Case: agente de IA integra financeiro, vendas e suporte

Um agente de inteligência artificial capaz de consultar contas, emitir notas, criar propostas, responder clientes e executar tarefas financeiras não começa pelo chatbot. Ele começa pela organização dos processos, pela integração dos sistemas e pela definição de quais ações podem ser automatizadas com segurança.

Esse foi o caminho percorrido em um projeto desenvolvido pela Clicksoft para uma empresa de tecnologia com cerca de 200 funcionários e mais de 50 mil usuários impactados por sua operação.

O projeto não nasceu como uma grande iniciativa de IA. A evolução aconteceu em etapas. Primeiro, foi criado um sistema financeiro integrado ao Asaas. Depois, surgiu um sistema de relacionamento com dashboard para os clientes acompanharem seus projetos. Na sequência, foi desenvolvido um sistema comercial completo, com CRM, propostas automatizadas e gestão do funil.

Quando esses sistemas já estavam estruturados e conectados por APIs, tornou-se possível criar a camada seguinte: um agente de IA que consulta informações e executa tarefas em todo o ecossistema.

Hoje, esse agente responde perguntas em linguagem natural, acompanha e-mails, identifica faturas, prepara lançamentos, agenda pagamentos, emite notas, atualiza registros, cria propostas e atende solicitações por Microsoft Teams, WhatsApp e Alexa.

O resultado mais direto foi uma redução de aproximadamente 50% nos custos do setor administrativo, além de maior agilidade, rastreabilidade e transparência entre as áreas e para os clientes.

O cenário inicial: sistemas separados e trabalho manual

Antes do desenvolvimento, a operação dependia de diferentes ferramentas que resolviam partes isoladas do processo.

A empresa utilizava:

• Conta Azul para parte da gestão financeira;
• Asaas para recebimentos;
• um banco tradicional para contas a pagar;
• planilhas para organizar informações dos clientes;
• Pipedrive para a gestão comercial.

As ferramentas funcionavam, mas não formavam uma operação integrada. Informações precisavam ser conferidas, copiadas ou atualizadas em mais de um lugar.

Uma fatura recebida por e-mail, por exemplo, podia exigir várias ações manuais: localizar o documento, conferir o fornecedor, cadastrar a conta, anexar o arquivo, programar o pagamento e verificar se a operação havia sido concluída.

O mesmo acontecia no relacionamento com clientes. Parte das informações estava em planilhas, parte nos sistemas internos e parte dependia da equipe responsável pelo projeto.

No comercial, o Pipedrive organizava o funil, mas não concentrava toda a lógica de propostas, contratos, clientes e dados operacionais necessários para o processo da empresa.

Esse cenário é comum em operações que crescem apoiadas por ferramentas especializadas. Cada solução atende bem a uma função, mas o custo operacional aparece nos espaços entre elas.

Antes de pensar em IA, portanto, o primeiro desafio era criar uma base estruturada. Esse princípio também aparece no conteúdo sobre automação inteligente para empresas: a tecnologia gera mais resultado quando participa de um processo claro e acessa fontes confiáveis.

Primeira etapa: um sistema financeiro integrado ao Asaas

O primeiro sistema desenvolvido concentrou a operação financeira e se integrou ao Asaas, plataforma que a empresa já utilizava para recebimentos.

A proposta não era simplesmente substituir uma ferramenta por outra. O objetivo era criar uma estrutura compatível com o processo real da empresa e reduzir a quantidade de tarefas distribuídas entre Conta Azul, Asaas, banco e planilhas.

O sistema passou a organizar informações como:

• contas a pagar;
• contas a receber;
• documentos e comprovantes;
• vencimentos;
• agendamentos;
• status dos pagamentos;
• informações vinculadas a clientes e projetos;
• histórico de alterações.

A integração com o Asaas permitiu conectar o controle interno às operações financeiras já utilizadas pela empresa.

Essa etapa foi importante porque criou uma fonte mais organizada para os dados financeiros. Sem isso, um futuro agente teria de consultar informações dispersas e interpretar registros sem um padrão confiável.

