Além das horas economizadas: como construir um caso de negócio para automação agêntica

O problema com o modelo tradicional de ROI

A automação agêntica — aquela baseada em software que raciocina, interpreta contexto e se adapta para completar tarefas — está aparecendo cada vez mais nos roadmaps de centros de excelência em Inteligência Artificial (AI CoE). O problema é que a forma como as empresas costumam justificar investimentos em automação foi desenhada para outra era.

O modelo clássico de Retorno sobre Investimento (ROI) funciona assim: conta-se o volume de transações, mede-se o tempo médio por tarefa, multiplica-se pelo custo da hora de trabalho e subtrai-se o custo de construção da solução. Esse raciocínio fez sentido para a Automação Robótica de Processos (RPA), onde os processos são estáveis, as regras são fixas e as exceções são raras.

O trouble é que a automação agêntica opera em um território completamente diferente. O modelo antigo pressupõe processos estáveis — e por isso ignora o custo de manutenção quando eles mudam. Pressupõe tarefas baseadas em regras — e por isso não tem linha de orçamento para exceções. Pressupõe que o trabalho é a totalidade do processo — e por isso nunca contabiliza o custo da supervisão humana. E trata uma hora economizada como valor garantido, quando na prática essa capacidade liberada frequentemente é absorvida pelo backlog e nunca chega ao resultado financeiro (P&L).

Uma pesquisa da McKinsey reforça esse ponto ao identificar que transformações bem-sucedidas com IA seguem um padrão “1:3:5”: para cada dólar investido em tecnologia agêntica, as organizações gastam três em redesenho de processos e cinco em capacitação e adoção. Porém, a maioria das empresas inverte completamente essa fórmula (McKinsey, “Gestão de mudanças em IA agêntica: fechando o gap de adoção”, 2026). O valor da automação agêntica não está apenas na tarefa em si — está no que acontece ao redor dela: o julgamento, as exceções, a coordenação entre sistemas.

O Agentic Value Model: quatro dimensões de valor

Para capturar o valor real da automação agêntica, a AWS propõe um framework chamado Agentic Value Model, que mede quatro dimensões — além de uma condição essencial que determina se esse valor de fato chega ao resultado financeiro.

1. Economia de tempo

Esse pilar ainda existe, mas os agentes o ampliam para trabalhos que o RPA tradicional trata mal — ou só consegue lidar com lógicas de exceção extensas. A métrica é a mesma; o que muda é a base de trabalho à qual ela se aplica.

2. Tratamento de exceções

As exceções carregam boa parte dos custos operacionais, mas raramente aparecem nos modelos de ROI convencionais. A AWS aponta faixas de referência: corrigir um erro pode custar de 1,5 a 4 vezes o valor da transação original, e o erro humano pode representar de 2% a 15% do custo operacional total (AWS Prescriptive Guidance, “Avaliando seus custos atuais de processos humanos”). Um multiplicador de retrabalho precifica as exceções que a equipe detecta; o percentual de erro precifica as que passam despercebidas. Modelos que consideram apenas mão de obra ignoram os dois.

3. Qualidade das decisões

Agentes podem aplicar uma política consistente em escala, com raciocínio registrado — embora consistência e taxas de erro precisem de monitoramento contínuo. Como a própria AWS observa, “decisões de baixo volume e alto valor podem justificar assistência agêntica pela melhoria na qualidade da decisão, e não pela redução de custos” (AWS Prescriptive Guidance, “Entendendo a economia da IA agêntica”). Uma única decisão melhor em crédito, precificação ou risco pode superar um ano inteiro de minutos economizados.

4. Resiliência a mudanças e economia de manutenção

Esse pilar funciona nos dois sentidos. Scripts tradicionais são frágeis: quando uma tela ou sistema upstream muda, eles quebram e alguém precisa reconstruí-los. Agentes absorvem parte da variação sem exigir reescrita, mas deslocam a manutenção para avaliações, prompts, monitoramento e operações de modelos — sem eliminar o custo, apenas mudando sua natureza. O caso de negócio precisa comparar o custo evitado de manutenção de scripts com o custo operacional contínuo dos agentes. Em processos que mudam com frequência, a matemática pode favorecer os agentes; em processos congelados, pode não favorecer.

