Com mais de 230 automações já rodando em produção, a Andrade Gutierrez precisava ir além da execução mecânica e acrescentar inteligência que aprendesse com exceções e gerasse insights instantâneos, sem perder o controle da governança.
Para isso, o CoE de Hiperautomação usou a plataforma BotCity para criar e orquestrar agentes de IA que complementam essas automações. Uma dessas automações, voltada à governança do próprio CoE, analisa o código e produz documentação. O resultado foi de 250 SDDs gerados em 15 segundos cada, algo que levava em média 2 horas para ser produzido.
Segundo Pieter Voloshyn, gerente de TI da Andrade Gutierrez e responsável pelo projeto, “APA não substitui o RPA, ele o expande e complementa. É um novo paradigma para repensar como automatizamos o conhecimento e a tomada de decisão.”
RPA vs. APA: Uma Nova Geração de Automações
Mesmo já operando um ambiente robusto de RPA, a Andrade Gutierrez precisava de automações que aprendessem e reagissem às mudanças diárias do negócio. Ao criar Agentes AI em Python na plataforma BotCity, as automações passaram a:
- Adaptar-se: cada agente avalia o contexto em tempo real; quando a regra muda, o fluxo se ajusta sem necessariamente haver a reescrita extensa de código.
- Consumir fontes de dados não-estruturados: LLMs são excelentes em trabalhar com dados não-estruturados, como PDFs, imagens e e-mails.
- Entregar rápido: a prototipação de um agente funcional vai de ideação à validação em poucas horas, contra dias em RPA tradicional.
- Cobrir exceções: o uso de LLMs e validações Python aumentam a abrangência das automações reduzindo quebras que antes exigiam intervenção humana.
Como funciona um Agente AI em Python
A base do APA são os Agentes de IA, que são componentes autônomos de software capazes de analisar o ambiente, tomar decisões estratégicas para alcançar metas e executar as ações necessárias, tudo isso com um alto grau de independência e adaptabilidade.
Para entender como eles operam na prática, a arquitetura básica de um agente de IA, inspirada nos conceitos abordados por Erimateia Lima, inclui:
- Motor de Raciocínio (LLMs): Modelos de Linguagem Grandes (LLMs) como OpenAI, Anthropic, Gemini AI, são responsáveis por elaborar a estratégia de pensamento, tomar ações e fazer observações.
- Planejamento: Baseado em prompts (como o system prompt) e estratégias como Chain of Thoughts (CoT) e Reasoning & Action (ReAct), que guiam o comportamento do agente.
- Memória: De curto prazo (interação atual) e longo prazo (informações úteis armazenadas, por exemplo, em bases de dados vetoriais).
- Tools (Funções/Capacidades): Permitem ao agente interagir com o ambiente externo, como bancos de dados, sistemas BPMS, RPAs, APIs, e scripts complexos.
- Base de Conhecimento (Aumento de Contexto/RAG): Utiliza bases de dados vetoriais para indexação de conteúdo, permitindo que o agente acesse informações relevantes como normas jurídicas ou de suprimentos para análises complexas.
- Guardrails (Barreiras Protetoras): Imposição de limites e filtragem de conteúdo para garantir que o agente opere dentro de parâmetros seguros e éticos, evitando respostas inadequadas.
O ciclo de um agente, baseado no conceito ReAct, envolve: Pensamento (definindo o objetivo), Ação (executando uma tarefa com as ferramentas disponíveis), e Observação (analisando o resultado e comparando com o objetivo, ajustando o pensamento se necessário).
Arquitetura Multiagentes aplicada na Andrade Gutierrez
Para enfrentar os desafios de processos complexos, a Andrade Gutierrez aproveitou a BotCity para implementar arquiteturas multi-agentes. Isso significa que, em vez de uma única automação, vários agentes de IA trabalham juntos para um objetivo maior.
Como isso funciona na prática para a Andrade Gutierrez?
Um exemplo real é a elaboração de SDDs (Solution Design Documents). Em vez de um único agente sobrecarregado, a BotCity permitiu que a Andrade Gutierrez criasse um sistema multiagentes para essa tarefa.
Este sistema inteligente pode delegar tarefas a agentes especializados, como:
- Um agente para “inspecionar_codigo”.
