o trabalho, mas guarda o conhecimento de forma difícil de acessar. Pedir uma informação exige entrar em várias telas, exportar um relatório ou perguntar para quem sabe mexer.
A camada de leitura resolve parte desse problema sem tocar no que sustenta a operação. Ela coleta os dados permitidos, normaliza o que for necessário e entrega respostas a pessoas ou a um agente de IA. A escrita continua acontecendo onde sempre aconteceu, com as mesmas regras e as mesmas pessoas responsáveis.
Isso não é reescrever o sistema, e também não é colocar a IA dentro dele. A distinção importa para quem decide: o risco de quebrar faturamento, estoque ou agenda fica concentrado em um ponto pequeno e reversível.
Mapear o processo antes de escolher a fonte de dados
O erro mais comum é começar pela ferramenta. Antes de escolher qualquer coisa, vale responder por escrito algumas perguntas sobre o fluxo que se quer apoiar:
- Qual pergunta ou tarefa se repete todos os dias e hoje consome tempo de alguém?
- Quais dados são necessários para responder, e onde eles estão de fato?
- Quais dados são pessoais, sensíveis ou sigilosos, e quem pode vê-los hoje?
- Quais decisões a IA pode apenas sugerir e quais precisam de aprovação humana?
- Quem é o dono do processo e quem verifica se a resposta está certa?
Esse mapeamento também define a linha de base. Sem ela, não há como saber depois se o piloto melhorou alguma coisa. Anote quanto tempo a tarefa leva hoje, com que frequência ela volta com erro e quais exceções aparecem. Não precisa ser uma análise sofisticada, mas precisa existir.
Como a camada de leitura acessa os dados
Em geral, há quatro caminhos, cada um com custos e riscos diferentes. A escolha depende do que o sistema legado oferece e de quanto a equipe de TI consegue apoiar.
- Exportação periódica: relatórios em arquivo, gerados em horário fixo e carregados em um repositório separado. É simples e de baixo risco, mas a informação chega com atraso.
- Réplica ou banco de leitura: uma cópia dos dados em modo somente leitura, quando o fornecedor ou a equipe permite. Dá atualidade razoável sem tocar na produção.
- API existente: se o sistema já expõe endpoints, use apenas os que servem ao fluxo, com credenciais de leitura próprias.
- Documentos e políticas: manuais, procedimentos, tabelas internas e regras escritas. Para muitas perguntas de atendimento, esse material basta e é o menos arriscado de todos.
Quando a fonte é uma tela sem API, a automação de interface pode aparecer como última opção. Ela é frágil, depende de mudanças visuais no sistema e deve ser tratada como solução temporária, com revisão frequente.
A documentação do Google Cloud sobre aplicações de IA generativa com geração aumentada por recuperação descreve o padrão de buscar trechos relevantes antes de responder, que costuma ser suficiente para uma camada de leitura. Antes de decidir o que padronizar nessas fontes, vale ler o texto sobre dados organizados para superinteligência.
Limitar o que a IA pode ver e fazer
Os limites funcionam em camadas. A primeira é a credencial: a camada de leitura deve usar um usuário próprio, com permissão somente leitura, restrita às tabelas ou campos do fluxo. Não use a conta de um gerente nem uma chave de administrador apenas para facilitar o início.
A segunda é o conjunto de ferramentas. Se o agente pode consultar pedidos, ele não deve poder alterá-los. Se pode sugerir um reagendamento, a confirmação deve passar por uma pessoa ou por uma regra determinística. O OWASP mantém uma lista de riscos para aplicações com modelos de linguagem, incluindo injeção de prompt e excesso de permissão, e serve bem como checklist de revisão.
A terceira é a privacidade. Se a camada de leitura traz dados de clientes, a LGPD se aplica: a finalidade precisa ser clara, o acesso precisa ser mínimo e o fornecedor do modelo precisa estar identificado. Dependendo de onde o processamento ocorre, a transferência internacional de dados com IA também entra na conversa, e essa é uma decisão para ser tomada com o jurídico, não apenas pela equipe técnica.
Instruções no prompt ajudam, mas não substituem permissões. Uma frase como não revelar dados de outros clientes é um pedido. Um usuário que só enxerga os dados do próprio cliente é uma garantia técnica. Priorize a segunda.
Cenário ilustrativo: consulta de situação de pedido
Imagine uma distribuidora de embalagens fictícia, com um sistema de vendas instalado há anos. O atendimento recebe muitas perguntas sobre situação de pedido, prazo e nota fiscal. Hoje, cada pergunta exige consulta manual em duas telas.