A condição que governa tudo: realização de valor

Cada benefício precisa de um mecanismo definido que converta a melhoria operacional em valor econômico — e de um responsável nomeado. Para capacidade liberada, isso significa reduzir gastos ou redirecionar essa capacidade para um resultado mensurável e nomeado.

Um exemplo ilustrativo ajuda a entender o raciocínio: imagine um processo de triagem de sinistros que trata 200.000 casos por ano, com cerca de 12 minutos por sinistro e custo de US$ 45 por hora, resultando em um custo base de aproximadamente US$ 1,8 milhão. Automatizar os 70% rotineiros libera cerca de 28.000 horas — ou aproximadamente US$ 1,26 milhão em capacidade — antes de descontar o tempo de supervisão que esses sinistros ainda exigem.

É aqui que a maioria dos casos de negócio erra: liberar horas não é o mesmo que economizar dinheiro. A empresa só gasta menos se empregar menos pessoas ou reduzir gastos com terceiros, horas extras ou outsourcing. Se atrito natural e menor uso de horas extras capturam metade desse valor, o caso deve registrar cerca de US$ 630.000 — não o valor cheio. Realocar as pessoas é o resultado mais comum, e então o valor está no que elas passam a produzir. Para cada hora liberada, conta-se o valor da realocação ou a redução de custo em dinheiro — nunca os dois.

Somando a dimensão de exceções ao mesmo exemplo: dos 8% de sinistros que precisam de correção (16.000 casos), com um custo de correção de 3,5 vezes o custo de tratamento original (cerca de US$ 9), chega-se a aproximadamente US$ 504.000 em exposição anual a retrabalho. Esse é o baseline — não o valor agêntico. O valor está na parcela que o agente elimina: uma redução de 40%, ajustada por um fator de realização de 75%, resulta em um benefício modelado de cerca de US$ 151.000. E isso antes de precificar qualquer melhoria em decisões de detecção de fraude.

A fórmula consolidada

Para manter a matemática consistente, a AWS recomenda dimensionar cada pool de valor da mesma forma e descontar os custos. A fórmula consolidada é:

Valor anual líquido = valor de capacidade realizada + custos evitados de correção e erros + ganho em resultados de decisões + manutenção e downtime evitados — custo de implementação anualizado — custo de runtime dos agentes, integrações, avaliações, supervisão, governança e gestão de mudanças — perdas geradas por novos erros introduzidos pelo agente.

Erros que o agente não elimina já estão fora do termo de custo evitado — portanto, não devem ser subtraídos uma segunda vez. Para programas multianuais, o custo de implementação deve ser registrado no ano em que é gasto, os benefícios devem crescer conforme a adoção avança, e os fluxos de caixa anuais devem ser descontados ao Valor Presente Líquido (VPL).

Casos reais com Amazon Quick Automate

Três implantações iniciais do Amazon Quick Automate — serviço de automação dentro do Amazon Quick — ilustram as dimensões do modelo em prática:

• Kitsa, empresa de seleção de sites para ensaios clínicos, automatizou a extração de mais de 50 pontos de dados em centenas de milhares de sites. Reportou 91% de redução de custos e aquisição de dados 96% mais rápida, com 96% de cobertura, encaminhando casos de baixa confiança para revisão humana. Isso exemplifica economia de tempo e tratamento de exceções: unificar dados de alta qualidade em escala desbloqueou um gargalo central que permitiu ao seu agente de seleção de sites avaliar mais locais com maior precisão.
• dLocal, provedora de pagamentos cross-border, automatizou até 75% das revisões de conformidade de comerciantes em avaliações controladas. Isso liberou especialistas para casos complexos e de alto risco (qualidade de decisão) e adicionou verificações contínuas de desvio de política que uma revisão manual periódica jamais conseguiria detectar (resiliência a mudanças). Especialistas que antes gastavam horas em verificações rotineiras passaram a dedicar esse tempo a casos que exigem julgamento regulatório.
• Genpact, automatizando risco em cadeias de suprimentos em múltiplos sistemas SAP, reportou redução na análise de impacto de interrupções de 2 a 3 dias para minutos — o tipo de coordenação entre sistemas que nenhum sistema de registro único consegue fazer sozinho (economia de tempo e qualidade de decisão).

