Combinando Padrões para Construir AI Agents

Um único padrão faz uma coisa bem feita.

Meeting Intelligence transforma gravações de chamadas em notas estruturadas e itens de ação. Scoring and Routing classifica leads recebidos e os direciona para o vendedor certo. Workflow Copilot apresenta a próxima melhor ação na barra lateral do CRM. Cada um desses é uma capacidade real e implantável.

Mas nenhum deles, isoladamente, é um AI Sales Operator.

Um AI Sales Operator participa da chamada. Ele atualiza o CRM, pesquisa a conta, redige o e-mail de acompanhamento, monitora a saúde do negócio e apresenta a próxima ação quando o vendedor abre o registro na manhã seguinte. Ele cuida de um trabalho completo, não de uma tarefa isolada.

A diferença entre um único padrão e um agente que assume uma função é a combinação de padrões. Este artigo explica o conceito, apresenta dois exemplos completos e aborda onde as combinações falham e como projetá-las para que isso não aconteça.

O conceito de combinação de padrões

Padrões se tornam blocos de construção quando seus resultados se tornam entradas para o próximo padrão.

Key Facts: AI Agent Stacking em Produção

• Apenas 11% das empresas que testam AI agents chegam a colocá-los em produção, segundo o estudo Emerging Technology Trends de 2025 da Deloitte. O gargalo é quase sempre integração e governança, não a capacidade do modelo.
• A Gartner prevê que mais de 40% dos projetos de AI agêntico serão cancelados até o final de 2027, citando custos crescentes, valor de negócio pouco claro e controles de risco inadequados.
• 66% das implementações de agentes em produção agora utilizam designs de sistemas multi-agent em vez de abordagens de agente único, refletindo o reconhecimento da indústria de que nenhum padrão isolado assume uma função completa. (Landbase, 2026)

O guia Building Effective Agents da Anthropic, baseado em dezenas de implantações em produção, deixa isso explícito: os sistemas agênticos mais capazes não são construídos com um único modelo sofisticado, mas por meio da composição de padrões mais simples em sequências bem definidas, onde cada camada passa resultados estruturados para a próxima.

Combinação de padrões é composição arquitetural, não apenas combinação de funcionalidades. O resultado do Meeting Intelligence (notas estruturadas, itens de ação, sentimento, principais objeções) flui para o Workflow Copilot como contexto para a sugestão da próxima ação. A atualização do CRM feita pelo Workflow Copilot altera o registro do negócio que o Scoring and Routing usa para repriorizar o Pipeline do vendedor. Cada padrão avança o trabalho ao longo do ciclo da função.

O principal insight de design: a conexão entre padrões é onde a maioria das falhas de combinação acontece. Não os padrões em si. As transições entre eles.

Se o Meeting Intelligence produz um resumo em texto livre e o Workflow Copilot espera um objeto JSON estruturado com campos específicos, nada flui. Se o orçamento de latência pressupõe que cada padrão responde em 200 milissegundos, mas o passo do Autonomous Agent leva 8 segundos, a combinação toda viola os requisitos de experiência do usuário. Se um erro no padrão 2 passa silenciosamente para o padrão 3, os padrões subsequentes otimizam a partir de entradas corrompidas sem saber disso.

Um bom design de combinação significa projetar as conexões com tanto cuidado quanto os padrões em si.

"Implementações multi-agent onde cada camada valida sua entrada antes de processar alcançam taxas de propagação de erros 3 vezes menores do que combinações que passam resultados para baixo sem validação. A conexão é a arquitetura." (Shakudo Enterprise AI Production Report, 2026)

O que muda quando padrões se combinam em um agente completo? A próxima seção explica a distinção.

Nível 2 vs Nível 3

O ACE Framework distingue entre padrões no Nível 2 e AI Agents no Nível 3 em três dimensões:

Escopo: Padrões de Nível 2 resolvem tarefas específicas e delimitadas. Agentes de Nível 3 assumem uma função. Um AI Sales Operator assume o Workflow do vendedor. Um AI Support Agent assume a fila de suporte. O escopo do Agent abrange toda a função de trabalho, não apenas tarefas individuais dentro dela.

Autoridade sobre dados: Agentes de Nível 3 mantêm estado persistente sobre seu domínio. O AI Sales Operator conhece o histórico completo do negócio, os padrões de desempenho do vendedor, quais templates de prospecção funcionaram em quais segmentos de indústria. Esse conhecimento institucional acumula-se entre execuções e informa as subsequentes. Padrões individuais de Nível 2 não têm estado: eles recebem entradas e produzem saídas sem acumular contexto.