Nesse cenário ilustrativo, a equipe cria uma camada de leitura que recebe uma exportação de pedidos em intervalos regulares, em um banco separado, com acesso somente leitura. Um agente responde perguntas de situação e prazo com base nessa exportação, identifica o cliente pelo número de cadastro e, quando a pergunta envolve cancelamento, alteração de quantidade ou exceção de prazo, encaminha para uma pessoa com o histórico resumido. Nenhuma resposta toca o sistema de vendas.
O ponto central do cenário é que o sistema legado permanece intacto, e a equipe sabe exatamente o que a IA leu e o que ela respondeu. Se a exportação atrasar, o agente deve informar que o status pode estar desatualizado, em vez de inventar uma situação.
Logs, avaliação e piloto com métrica combinada
Antes de colocar a camada em uso real, monte um conjunto de perguntas de teste tirado de atendimentos reais, com respostas esperadas revisadas por quem conhece o processo. Esse conjunto é a base da avaliação e cresce a cada erro encontrado. A Anthropic publicou material sobre como avaliar agentes de IA, e a ideia de testes repetíveis vale independentemente da ferramenta escolhida.
Um piloto saudável segue uma sequência clara:
- Registrar cada consulta, os dados lidos, a resposta dada e o encaminhamento, com horário e identificação de quem recebeu.
- Rodar o conjunto de testes sempre que mudar o prompt, a fonte de dados ou o modelo.
- Escolher a métrica de sucesso antes do início, por exemplo, quantas perguntas de situação foram resolvidas sem encaminhamento e com resposta verificada pela equipe.
- Revisar semanalmente os erros e as recusas desnecessárias do agente.
- Definir de antemão o que acontece se a métrica não for atingida: ajustar a fonte, reduzir o escopo ou encerrar.
Os registros também são proteção. A introdução da OpenTelemetry sobre observabilidade explica como traços, métricas e logs permitem entender o comportamento de um sistema a partir dos dados que ele produz, e a mesma lógica se aplica a agentes. Sem registro, não há como investigar um erro nem demonstrar o que aconteceu.
Para testar o agente antes de expor clientes reais, use ambientes simulados. O texto sobre mocks para testar agentes de IA detalha como fazer isso sem risco.
Como o método Juan Carlo se aplica
Na prática, seguimos quatro movimentos: mapear o processo e a linha de base, limitar dados e ações ao mínimo necessário, pilotar um fluxo real com registros e uma métrica combinada, e então transferir a operação e decidir entre expandir, ajustar ou parar. A camada de leitura encaixa nessa sequência porque é pequena, reversível e fácil de medir. Quando a operação passa a depender dela, a manutenção pode ser feita pela Be Human (be-human.ai), sempre com as regras de permissão e registro definidas desde o início.
Quando expandir, ajustar ou parar
Ao final do piloto, a decisão deve sair dos dados e das regras combinadas, não da impressão de quem gostou da demonstração. Um guia simples ajuda:
- Expandir quando a métrica foi atingida, os erros são raros e explicáveis, e a equipe confia nos registros.
- Ajustar quando a métrica ficou perto do combinado, mas os erros se concentram em uma fonte ou tipo de pergunta. Melhore a fonte ou reduza o escopo antes de ampliar.
- Parar quando a fonte exige gambiarras frágeis, quando a privacidade não pode ser garantida ou quando o processo mudou e o ganho desapareceu.
Parar também é um resultado válido. Um piloto encerrado com clareza custa menos do que uma integração mantida por obrigação.
Perguntas frequentes
Preciso reescrever o sistema legado para usar IA? Não necessariamente. Uma camada de leitura pode consultar exportações, réplicas somente leitura, APIs existentes ou documentos, sem alterar o núcleo. A decisão de reescrever deve vir depois de um piloto que mostre onde está a limitação real.
Posso dar ao agente permissão de escrita para ele agir sozinho? Em geral, não na primeira fase. Ações que alteram pedidos, cobranças ou agendas devem passar por confirmação humana ou por uma regra determinística. Comece com leitura e sugestão, e amplie apenas quando os registros sustentarem a decisão.
Como saber se o piloto deu certo? Combine a métrica antes de começar, usando perguntas reais e respostas revisadas por quem conhece o processo. Compare com a linha de base do mapeamento e revise os erros semanalmente. Sem essa comparação, a impressão subjetiva não basta.
Quais cuidados com dados pessoais de clientes? Aplique o princípio do mínimo necessário, use credenciais com acesso restrito, registre a finalidade do tratamento e verifique as exigências da LGPD para o fluxo. Se o processamento envolver serviços fora do país, confirme as condições de transferência antes de expor dados reais.