Como Empresas Brasileiras Estão Usando Agentes de IA em Produção

Sábado é um bom dia para olhar o quadro geral. Durante a semana eu costumo entrar em detalhe técnico — arquitetura de agente, padrão de código, ferramenta nova. Hoje eu quero dar um passo atrás e falar sobre um fenômeno que dá pra ver acontecendo em tempo real no mercado brasileiro de tecnologia: a migração de "IA como feature" para "IA como agente que executa trabalho de ponta a ponta".

Este texto não é uma reportagem investigativa sobre Nubank, iFood ou Magalu. Eu não tenho acesso a números internos dessas empresas, não converso com os times de dados delas e não vou fingir que sei o nome de produtos internos ou citações exatas de executivos. O que eu tenho — e o que qualquer pessoa que acompanha o setor tem — é conhecimento público amplamente disponível sobre o que essas empresas fazem historicamente, e a partir disso dá para fazer uma análise honesta de qual é a evolução natural esperada para IA agêntica em cada um desses contextos. Vou deixar bem claro, ao longo do texto, quando estou descrevendo fato público e quando estou especulando.

Dito isso, vamos ao panorama.

---

O Brasil tem um cenário particular para IA agêntica

Não é surpresa que o Brasil esteja entre os mercados mais interessantes do mundo para observar adoção de IA agêntica em produção, e isso não é acaso — é uma combinação de fatores estruturais que poucos países reúnem ao mesmo tempo.

O primeiro fator é escala de dados combinada com apetite de risco. O ecossistema de fintechs brasileiro cresceu resolvendo problemas de crédito e fraude em uma população historicamente subbancarizada, o que forçou essas empresas a construir desde cedo pipelines de decisão automatizada em volume altíssimo. Times que já operam modelos de decisão em produção, atendendo dezenas de milhões de usuários, têm a maturidade de dados, observabilidade e cultura de MLOps que é justamente o pré-requisito para dar o passo seguinte: sair do modelo que só prevê e classifica para o agente que também age — abre chamado, ajusta limite, aciona verificação, conversa com o cliente e resolve o caso sem escalonamento humano.

O segundo fator é a densidade urbana e a escala logística. Poucos países no mundo têm a combinação de megacidades densas com uma operação de entrega tão intensiva quanto o Brasil. Isso significa que problemas de roteirização, alocação dinâmica e precificação em tempo real já eram, há anos, tratados como problemas de otimização matemática séria — o terreno perfeito para agentes que monitoram, decidem e replanejam continuamente, em vez de rodar um cálculo estático uma vez por dia.

O terceiro fator, menos técnico e mais estrutural, é o mercado de trabalho de desenvolvedores. O Brasil forma um volume grande de engenheiros de software a um custo (em dólar) competitivo globalmente, o que atrai centros de excelência técnica de empresas globais e também sustenta unicórnios locais com times de engenharia robustos o suficiente para experimentar com agentes de IA em produção — não só em provas de conceito. Aliás, se você quer entender como essa mudança está transformando o dia a dia de quem programa, vale a leitura do post sobre a carreira de dev como orquestrador de agentes, que fala exatamente sobre como o papel do desenvolvedor está migrando de "escrever código" para "orquestrar sistemas que escrevem e executam código".

A combinação desses três fatores cria um ambiente fértil. Mas fértil não significa fácil — e é isso que vamos explorar nos setores específicos.

---

Fintech: o terreno mais maduro para agentes, com Nubank como referência do setor

Aqui vale reforçar o disclaimer: o que segue é análise de tendência setorial usando o Nubank como exemplo ilustrativo do tipo de empresa que está nessa posição, não uma descrição de sistemas internos específicos que eu tenha verificado.

É fato de domínio público que o Nubank construiu seu modelo de negócio inteiro em cima de decisão automatizada: score de crédito, detecção de fraude e atendimento ao cliente em escala são pilares conhecidos da empresa desde a fundação, amplamente divulgados em relatórios, S-1 de IPO e comunicação institucional. Isso não é novidade nem segredo.

O que é análise — e aqui eu estou especulando com base em padrão de mercado, não afirmando fato — é que seria natural esperar que times com essa maturidade avancem para uma camada agêntica sobre essas capacidades já existentes. Em outras palavras: se uma empresa já tem um modelo robusto que classifica "esta transação parece fraude" com alta precisão, o próximo passo natural da indústria como um todo é ter um agente que não só classifica, mas também investiga o caso, cruza dados de contexto adicionais, decide a ação apropriada (bloquear, pedir verificação extra, liberar com monitoramento) e documenta a decisão para auditoria — tudo isso com supervisão humana nos casos de maior incerteza. Esse é o tipo de arquitetura que faz sentido para qualquer fintech de porte similar, não uma revelação sobre o que o Nubank especificamente fez.