Superfície de governança: Padrões de Nível 2 têm autoridade delimitada. Eles podem fazer o que sua capacidade específica permite. Agentes de Nível 3 têm autoridade combinada em múltiplas capacidades e múltiplos sistemas. Seus requisitos de governança são proporcionalmente mais complexos. As aprovações, trilhas de auditoria e restrições de escopo que se aplicam a cada padrão se multiplicam na camada de Nível 3.

A transição do Nível 2 para o Nível 3 não é uma questão de adicionar mais padrões.

É uma decisão de design para dar a um sistema a propriedade de uma função, com a infraestrutura de dados e a arquitetura de governança que essa propriedade exige. A pesquisa da McKinsey sobre como aproveitar a vantagem do AI agêntico confirma esse enquadramento: menos de 10% das empresas que experimentam agentes chegam a escalá-los, e a lacuna é quase sempre de infraestrutura e governança, não de capacidade do modelo.

"Empresas que tratam implantações de agentes de Nível 3 como uma adição de funcionalidade em vez de uma decisão de propriedade de função apresentam uma taxa de cancelamento de projetos 4 vezes maior no segundo ano do que aquelas que definem primeiro a governança e a infraestrutura de dados." (McKinsey QuantumBlack, 2025)

Os dois exemplos práticos abaixo mostram como essa infraestrutura realmente funciona na prática.

Exemplo prático 1: AI Sales Operator

O AI Sales Operator combina cinco padrões: Meeting Intelligence, RAG Assistant (Retrieval-Augmented Generation), Scoring and Routing, Workflow Copilot e Anomaly Agent. Veja como cada camada contribui e como fazem a transição.

Camada 1: Meeting Intelligence

• O que faz: Ingere a gravação da chamada, transcreve, extrai itens de ação, principais objeções e sinais do negócio.
• Neste contexto: Cada chamada de vendas passa pelo Meeting Intelligence automaticamente. O resultado é um registro estruturado com transcrição, itens de ação, análise de sentimento e objeções classificadas por categoria ACE.
• Resultado para a próxima camada: Resumo estruturado da chamada com campos principais: estágio do negócio, objeções levantadas, próximos passos acordados, cronograma declarado pelo prospect e nome do vendedor.

Camada 2: Workflow Copilot

• O que faz: Recebe o resumo da chamada mais o contexto existente no CRM e gera a próxima melhor ação para o vendedor.
• Neste contexto: Assim que a chamada termina, o vendedor abre o registro no CRM e vê o rascunho do e-mail de acompanhamento, a recomendação de estágio atualizada e a lista de ações da chamada.
• Entrada da camada 1: Resumo estruturado da chamada. O Workflow Copilot não pode ingerir áudio bruto ou transcrição bruta. O resultado do Meeting Intelligence precisa estar estruturado corretamente para que o Copilot o utilize.
• Resultado para a próxima camada: O vendedor revisa e aprova as ações. O registro no CRM é atualizado com novo estágio, notas e próxima tarefa.

Camada 3: Scoring and Routing

• O que faz: Pontua novamente o negócio com base em sinais atualizados e reprioriza o Pipeline do vendedor.
• Neste contexto: Após cada atualização no CRM, o modelo de Scoring recalcula a pontuação do negócio (combinando recência, sinais de engajamento, estágio e dados firmográficos). A visualização do Pipeline do vendedor é reordenada automaticamente.
• Entrada da camada 2: Campos atualizados no registro do CRM. Especificamente, a atualização de estágio e os sinais de conclusão de ações.
• Resultado para a próxima camada: Ranking de prioridade atualizado na visualização do Pipeline do vendedor. Negócios de alta prioridade sobem para o topo.

Camada 4: RAG Assistant

• O que faz: Apresenta documentação de produto relevante, estudos de caso e playbooks de tratamento de objeções com base no contexto ativo do vendedor.
• Neste contexto: Quando o vendedor tem um indicador de "objeções de conformidade levantadas" em um negócio, o RAG Assistant apresenta os três estudos de caso mais relevantes de setores regulamentados e o playbook padrão de objeções de conformidade.
• Entrada: O contexto do registro do negócio, especificamente as tags de objeção do Meeting Intelligence e o segmento de indústria dos dados firmográficos do CRM.
• Resultado: Trechos de documentos com links, visíveis na barra lateral do CRM quando o vendedor está trabalhando no negócio.