Em projetos de IA, essa organização costuma ser subestimada. Conectar um modelo a sistemas desestruturados não elimina a desorganização. Apenas permite que ela seja acessada por uma interface conversacional.

Segunda etapa: transparência para mais de 50 mil usuários

Depois do sistema financeiro, a empresa identificou outra necessidade: oferecer mais transparência para seus clientes.

Foi criado um sistema de relacionamento com dashboard para acompanhamento dos projetos. A nova plataforma permitiu que os clientes consultassem informações sem depender de solicitações manuais para a equipe.

O dashboard concentrou dados relevantes sobre o andamento dos projetos e criou uma interface entre a operação interna e os clientes.

Essa etapa teve dois efeitos importantes.

O primeiro foi reduzir a dependência de comunicações fragmentadas por e-mail, mensagens e planilhas. O segundo foi estruturar dados de relacionamento que posteriormente poderiam ser consultados pelo agente de IA.

Em vez de responder apenas com base em uma base genérica de perguntas e respostas, o agente poderia entender o cliente, identificar seu projeto e consultar informações atualizadas nos sistemas.

Esse é um ponto central do case: o agente não foi construído como uma ferramenta isolada. Ele passou a operar sobre sistemas que já representavam os processos da empresa.

Terceira etapa: sistema comercial e propostas automatizadas

A próxima evolução foi o desenvolvimento de um sistema comercial completo.

Além de organizar leads, oportunidades, follow-ups e etapas do funil, a solução passou a incorporar:

• cadastro de contatos e empresas;
• histórico de relacionamento;
• gestão de oportunidades;
• previsão de vendas;
• acompanhamento de negociações;
• informações de contratos;
• criação automatizada de propostas;
• conexão com dados dos demais sistemas.

A automação de propostas reduziu tarefas repetitivas e ajudou a padronizar informações comerciais.

Em vez de montar cada documento manualmente, a equipe podia utilizar os dados da oportunidade, do cliente e dos serviços para gerar uma proposta com mais rapidez.

Financeiro, relacionamento e comercial continuavam sendo sistemas distintos, mas passaram a se comunicar por APIs. Essa arquitetura permitiu que cada solução mantivesse sua responsabilidade sem criar novas ilhas de informação.

A integração por APIs foi a base para a criação do agente. Em vez de depender de acesso direto e desorganizado aos bancos de dados, o agente passou a utilizar operações controladas disponibilizadas pelos próprios sistemas.

O conteúdo sobre integração de IA em sistemas existentes detalha por que APIs, permissões e regras de negócio são essenciais para que a automação seja segura.

A virada: de sistemas integrados para um agente operacional

Com os principais sistemas estruturados, surgiu uma nova possibilidade: criar uma interface única para toda a operação.

Em vez de exigir que o usuário abrisse cada sistema, localizasse uma tela e executasse uma sequência de passos, o agente permitiria solicitar a tarefa em linguagem natural.

Um usuário pode perguntar:

Quais contas temos a pagar esta semana? Falta agendar alguma?

Para responder, o agente consulta o sistema financeiro em tempo real, identifica os vencimentos, verifica o status dos agendamentos e organiza a resposta.

Mas o projeto não se limita a consultas. O agente também executa ações.

Entre as capacidades implementadas estão:

• lançar contas a pagar e receber;
• alterar lançamentos existentes;
• agendar pagamentos pelo Asaas;
• emitir notas fiscais;
• consultar contas e compromissos;
• identificar pendências financeiras;
• criar propostas comerciais;
• apoiar o atendimento comercial;
• responder dúvidas relacionadas aos projetos;
• consultar informações de clientes;
• interpretar e responder e-mails.

Isso transforma o agente em uma camada operacional sobre os sistemas. Ele não substitui as plataformas existentes. Ele reduz o esforço necessário para utilizá-las.

Como o agente processa faturas recebidas por e-mail

Um dos fluxos que representa melhor o projeto é o tratamento das faturas mensais.