Da mesma forma, no atendimento ao cliente, o setor de fintechs como um todo está migrando de chatbots baseados em árvore de decisão para agentes que conseguem de fato executar ações — estornar uma cobrança, ajustar um limite dentro de regras de risco, abrir uma investigação — em vez de só responder perguntas. Não seria surpreendente que empresas do porte do Nubank estejam testando esse tipo de agente em produção, dado o volume de atendimento que precisam sustentar e o incentivo econômico claro de reduzir custo por ticket. Mas de novo: isso é inferência razoável sobre incentivos de negócio, não confirmação de arquitetura interna.

Um ponto que costuma passar despercebido: em fintech, o custo de erro de um agente autônomo é alto — envolve dinheiro real e risco regulatório —, então o que diferencia os times maduros não é a ousadia de automatizar tudo, mas a disciplina de definir com precisão onde o agente decide sozinho e onde ele apenas recomenda e um humano aprova. Esse desenho de "human in the loop" seletivo é, na minha visão, o verdadeiro trabalho de engenharia por trás de qualquer sistema agêntico sério em fintech — mais do que o modelo de linguagem em si.

---

Logística e marketplace: o iFood como estudo de caso de otimização em tempo real

O setor de delivery e marketplace no Brasil tem uma característica que o torna um laboratório natural para agentes: a decisão certa muda a cada minuto. Trânsito, clima, disponibilidade de entregadores, demanda por região — tudo isso é dinâmico, e é justamente esse tipo de ambiente que favorece agentes que observam, replanejam e agem continuamente, em vez de sistemas baseados em regras fixas calculadas uma vez por dia.

É público e conhecido que o iFood opera em escala massiva de logística urbana no Brasil, coordenando roteirização e alocação de entregadores em múltiplas cidades simultaneamente — isso é, essencialmente, a natureza do negócio, não um segredo corporativo. O que constitui análise minha é a ideia de que esse tipo de operação é exatamente o caso de uso mais natural para agentes de IA modernos: um agente de roteirização não precisa mais rodar um único algoritmo de otimização estático, ele pode monitorar sinais em tempo real (um restaurante atrasou o preparo, um entregador teve um imprevisto, uma região teve pico de chuva) e replanejar automaticamente, com ferramentas para consultar dados externos, negociar prioridades entre pedidos concorrentes e até se comunicar com humanos quando a situação foge do previsto.

Seria natural esperar que times de engenharia com essa escala de operação estejam evoluindo de "modelos de previsão de tempo de entrega" para "agentes que ativamente gerenciam a operação" — sugerindo reforço de entregadores numa região antes que o atraso aconteça, ajustando incentivos dinamicamente, ou até intermediando comunicação entre cliente, restaurante e entregador quando um pedido dá errado. De novo, isso é o tipo de arquitetura que faz sentido para qualquer marketplace de logística dessa escala — não uma confirmação de que é exatamente assim que funciona internamente.

Vale mencionar que esse tipo de sistema agêntico distribuído, com múltiplos agentes especializados coordenando decisões em tempo real, é um tema que already discuti sob a ótica de quem constrói esse tipo de solução no post sobre tendências de coding agêntico para tech leads — a lógica de orquestração de múltiplos agentes especializados que aparece ali se aplica quase diretamente a esse tipo de operação logística.

Um desafio real e pouco falado desse setor: agentes que tomam decisão em tempo real sobre alocação de trabalho humano (no caso, entregadores) trazem uma camada de responsabilidade que vai além da engenharia — envolve questões trabalhistas e de justiça algorítmica que qualquer empresa nesse setor precisa navegar com cuidado, independentemente de qual seja a solução técnica escolhida.

---

Varejo: Magalu e a assistente Lu como ponta de lança da IA conversacional no e-commerce brasileiro

No varejo, o caso público mais conhecido é o da Magalu, que investiu de forma visível e amplamente divulgada em IA para e-commerce, tendo a assistente virtual Lu como um dos produtos de IA conversacional mais reconhecidos do público brasileiro em geral — não só do meio de tecnologia. Isso é fato público, construído ao longo de anos de comunicação de marca e presença em campanhas.

A pergunta interessante, e aqui entra minha análise, é: qual é o próximo passo natural para uma assistente de marca que já tem reconhecimento consolidado? A resposta mais óbvia do ponto de vista de tendência de mercado é a transição de "assistente que responde perguntas e recomenda produtos" para "agente que executa tarefas de compra de ponta a ponta" — comparar preços, aplicar cupom, rastrear entrega, iniciar troca ou devolução, e até negociar substituição de produto fora de estoque, tudo dentro de uma única conversa, sem o cliente precisar navegar por menus ou abrir múltiplos apps. Isso seria a evolução natural esperada para qualquer assistente de marca com a maturidade e o reconhecimento que a Lu construiu — não uma afirmação sobre o roadmap real e não divulgado da empresa.