Camada 5: Anomaly Agent

• O que faz: Monitora a saúde do negócio ao longo do tempo e sinaliza padrões anormais.
• Neste contexto: Se um negócio que estava com 85% de confiança há 10 dias não teve engajamento em 12 dias, o Anomaly Agent o sinaliza como "negócio em risco" e aciona uma sugestão de reengajamento do Workflow Copilot.
• Entrada: Sinais históricos de engajamento, taxas de progressão de estágio do negócio em todo o Pipeline.
• Resultado: Alerta apresentado ao vendedor e ao gerente com ação de recuperação sugerida.

Essa combinação de cinco camadas é o que faz o AI Sales Operator parecer uma função, não uma funcionalidade. Nenhum dos padrões individuais, implantados isoladamente, produz essa experiência. A integração é o produto. Para o caso de ROI que torna essa combinação válida, por que sales ops é o caso de uso de AI com maior ROI detalha os números.

Para uma visão mais aprofundada do que o AI Sales Operator faz ao longo do dia completo do vendedor, consulte O que é um AI Sales Operator.

Exemplo prático 2: AI Support Agent

O AI Support Agent combina cinco padrões de forma diferente: Scoring and Routing, RAG Assistant, Document Review, Workflow Copilot e Autonomous Agent. As transições funcionam de forma diferente porque o caso de uso de suporte tem uma estrutura diferente.

Camada 1: Scoring and Routing

• O que faz: Recebe cada ticket recebido, classifica por tipo (disputa de cobrança, problema técnico, solicitação de funcionalidade, escalada), pontua a urgência e direciona para a fila correta.
• Neste contexto: Disputas de cobrança de alta urgência vão para o caminho do Autonomous Agent. Problemas técnicos acima de um limite de complexidade são direcionados para um agente sênior. Solicitações padrão de baixa urgência vão para o caminho de autoatendimento assistido por RAG.
• Resultado para a próxima camada: Ticket com tags de classificação, pontuação de urgência e decisão de roteamento.

Camada 2: RAG Assistant (para tickets de Nível 2 e acima direcionados a humanos)

• O que faz: Para tickets atendidos por agentes humanos, o RAG Assistant apresenta as 3 resoluções passadas mais relevantes da base de conhecimento.
• Neste contexto: O agente humano vê o ticket e, na mesma interface, as 3 principais sugestões de resolução com pontuações de similaridade e as etapas específicas de resolução utilizadas.
• Entrada: Texto do ticket e tags de classificação do Scoring and Routing.
• Resultado: Resoluções sugeridas apresentadas ao agente humano como contexto.

Camada 3: Workflow Copilot (para agentes humanos em tickets complexos)

• O que faz: Durante o trabalho ativo do agente humano em um ticket, o Copilot sugere o próximo rascunho de resposta, a macro correta a aplicar e quaisquer campos ausentes a preencher antes de fechar.
• Neste contexto: Enquanto o agente humano digita uma resposta, o Copilot apresenta uma versão pré-redigida com base no contexto do ticket e no padrão de resolução recuperado pelo RAG.
• Entrada: Contexto do ticket ativo, posição atual do cursor do agente humano e resultado do RAG da camada 2.
• Resultado: Rascunho de resposta e lista de verificação para o agente humano.

Camada 4: Document Review (para setores regulamentados)

• O que faz: Revisa o rascunho de resposta antes de ser enviado, verificando requisitos de conformidade (linguagem FINRA, divulgações HIPAA, disclaimers obrigatórios).
• Neste contexto: Para clientes de serviços financeiros e saúde, cada rascunho de resposta passa pelo Document Review antes de poder ser enviado.
• Entrada: Rascunho de resposta do Workflow Copilot.
• Resultado: Status aprovado/sinalizado, com itens sinalizados destacados e linguagem corrigida sugerida.

Camada 5: Autonomous Agent (para resoluções estruturadas de Nível 1)

• O que faz: Atende os tickets de Nível 1 que o Scoring and Routing identificou como solucionáveis sem envolvimento humano (disputas de cobrança abaixo do limite, solicitações de reembolso padrão, fluxos de redefinição de senha).
• Neste contexto: O Autonomous Agent tem acesso à API do processador de pagamento, ao sistema de tickets e ao remetente de e-mail. Ele lê o ticket, verifica a solicitação, emite a resolução, fecha o ticket e envia a confirmação.
• Entrada: Ticket estruturado com tags de classificação e escopo de resolução autorizado.
• Resultado: Ticket fechado com registro de resolução e confirmação enviada ao cliente.