Antes, alguém precisava acompanhar a caixa de entrada, localizar os documentos, conferir as informações e executar manualmente cada lançamento.

Com o agente, o fluxo passou a funcionar da seguinte forma:

1. O agente monitora os e-mails relevantes.
2. Identifica mensagens com faturas, boletos ou documentos financeiros.
3. Relaciona o documento ao fornecedor e à operação correspondente.
4. Anexa a fatura ao sistema financeiro.
5. Prepara o lançamento da conta a pagar.
6. Solicita a validação humana quando necessário.
7. Depois da confirmação, agenda o pagamento no Asaas.
8. Registra o resultado e mantém o histórico da operação.

O ganho não está em uma única etapa. Ele aparece na eliminação de vários pequenos procedimentos que antes dependiam da atenção da equipe.

Esse tipo de automação também reduz o risco de uma fatura permanecer esquecida na caixa de entrada ou de um documento ser lançado sem o anexo correspondente.

O agente entende contexto, não apenas comandos isolados

O agente foi projetado para interpretar linguagem natural e manter o contexto da conversa.

Isso significa que o usuário não precisa repetir todos os detalhes a cada mensagem.

Depois de consultar as contas da semana, por exemplo, ele pode solicitar:

Altere o vencimento daquela conta para sexta-feira.

O agente utiliza o histórico da conversa para identificar qual lançamento está sendo mencionado. Quando há mais de uma possibilidade ou falta alguma informação, ele pede esclarecimento ou encaminha o caso para uma pessoa.

Essa combinação entre contexto e acesso aos sistemas torna a interação mais próxima da forma como as equipes trabalham entre si.

Ao mesmo tempo, o agente não recebe autonomia irrestrita. A liberdade para executar uma ação depende do usuário, do canal e do tipo de operação.

Double check para ações financeiras

Um agente que consulta informações pode responder imediatamente. Um agente que movimenta a operação precisa de controles adicionais.

No projeto, lançamentos financeiros e agendamentos bancários passam por um processo de double check.

O agente prepara a ação, apresenta as principais informações e solicita confirmação antes de concluir etapas sensíveis.

Esse controle reduz riscos como:

• pagar o fornecedor incorreto;
• utilizar uma data errada;
• duplicar um lançamento;
• selecionar a conta bancária inadequada;
• executar uma ação com base em uma solicitação ambígua.

As permissões também variam conforme o usuário, o cargo, a empresa e o tipo de operação.

Além disso, todas as ações são registradas. O histórico permite saber quem solicitou, qual informação foi interpretada, o que o agente executou e qual foi o resultado.

Quando existe ambiguidade, conflito entre sistemas ou ausência de informação, o agente não tenta improvisar. Ele direciona o caso para uma pessoa.

Esse desenho representa uma diferença importante entre uma automação controlada e uma solução baseada apenas em uma demonstração de IA.

Teams, WhatsApp e Alexa com funções diferentes

O agente pode ser acessado por Microsoft Teams, WhatsApp e Alexa, mas os três canais não possuem as mesmas responsabilidades.

Microsoft Teams

O Teams é o principal canal interno. Como está inserido no ambiente de trabalho da empresa, concentra a maior parte das consultas e ações operacionais.

Por ele, os usuários autorizados podem consultar dados financeiros, acompanhar processos, solicitar alterações, gerar propostas e interagir com informações comerciais e administrativas.

WhatsApp

O WhatsApp é direcionado principalmente ao relacionamento com clientes.

O agente pode identificar quem está entrando em contato, consultar informações do projeto e responder dúvidas com base nos dados dos sistemas internos.

O canal possui permissões mais restritas. Um cliente não pode acessar funções administrativas ou informações de outras contas.

Alexa

A Alexa atende solicitações rápidas de consulta.

Ela pode responder perguntas objetivas sobre compromissos, vencimentos ou indicadores, sem receber autorização para executar ações financeiras sensíveis.