Outro ponto natural de evolução é o uso de agentes internamente, no lado do vendedor e do marketplace — sugerindo precificação dinâmica para sellers terceiros, otimizando descrições de produto para busca, prevendo ruptura de estoque antes que aconteça. Esse tipo de aplicação "invisível ao consumidor final" tende a ser onde a maior parte do valor econômico de IA agêntica em varejo realmente se concretiza, mesmo que a assistente voltada ao cliente seja a parte mais visível e comentada publicamente.

Vale reforçar: eu não tenho informação confirmada sobre quais dessas coisas a Magalu já fez, está fazendo ou pretende fazer. O que dá para afirmar com confiança é que o padrão setorial — em varejo global, não só no Brasil — aponta nessa direção, e uma empresa com o histórico de investimento em IA conversacional que a Magalu tem publicamente é um candidato natural a seguir essa tendência.

---

Os desafios específicos de fazer isso no Brasil

Adotar IA agêntica em produção no Brasil tem desafios que não aparecem do mesmo jeito em mercados como Estados Unidos ou Europa, e vale a pena nomeá-los com honestidade.

O primeiro é infraestrutura e latência. Boa parte dos provedores de modelos de ponta ainda tem data centers fora do Brasil, o que significa que toda chamada de API carrega uma latência de rede que se soma ao tempo de inferência do próprio modelo. Para agentes que precisam encadear múltiplas chamadas — pensar, chamar uma ferramenta, pensar de novo, chamar outra ferramenta — esse overhead de latência acumula rápido e pode ser a diferença entre uma experiência fluida e uma frustrante, especialmente em casos de uso que dependem de resposta em tempo real, como os de logística que mencionei acima.

O segundo é câmbio. Custo de API de modelos de linguagem é cobrado majoritariamente em dólar, e a volatilidade cambial brasileira transforma isso em um risco financeiro real para qualquer empresa que rode volume alto de chamadas — o que é exatamente o caso de agentes, que costumam consumir muito mais tokens que uma simples chamada de chatbot, porque encadeiam raciocínio e chamadas de ferramenta repetidamente. Times de FinOps no Brasil precisam considerar esse risco cambial como parte central do planejamento de capacidade, não como detalhe.

O terceiro, e talvez o mais importante para quem toma decisão de arquitetura hoje, é regulatório. O Marco Legal da IA está em tramitação e já traz sinalizações importantes sobre obrigações de transparência, responsabilidade e supervisão humana para sistemas de decisão automatizada — o que afeta diretamente qualquer empresa que use agentes para decisões que impactam pessoas, como concessão de crédito, moderação de conteúdo ou precificação dinâmica. Eu escrevi com mais profundidade sobre isso há poucos dias no post sobre o Marco Legal da IA e o que muda na prática para quem lidera times técnicos, e o ponto central de lá vale reforçar aqui: arquitetar agentes com trilha de auditoria, explicabilidade e pontos claros de intervenção humana deixou de ser boa prática opcional e está caminhando para virar requisito legal. Empresas que já operam em setores regulados, como fintechs, tendem a estar mais preparadas para essa exigência do que setores que historicamente tiveram menos escrutínio regulatório.

---

Conclusão

O que dá para tirar desse panorama é que o Brasil não está atrás na corrida de IA agêntica — pelo contrário, tem um conjunto de condições estruturais (dados em escala, logística urbana complexa, mão de obra técnica competitiva) que favorece justamente o tipo de aplicação onde agentes fazem mais sentido: decisão em tempo real, alto volume, contexto muito específico do mercado local.

Mas é importante separar com clareza o que é fato público — Nubank, iFood e Magalu são empresas conhecidas por investimento histórico em decisão automatizada, otimização logística e IA conversacional, respectivamente — do que é análise de tendência setorial sobre para onde esse tipo de empresa tende a evoluir. Eu não tenho, e você provavelmente também não tem, acesso a roadmap interno específico dessas companhias, e qualquer texto que afirme isso com certeza absoluta merece ceticismo.

O que vale a pena levar desse texto é o padrão, não o case específico: setores com dados em volume, decisões repetitivas de alto valor e pressão competitiva forte são exatamente onde IA agêntica tende a amadurecer mais rápido — e o Brasil tem vários desses setores em abundância, com desafios locais de infraestrutura, câmbio e regulação que qualquer time técnico por aqui precisa levar a sério desde o desenho da arquitetura, não como reboque depois que o sistema já está em produção.

---

Fontes:

• Distrito — Panorama de Inovação e Tecnologia no Brasil
• Startupi — Cobertura do ecossistema de startups e tech brasileiro
• TechCrunch — Cobertura geral de tendências de IA e mercado de tecnologia