Qual é a diferença entre um chatbot de IA e IA no processo?

O chatbot espera uma pergunta de uma pessoa e devolve texto. IA no processo recebe um dado do fluxo, executa uma tarefa definida, como ler, classificar ou extrair, e devolve um dado estruturado para a próxima etapa, sem depender de alguém perguntar.

Em que tarefas a IA generativa já é confiável em produção?

Leitura de documentos, classificação, extração de dados de conversas, redação a partir de template e triagem, desde que a saída seja estruturada, cada decisão fique registrada e exista um caminho para uma pessoa assumir.

Um modelo de linguagem pode calcular preços e orçamentos?

Não deve. O modelo extrai os itens e quantidades; o cálculo fica com o código e a tabela de preços. Misturar os dois produz valores errados com aparência correta.

IA generativa no processo, não no chat: onde o modelo gera dinheiro na operação

Quase toda empresa que me procura já testou um chat de IA. Alguém abriu o ChatGPT, pediu um e-mail, se impressionou, e a conversa interna virou: como colocamos isso na empresa. A resposta padrão do mercado foi um chatbot. A minha resposta é outra: tire o modelo do chat e coloque no processo.

A diferença entre assistente e componente

Um assistente espera que uma pessoa pergunte. Ele é tão bom quanto a pergunta e tão útil quanto o tempo que a pessoa tem para conferir a resposta. Em operação, isso vira uma ferramenta que alguns usam, outros não, e cujo efeito é impossível de medir.

Um componente não espera. Ele recebe um dado do processo, faz uma tarefa definida e devolve um dado para a próxima etapa. Entra uma mensagem do cliente, sai um pedido estruturado. Entra uma nota fiscal, sai a classificação e a divergência apontada. Ninguém pergunta nada; o fluxo acontece. É aqui que o modelo de linguagem deixa de ser curiosidade e passa a ser infraestrutura.

Onde o modelo funciona hoje

Com modelos atuais, cinco tarefas entram em produção com segurança, desde que cercadas de regra e revisão:

Leitura de documento. Extrair campos de nota, contrato, pedido em PDF, foto de receita, comprovante. O modelo lê o que o OCR tradicional não entendia.
Classificação. Tipo de chamado, categoria de despesa, estágio de lead, intenção da mensagem. Tarefas que antes exigiam alguém lendo um a um.
Extração de dados de conversa. O cliente manda três áudios e duas fotos no WhatsApp; sai um pedido com itens, quantidades e endereço.
Redação com template. Resposta, proposta, resumo, orçamento. O modelo preenche a partir de dado e regra, e o texto sai consistente.
Triagem. Decidir o que é urgente, o que vai para quem, o que pode ser respondido automaticamente e o que precisa de gente.

Onde ainda não confio

Três situações em que o modelo não deve decidir sozinho, e um projeto sério reconhece isso no desenho:

Cálculo. Modelo de linguagem não é calculadora. Ele extrai os números; o código calcula. Misturar os dois produz orçamento errado com boa aparência.
Decisão sem dado. Se a resposta depende de informação que não está no contexto, o modelo preenche o vazio com algo plausível. Em operação, plausível é a palavra mais perigosa.
Alto risco sem revisão. Crédito, saúde, jurídico, qualquer coisa com consequência difícil de reverter. O modelo prepara; a pessoa decide e assina.

Um exemplo: a receita no WhatsApp

Uma farmácia de manipulação recebe receitas por WhatsApp o dia inteiro. Foto torta, letra de médico, cliente que manda a receita e some. Antes, uma pessoa lia, digitava a fórmula, calculava o preço, respondia e cobrava. Cada receita levava minutos de atenção, e o cliente esperava.

No fluxo redesenhado, o modelo lê a foto, extrai os componentes e as dosagens em formato estruturado, o sistema calcula o preço pela tabela, monta a resposta e envia com o PIX. A farmacêutica revisa a fórmula antes da produção, que é onde o conhecimento dela importa. O tempo de resposta caiu de horas para minutos, e a venda que antes se perdia na espera passou a fechar.

Esse caso virou o FormulaZap. Mas a lógica se aplica a qualquer negócio que recebe pedido por mensagem: o modelo lê e estrutura, o código calcula, a pessoa aprova o que exige critério.

Quatro regras para colocar um LLM no processo

Saída estruturada, sempre. O modelo devolve JSON com campos definidos, nunca texto livre para outra etapa interpretar. Isso permite validar, rejeitar e medir.
Registro de cada decisão. O que entrou, o que saiu, qual versão do modelo, quanto custou. Quando algo der errado, e vai dar, você precisa saber onde.
Caminho humano claro. Toda etapa automatizada tem um botão de assumir. No começo, a pessoa aprova tudo. Depois, revisa por amostragem. Nunca some.
Indicador combinado antes. Tempo, erro, volume ou receita. Escrevi sobre isso em Como medir o retorno de um projeto de IA.

E o custo?

Em operação, o custo de modelo é pequeno perto do custo de pessoa. Ler e estruturar uma mensagem de cliente custa centavos; a hora de quem fazia isso na mão custa dezenas de reais. O custo relevante do projeto está no desenho do processo, na integração com os sistemas e no dado, não na chamada de API. É por isso que o preço do modelo cair todo semestre muda pouco a conta. O gargalo nunca foi o modelo.

O chat mostrou para todo mundo o que a IA generativa consegue fazer. O retorno está em parar de conversar com ela e deixá-la trabalhar dentro do processo, com regra, registro e uma pessoa com critério no lugar certo.

Sou Marcelo Toscano. Construo SaaS com IA para empresas e escrevo sobre dados e IA no processo aqui e no Instagram @toscano.com.br.