Essa distribuição mostra que uma estratégia omnichannel não significa liberar todas as capacidades em todos os lugares. Cada canal deve oferecer apenas o nível de acesso compatível com seu contexto.

Da sugestão de e-mail à autonomia progressiva

No início, o agente não enviava respostas de forma autônoma. Ele analisava o e-mail, consultava os sistemas e produzia uma sugestão para aprovação humana.

Esse período permitiu avaliar:

• qualidade das respostas;
• capacidade de identificar o cliente;
• uso correto dos dados do projeto;
• tom de comunicação;
• situações que exigiam intervenção;
• erros recorrentes.

À medida que o sistema amadureceu, parte das respostas recebeu autonomia.

Esse crescimento gradual reduziu o risco de liberar uma automação sem histórico suficiente. Também permitiu separar mensagens simples e previsíveis de situações comerciais ou operacionais que ainda precisavam de análise humana.

A estratégia segue o princípio de começar por uma prova de valor e ampliar a autonomia conforme a qualidade é demonstrada.

Arquitetura sob medida e modelo com custo controlado

O agente foi desenvolvido sob medida para a operação. A solução não depende de um fluxo genérico comprado pronto.

A arquitetura combina:

• os sistemas financeiro, comercial e de relacionamento;
• APIs para consulta e execução de operações;
• regras de permissão;
• gestão de contexto;
• logs de auditoria;
• mecanismos de confirmação;
• integrações com Teams, WhatsApp, Alexa e e-mail;
• um modelo Claude Haiku 4.5 disponibilizado por meio do ambiente Azure.

A escolha do modelo considerou equilíbrio entre capacidade, velocidade e custo operacional. Como o agente realiza um volume elevado de interações, não bastava selecionar o modelo mais poderoso disponível. Era necessário encontrar uma opção compatível com as tarefas e com o orçamento de execução.

Esse é um trade-off importante em projetos de agentes. Um modelo maior não é automaticamente a melhor escolha para todos os fluxos. Processos bem definidos, ferramentas controladas e dados estruturados podem permitir que um modelo mais eficiente execute a operação com qualidade.

A comparação entre ferramentas de automação e desenvolvimento sob medida ajuda a entender por que alguns projetos podem começar em plataformas prontas, enquanto outros exigem uma arquitetura própria.

O resultado: metade do custo administrativo

O resultado mais objetivo do projeto foi a redução de aproximadamente 50% nos custos do setor administrativo.

Essa economia não veio da substituição imediata de toda a equipe. Ela surgiu da redução do volume de trabalho operacional necessário para manter os processos funcionando.

Atividades como localizar documentos, copiar dados, conferir vencimentos, montar propostas, responder dúvidas repetitivas e atualizar sistemas passaram a exigir menos intervenção.

Além da redução de custo, o projeto trouxe outros ganhos:

• maior velocidade na execução de tarefas;
• menos alternância entre sistemas;
• melhor rastreabilidade das operações;
• redução de esquecimentos e pendências;
• mais transparência entre as áreas;
• mais autonomia para clientes;
• padronização das informações comerciais;
• acesso aos dados em linguagem natural.

Uma tarefa que antes exigia abrir o e-mail, baixar uma fatura, acessar o financeiro, preencher campos e entrar no Asaas passou a ser conduzida pelo agente, com revisão humana nos pontos críticos.

O ganho, portanto, não está apenas em responder perguntas. Está em reduzir o número de etapas necessárias para transformar uma solicitação em uma ação concluída.

Por que o agente não deveria ter sido a primeira etapa

O case mostra que um agente de IA empresarial depende da estrutura que existe por baixo da conversa.

Se o agente tivesse sido criado quando financeiro, clientes e comercial ainda estavam espalhados entre planilhas e ferramentas desconectadas, ele enfrentaria problemas como:

• dados duplicados;
• ausência de uma fonte oficial;
• permissões inconsistentes;
• dificuldade de executar ações;
• respostas baseadas em informações desatualizadas;
• falta de histórico confiável;
• pouca rastreabilidade.

