RPA ou agentes de IA: qual automação faz sentido para a sua operação?

"Preciso de IA na minha operação" virou frase de reunião de diretoria. Mas boa parte dos processos que sangram as empresas em trabalho manual não precisa de IA nenhuma — precisa de automação bem feita. E boa parte do que o mercado vende como "agente de IA" é um robô de regras com marketing melhor: a Gartner estima que, de milhares de fornecedores que se dizem "agênticos", apenas cerca de 130 oferecem capacidades genuínas. Este artigo explica a diferença real entre as duas técnicas, com custos comparados, riscos documentados e exemplos que temos rodando em produção — para você decidir com critério antes de pagar por tecnologia que não precisa.

O que é RPA e onde ele brilha?

RPA (Robotic Process Automation) é a automação de tarefas repetitivas por robôs de software que seguem regras pré-definidas. Na definição da UiPath, uma das líderes do setor, os robôs de RPA "executam tarefas repetitivas e baseadas em regras, como digitar dados, mover arquivos ou processar transações", imitando a interação humana com sistemas digitais — interpretar telas, navegar em sistemas, executar cliques e digitação — com velocidade e consistência que gente nenhuma sustenta oito horas por dia.

Essa previsibilidade é a força do RPA, não a limitação. Para processos estáveis e estruturados — conciliação bancária, digitação entre sistemas que não conversam, extração de relatórios, processamento de faturas, rotinas fiscais —, o RPA é mais barato de construir, mais rápido de entregar e, ponto que pouca gente valoriza até precisar, mais fácil de auditar: o robô fez exatamente o que a regra manda, todas as vezes, e o log prova. Se o seu processo pode ser descrito num fluxograma sem a palavra "depende", RPA resolve.

Onde o RPA quebra?

Em uma palavra: variação. O robô de regras conhece um caminho — e o mundo real muda o caminho o tempo todo:

• Interface que muda: o portal do fornecedor lançou um layout novo, o campo mudou de lugar, apareceu um banner de cookies — e o robô que navegava por posição de tela para, ou pior, erra em silêncio e ninguém percebe até o fechamento do mês.
• Entrada não estruturada: RPA lê planilha, API e formulário. Não lê o PDF de cada seguradora com um layout, o e-mail escrito de um jeito diferente por cada cliente, a conversa de WhatsApp.
• Exceções: cada "caso especial" vira um galho novo no fluxograma. Processos com muita exceção transformam o robô num emaranhado de regras que custa mais para manter do que o trabalho manual custava.

Esse custo de manutenção é o segredo sujo do RPA tradicional: a licença é a menor parte da conta; o que pesa é o retrabalho de engenharia cada vez que o ambiente muda. É exatamente esse buraco que os agentes de IA vieram preencher.

O que são agentes de IA — e o que muda em relação ao RPA?

Agentes de IA são sistemas que usam um modelo de linguagem (LLM) para perceber o ambiente, interpretar contexto e executar ações — decidindo dinamicamente os próprios passos. A Anthropic, no guia "Building effective agents", traça a fronteira técnica com precisão: workflows são sistemas em que o modelo e as ferramentas são orquestrados por caminhos de código predefinidos; agentes são sistemas em que o modelo dirige dinamicamente seu próprio processo e o uso das ferramentas. A diferença não é o rótulo — é quem decide o próximo passo: o programador (RPA e workflows) ou o modelo (agente).

Na prática, o agente entra exatamente onde o RPA quebra:

• Conteúdo não estruturado: e-mails, PDFs com layouts variados, mensagens de cliente, descrições em texto livre — o modelo lê e extrai o que interessa, mesmo sem formato fixo.
• Decisão com contexto: classificar, priorizar, resumir, escrever no tom certo — tarefas que antes exigiam alguém lendo e julgando.
• Ambientes que mudam: um layout novo não derruba o agente, porque ele não decorou posições de tela — ele entende o que está vendo.

O preço dessa flexibilidade está documentado pela própria Anthropic: sistemas agênticos costumam trocar latência e custo por melhor desempenho na tarefa — e são adequados para problemas abertos, em que não dá para prever o número de passos. A recomendação oficial de quem constrói os modelos é a mesma que damos em diagnóstico: comece pela solução mais simples que resolve e só adicione complexidade agêntica quando ela comprovadamente melhorar o resultado.

Cuidado com o "agent washing"

Antes de contratar qualquer coisa com "agente" no nome, vale conhecer o número mais citado do mercado em 2025–2026: a Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio incerto ou controles de risco inadequados. A mesma análise nomeia a praga: "agent washing" — fornecedores rebatizando assistentes, chatbots e ferramentas de RPA como "IA agêntica" sem capacidade agêntica real.