- Outro para “descrever_automacao”.
- Um terceiro para “descrever_componentes”.
- E assim por diante, com agentes para “descrever_requisitos”, “desenhar_fluxo”, “gerar_resumo_executivo” e “gerar_sdd”.
Cada um desses agentes especializados possui seu próprio “cérebro” (motor de raciocínio LLM), “mãos” (ferramentas para interagir com o código-fonte), “memória” (para o contexto da documentação), “conhecimento” (sobre os padrões de SDD) e “barreiras protetoras” (para garantir a qualidade do documento).
Isso permitiu que a Andrade Gutierrez automatize processos que antes seriam impensáveis, garantindo velocidade, precisão e governança. Esse modelo multiagente só foi possível porque a infraestrutura técnica da BotCity permitiu:
- Execução nativa de Python: Ideal para qualquer lógica definida por agentes, com integração a LLMs (locais, inclusive!), APIs e scripts complexos.
- Não depende de estruturas engessadas: Proporciona total liberdade de modelagem e orquestração.
- Compatível com diversos frameworks: Integra facilmente com LangGraph, CrewAI, PydanticAI, OpenAI SDK, Semantic Kernel.
- Execução em múltiplos ambientes: Suporta execução local, em servidor, nuvem, VMs e containers.
- Interoperabilidade com sistemas diversos: Conecta-se a SAP, Web, Windows, APIs, Bancos de Dados, Arquivos e mais de 500.000 bibliotecas open-source.
Casos de Aplicação Reais na Andrade Gutierrez
A Andrade Gutierrez já colhe frutos da APA em diversas frentes, demonstrando o potencial transformador dessa tecnologia.
Case #1: Elaboração de SDDs (Solution Design Document)
- Objetivo: Automatizar a elaboração de SDDs com base no código-fonte da automação.
- Como foi feito: Agentes criados com LangGraph. O processo envolve “inspecionar_codigo”, “descrever_automacao”, “descrever_componentes”, “descrever_requisitos”, “desenhar_fluxo”, “gerar_resumo_executivo” e “gerar_sdd”.
Resultado:
- Tempo médio caiu de 2 horas para apenas 15 segundos.
- +250 documentos gerados automaticamente.
Case #2: Análise de Integrações para SAP HCM
- Objetivo: Mapear integrações SQL com o sistema de folha de pagamento para a pré-migração do SAP HCM.
- Como foi feito: Agentes criados com LangGraph. O fluxo inclui “inspecionar_codigo”, “extrair_comandos_sql”, “descrever_comandos_sql” e “gerar_relatorio”.
Resultado:
- Toda a análise realizada em ~10 minutos, tarefa antes manual e extensa.
Projetos Futuros com APA na Andrade Gutierrez
A Andrade Gutierrez já está expandindo o uso de agentes inteligentes em novas frentes de automação, todas utilizando frameworks como Langgraph, Pydantic-AI e CrewAI, integrados à plataforma da BotCity.
Além disso, automações que já usavam Generative AI serão aprimoradas para fazer o uso de agentes.
1. Processamento de Faturas de Telecom
A automação atual será aprimorada com agentes que realizam validações de regras de negócio e geram feedback automático sobre inconsistências na extração de dados. Isso aumenta a confiabilidade e reduz o retrabalho humano.
Fluxo principal: abrir_fatura → extrair_dados → validar_dados
2. Identificação do Responsável por Documentos Assinados Digitalmente
Agentes interpretarão os metadados de documentos assinados para identificar de forma precisa o responsável legal por cada assinatura. A lógica do agente garante validação contextual e robusta.
Fluxo principal: abrir_documento → extrair_responsavel → validar_dados
Conclusão
A experiência da Andrade Gutierrez mostra que, ao adotar a BotCity, equipes técnicas podem criar e colocar em produção agentes de IA escritos em Python em pouco tempo, mantendo controle total de versionamento, auditoria e permissões na mesma plataforma que orquestra as automações existentes. Esse modelo acelera a entrega de valor, reduz falhas operacionais e garante governança incorporada desde o primeiro commit até o monitoramento em escala.
Para saber mais sobre este caso de uso, entre em contato com nosso time de especialistas!