O desenvolvimento em etapas permitiu organizar primeiro as operações e depois criar uma camada inteligente sobre elas.

Essa abordagem também distribuiu o investimento ao longo do tempo. Cada sistema resolveu uma necessidade concreta antes da criação do agente.

Para empresas avaliando um projeto semelhante, o guia sobre custos de automação com IA apresenta os fatores que influenciam o orçamento, como quantidade de integrações, volume de dados e nível de autonomia.

O que outras empresas podem aprender com este case

O projeto oferece algumas lições práticas.

1. A IA precisa de uma base operacional

Agentes entregam mais valor quando os processos estão representados por sistemas, APIs e dados confiáveis.

2. A evolução pode acontecer por etapas

Não é necessário construir toda a arquitetura de uma vez. Financeiro, relacionamento, comercial e agente podem evoluir conforme surgem novas necessidades.

3. Consulta e execução são níveis diferentes

Responder uma pergunta exige acesso à informação. Executar uma ação exige permissões, validação, tratamento de erros e auditoria.

4. Autonomia precisa ser conquistada

O agente começou sugerindo respostas e ganhou autonomia conforme demonstrou qualidade em situações reais.

5. Cada canal deve ter limites próprios

Teams, WhatsApp e Alexa atendem públicos e contextos diferentes. A experiência e as permissões precisam acompanhar essas diferenças.

6. O retorno vem do fluxo completo

Classificar uma fatura gera algum valor. Identificar a fatura, anexá-la, criar o lançamento, pedir confirmação e agendar o pagamento transforma o processo.

Perguntas frequentes

O agente substituiu todos os sistemas da empresa?

Não. O agente funciona como uma camada de interação e execução sobre os sistemas financeiro, comercial e de relacionamento. Os sistemas continuam responsáveis pelas regras, registros e dados da operação.

O agente pode executar pagamentos sozinho?

Operações sensíveis passam por double check. O agente prepara o lançamento ou o agendamento, mas solicita confirmação de um usuário autorizado antes da conclusão.

Como o agente evita expor dados para pessoas erradas?

As permissões variam conforme usuário, cargo, empresa, canal e tipo de ação. Além disso, as operações são registradas para auditoria. Quando existe dúvida sobre a autorização ou sobre a solicitação, o agente encaminha o caso para uma pessoa.

É necessário substituir todos os sistemas antes de criar um agente?

Não necessariamente. Sistemas existentes podem ser integrados quando possuem APIs e dados confiáveis. O ponto principal é definir fontes oficiais, permissões e operações seguras. Em alguns casos, será necessário organizar ou substituir uma parte da estrutura antes de ampliar a automação.

O agente pode atender clientes e equipes internas ao mesmo tempo?

Sim, desde que os canais e acessos sejam separados. Neste projeto, o Teams concentra funções internas, o WhatsApp atende principalmente clientes e a Alexa é utilizada para consultas rápidas.

Qual foi o principal resultado do projeto?

O resultado mais direto foi a redução de aproximadamente 50% nos custos do setor administrativo. O projeto também aumentou a velocidade dos processos, a rastreabilidade e a transparência para áreas internas e clientes.

Conclusão

Este case mostra que um agente de IA empresarial não precisa nascer como um projeto isolado ou como uma aposta baseada em hype. Ele pode ser o resultado natural da evolução dos sistemas e da automação dos processos.

Primeiro, a empresa estruturou o financeiro. Depois, organizou o relacionamento com clientes. Em seguida, integrou o processo comercial. Por fim, criou um agente capaz de visualizar esse ecossistema e transformar solicitações em ações.

O diferencial não está apenas no uso de inteligência artificial. Está na combinação entre dados confiáveis, APIs, permissões, contexto, confirmação humana e autonomia progressiva.

Quer construir um agente conectado aos sistemas e processos da sua empresa? Conheça as soluções da Clicksoft em automação inteligente para empresas e converse com uma equipe preparada para integrar IA, software e operação.