A leitura correta desse dado não é "IA agêntica não funciona" — a própria Gartner prevê que, até 2028, 15% das decisões cotidianas de trabalho serão tomadas autonomamente por agentes e 33% dos softwares corporativos embutirão IA agêntica. A leitura correta é: projeto de agente sem caso de uso claro, sem conta de retorno e sem controle de risco vira estatística de cancelamento. A tecnologia é real; o hype é que é mal aplicado.

Como decidir? A matriz que usamos num diagnóstico

Quando um cliente chega com um processo manual na mesa, três perguntas resolvem 80% da decisão:

1. O processo tem exceções frequentes? Se 95% dos casos seguem o mesmo caminho, RPA cuida do grosso e o time humano fica com os 5%. Se cada caso é um caso, é território de agente.
2. A entrada é estruturada? Planilha, API e formulário são estruturados — RPA lê. E-mail, PDF variado e conversa de WhatsApp não são — aí precisa de IA.
3. O erro custa quanto? Processo crítico (financeiro, fiscal) pede o componente mais previsível possível em cada etapa — muitas vezes um híbrido: IA para interpretar, regra fixa para executar, humano para aprovar o que passa de um limite.

Repare que a resposta raramente é "ou um, ou outro". As automações mais robustas que operamos são híbridas: o agente interpreta o mundo bagunçado, e a camada de regras executa com precisão o que foi interpretado. O LLM nunca deveria ser a peça que digita o valor no sistema financeiro — ele é a peça que entende qual valor é, e entrega para uma regra determinística digitar.

Quanto custa cada abordagem?

Comparando o custo de plataforma com fontes públicas:

• RPA: o modelo comercial dominante é licença por robô/usuário. A UiPath publica o plano Basic a partir de US$ 25/mês; os planos Standard e Enterprise — os que uma operação de verdade usa — são "fale com vendas", tipicamente precificados por robô e por módulo.
• Agentes de IA: o consumo é cobrado por token processado. Na tabela oficial da Anthropic, os modelos vão de US$ 1 (entrada) / US$ 5 (saída) por milhão de tokens no Claude Haiku 4.5 a US$ 5/US$ 25 no Claude Opus 4.8 — com desconto de 50% em processamento em lote e cache de prompt a 10% do preço de entrada. Para dar escala a esses números: a documentação oficial calcula cerca de US$ 37 para processar 10 mil atendimentos de suporte com o modelo mais leve.

A conclusão que importa: o custo de plataforma deixou de ser a barreira. Token de LLM e licença de entrada custam pouco; o que define o investimento é a engenharia — desenhar o processo, integrar os sistemas, construir as validações e manter aquilo vivo. Como referência do que praticamos em 2026: automações simples partem de R$ 25 mil e saem em 1 a 3 semanas; automações e agentes de escopo fechado ficam entre R$ 25 e 80 mil, em 4 a 8 semanas; operações maiores, com múltiplos sistemas ou hardware, entre R$ 80 e 250 mil ou mais. Escrevemos em detalhe sobre isso em quanto custa desenvolver um sistema sob medida.

A conta do retorno é direta: some as horas de equipe presas no processo por mês, o custo dos erros e atrasos, e multiplique por 12. Processos que consomem horas diárias de gente qualificada costumam pagar a automação no primeiro ano — e a partir daí a economia é recorrente, porque o agente não pede férias e não pede aumento.

Quais são os riscos de um agente de IA em produção?

Flexibilidade tem contrapartida, e quem vende agente sem falar de risco está vendendo agent washing. Os riscos principais têm nome e catálogo público — o OWASP Top 10 para aplicações com LLM (edição 2025) lista, entre outros:

• Prompt injection (LLM01, o risco nº 1 da lista): conteúdo malicioso — num e-mail, numa página, num documento que o agente lê — que tenta sequestrar as instruções do modelo.
• Agência excessiva (LLM06): dar ao agente mais funcionalidade, permissão ou autonomia do que a tarefa exige. É o erro de arquitetura mais comum que encontramos em projeto herdado.
• Alucinação: o modelo afirmar com confiança algo que não está nos dados. Em automação, a defesa não é torcer — é desenhar o fluxo para que toda saída do modelo seja validada por regra ou por gente antes de virar ação irreversível.

As mitigações também estão documentadas: a Anthropic recomenda testes extensivos em ambientes isolados, guardrails apropriados e pausas para feedback humano em checkpoints — o padrão human-in-the-loop. É assim que operamos: agente com escopo mínimo de permissão, validação determinística das saídas, trilha de auditoria completa e aprovação humana para tudo que passa de um limite de valor ou risco. Agente de IA sem guarda-corpo em produção é risco, não automação.

E os sistemas legados? MCP como ponte

A objeção mais comum em diagnóstico: "meu sistema é antigo, não tem API". Até pouco tempo, cada integração dessas era um projeto custom — na justificativa da própria Anthropic ao criar o protocolo, "cada nova fonte de dados exige sua própria implementação, tornando sistemas verdadeiramente conectados difíceis de escalar".