Nenhuma dessas implantações prova todos os quatro pools simultaneamente — o que reforça por que o caso de negócio precisa dimensionar cada dimensão separadamente.

Framework de priorização: o que automatizar com agentes

Para decidir quais workflows merecem automação agêntica, a AWS sugere avaliar cada candidato em dois eixos:

• Complexidade da tarefa: quanto raciocínio, contexto e adaptação ela exige.
• Risco da decisão: o custo de errar, que define o nível de autonomia que pode ser concedido.

Combinados, esses dois eixos formam uma matriz dois por dois:

• Baixa complexidade, baixo risco: mantenha no RPA — agentes adicionam custo sem agregar valor.
• Alta complexidade, baixo risco: jogo de capacidade — automatize para throughput e absorção de exceções.
• Alta complexidade, alto risco: jogo de qualidade de decisão — mantenha um humano no loop e justifique com base em melhores decisões.
• Baixa complexidade, alto risco: jogo de controles — reforce as salvaguardas em torno da etapa em vez de adicionar raciocínio que ela não precisa.

Um atalho prático: se uma pessoa precisa navegar entre sistemas e interpretar contexto ambíguo em cada etapa, vale avaliar uma abordagem agêntica. Se o caminho é determinístico, o RPA pode ainda ser mais barato.

Como apresentar o caso para a liderança

A recomendação da AWS é apresentar o investimento como um portfólio de workflows — não como um projeto isolado. A pesquisa da McKinsey mostra por que pilotos isolados travam: quase dois terços das empresas já experimentaram agentes, mas menos de 10% conseguiram escalar para valor tangível (McKinsey, “Escalando IA agêntica com transformações de dados”, 2026). O valor vem de definir os resultados, incorporar agentes profundamente nos workflows centrais e redesenhar os modelos operacionais ao redor deles.

A sugestão é levar para a liderança de três a cinco domínios priorizados, cada um com seu caso nas quatro dimensões. Um elemento que costuma convencer um CFO cético é a regra de parada: estruture o investimento com metas de break-even explícitas e pontos predefinidos para interromper o financiamento de agentes que não entregam. Conecte cada domínio a um indicador-chave de desempenho (KPI) que a liderança já acompanha — custo por atendimento, tempo de ciclo, Net Promoter Score (NPS) ou exposição a conformidade. E trate a governança como acelerador: autonomia delimitada, supervisão onde o risco é alto e auditabilidade por design permitem ampliar a autonomia dos agentes conforme as evidências se acumulam.

Começando com Amazon Quick

O Amazon Quick integra pesquisa, inteligência de negócios e automação em uma única experiência agêntica. Com o Quick Automate, equipes podem orquestrar ações de interface, chamadas de API e revisão humana em workflows corporativos — gerando dados de execução por caso que um AI CoE pode combinar com KPIs operacionais e financeiros para medir o valor à medida que ele se realiza. Essa medição é o que transforma um primeiro projeto em um portfólio.

O ponto de partida recomendado é identificar um workflow onde uma pessoa navega entre sistemas, interpreta contexto e resolve exceções manualmente. Coloque esse workflow em produção, estabeleça o baseline dos pools de valor e do custo operacional, nomeie um responsável e prove o número. A partir daí, o caso de portfólio se acumula à medida que cada novo workflow reporta resultados.

Conclusão

A questão central não é se a automação agêntica economiza horas — é onde ela entrega valor que as ferramentas existentes não conseguem, e como provar isso antes de gastar. A disciplina descrita no framework da AWS — dimensionar cada pool de valor, aplicar fatores de realização realistas e definir regras de parada — é o que torna essa prova crível. Equipes que provam valor em um workflow podem financiar o próximo a partir de resultados medidos, não de projeções. Para aprofundamento na economia subjacente, a AWS Prescriptive Guidance sobre economia de IA agêntica é um bom ponto de partida.

Fonte

Beyond hours saved: Building the business case for agentic automation (https://aws.amazon.com/blogs/machine-learning/beyond-hours-saved-building-the-business-case-for-agentic-automation/)