O MCP (Model Context Protocol) ataca exatamente isso: é um padrão aberto para conectar aplicações de IA a sistemas externos — bancos de dados, arquivos, ferramentas internas. A analogia oficial é boa: MCP é o USB-C da IA — um conector padronizado no lugar de um cabo proprietário por aparelho. Criado na Anthropic e aberto como projeto open-source em 2024, hoje é suportado pelos principais clientes de IA do mercado. Na prática, para o dono da operação, significa: dá para colocar um agente conversando com o sistema legado sem reescrever o sistema legado — construímos o servidor MCP na frente dele, e o agente enxerga um catálogo padronizado de ferramentas. Explicamos o conceito em uma frase no artigo o que é um agente de IA.

Como isso funciona na prática? Três exemplos em produção

Três automações que a Rhodium mantém em produção — setores preservados a pedido dos clientes. Repare que as três são híbridas: regra fixa onde dá, IA onde precisa.

10 seguradoras em um painel só

O time financeiro de uma corretora navegava portal por portal de seguradora para coletar parcelas vencidas — cada portal com login, layout e formato próprios. Hoje a coleta agendada e a autenticação são automação determinística; a parte que regra fixa sozinha não resolvia é a normalização de formatos completamente distintos (cada seguradora nomeia, agrupa e formata as parcelas de um jeito), que o agente interpreta e padroniza antes de alimentar um painel único, atualizado diariamente. Se um portal muda o layout, o agente se adapta ou sinaliza — não erra em silêncio. O time parou de navegar e passou a decidir.

Anúncio de veículo que vira post de Instagram

No varejo automotivo, um agente monitora os portais de anúncios, captura os veículos novos, escreve a legenda no tom da marca usando IA generativa e agenda a publicação pela API do Instagram. A coleta e a publicação são automação clássica — regra fixa, horário certo, API oficial; a redação no tom certo, adaptada a cada carro, é o que só o modelo de linguagem faz. Cada legenda passa por validação antes de publicar. O marketing acorda com o feed abastecido — zero hora de trabalho manual por post.

Evidência de campanha sem abrir navegador

Em mídia, comprovar veiculação de campanha significava horas capturando prints canal por canal. Um agente percorre os canais, captura as evidências com data e hora, organiza por veículo e monta o relatório PDF sozinho. A varredura e o PDF são mecânicos; identificar se a peça certa está veiculada no lugar certo — em páginas que mudam o tempo todo — é a parte interpretativa. O que levava horas passou a ser executado em minutos, com trilha de auditoria completa.

Qual o erro mais comum ao automatizar?

Começar pela tecnologia, não pelo processo. A empresa decide que "precisa de IA", contrata a ferramenta e sai procurando onde usar — quando o caminho certo é o inverso: mapear onde a operação sangra, medir o custo, e só então escolher a técnica (RPA, agente, híbrido ou, às vezes, só arrumar o processo). Tecnologia escolhida antes do diagnóstico vira prateleira — e, segundo a Gartner, vira também boa parte dos 40% de projetos agênticos que não vão sobreviver a 2027.

É por isso que na Rhodium todo projeto começa pela Fase 1 — o Diagnóstico de Viabilidade Técnica: uma sessão de até 3 horas em que colocamos seu processo na mesa e saímos com o veredicto — o que automatizar, com qual técnica, por quanto e com qual retorno esperado. Se a conclusão for "não automatize isso ainda", você fica sabendo antes de gastar.

Perguntas frequentes

Referências

1. UiPath — What is Robotic Process Automation (RPA)? Definição de RPA e tarefas típicas.
2. UiPath — UiPath Platform Pricing. Plano Basic a partir de US$ 25/mês; Standard e Enterprise sob cotação.
3. Anthropic — Building Effective Agents. Distinção workflows × agentes, trade-off custo/latência, guardrails e human-in-the-loop.
4. Anthropic — Claude Platform Docs: Pricing. Preços por milhão de tokens, desconto de lote e cache; exemplo de custo de 10 mil atendimentos.
5. Model Context Protocol — modelcontextprotocol.io. Definição oficial do MCP e a analogia do USB-C.
6. Anthropic — Introducing the Model Context Protocol. Anúncio de criação e abertura do protocolo (2024).
7. OWASP GenAI Security Project — OWASP Top 10 for LLM Applications 2025. Prompt injection (LLM01) e agência excessiva (LLM06).
8. RCR Wireless News — Gartner: More than 40% of agentic AI projects will fail by 2027. Cobertura do comunicado de imprensa da Gartner de 25/06/2025 (agent washing, ~130 fornecedores genuínos, previsões para 2028).