Esta combinação ilustra um padrão de design fundamental: nem todos os tickets passam por todas as camadas. A decisão de Scoring and Routing na camada 1 determina por quais camadas subsequentes um determinado ticket passa. O Autonomous Agent trata um subconjunto específico e delimitado. As camadas assistidas por humanos tratam o restante.

O 4-Pattern Assembly Framework

O 4-Pattern Assembly é uma arquitetura nomeada para construir AI Agents no nível de função a partir de exatamente quatro camadas de padrões: (1) uma camada de Ingestão/Classificação que estrutura entradas brutas, (2) uma camada de Recuperação/Pontuação que enriquece com contexto, (3) uma camada de Geração/Recomendação que produz o resultado voltado ao usuário e (4) uma camada de Execução/Monitoramento que age sobre aprovações e sinaliza desvios. Qualquer agente que trate uma função completa pode ser mapeado para essas quatro posições. Padrões com menos de quatro camadas tratam tarefas. Padrões com quatro camadas ou mais tratam funções.

Rework Analysis: Com base nos dois exemplos práticos deste artigo e nos padrões de produção documentados pela McKinsey, Gartner e Anthropic, agentes que atingem o limite do 4-Pattern Assembly (Ingest, Retrieve, Generate, Execute) apresentam consistentemente maior retenção de adoção do que combinações com menos de quatro camadas. Os dados de implementação da Rework mostram que equipes de vendas que utilizam um AI Sales Operator completo de 4 camadas reduzem o tempo médio de administração do ciclo de negócios em 60 a 70 minutos por vendedor por dia, em comparação com 15 a 20 minutos para equipes que usam apenas um copilot de padrão único.

Onde as combinações falham

Incompatibilidade de formato de dados entre padrões. O Padrão A produz um resumo em texto livre. O Padrão B espera um objeto JSON estruturado. Nada flui. A solução não é culpar nenhum dos padrões. É projetar o esquema da transição antes de construir qualquer camada. O contrato de transição é a parte mais importante da arquitetura.

Latência composta. Uma combinação de 5 padrões onde cada um leva 2 segundos para responder leva 10 segundos antes que o usuário veja qualquer coisa. A análise da McKinsey sobre reimaginando a infraestrutura de tecnologia para AI agêntico destaca a latência composta como um dos desafios mais subestimados ao migrar de modelos únicos para implantações multi-agent. Em um contexto de copilot onde o usuário está ativamente aguardando, 10 segundos é demais. Em um processo assíncrono em segundo plano (atualização de CRM pós-chamada), 10 segundos é aceitável. Mapeie o orçamento de latência em relação ao requisito de experiência do usuário antes de confirmar a profundidade da combinação.

Propagação de erros. Um resultado incorreto do padrão 2 é a entrada para o padrão 3. Se o padrão 3 não valida a entrada, ele otimiza a partir de dados corrompidos e produz um resultado incorreto que flui para o padrão 4. Quando o erro aparece, ele foi multiplicado. A solução é validação de entrada em cada camada, não apenas no ponto de entrada inicial. Cada padrão deve rejeitar entradas malformadas ou de baixa confiança em vez de tentar prosseguir.

Lacunas de governança nas conexões. Uma política de governança pode cobrir as ações de Execução de cada padrão individual. Mas quem aprovou os dados que fluem do Meeting Intelligence para o Workflow Copilot? Quem autorizou a repriorização do Scoring and Routing a acontecer automaticamente com base em um item de ação gerado por AI de uma chamada? As conexões entre padrões criam superfície de governança que as políticas individuais dos padrões não cobrem. Projete a governança na conexão, não apenas no nível do padrão. O limite entre gerar e executar é o ponto de partida mais claro para essa conversa.

Princípios de design para combinações de padrões

Modular. Cada padrão deve ser substituível sem reconstruir toda a combinação. A camada de Meeting Intelligence pode ser atualizada para um modelo melhor sem alterar o Workflow Copilot ou as camadas de Scoring and Routing, desde que o esquema de saída permaneça consistente. Trate cada camada como um contrato com entradas e saídas definidas, não como componentes fortemente acoplados.

Observável. Cada transição entre padrões deve ser registrada. Não apenas o resultado final. O fluxo completo de dados: o que o padrão recebeu como entrada, o que gerou, o que enviou para a próxima camada e quando. A observabilidade nas conexões é a única forma de depurar a combinação quando algo dá errado. Registrar apenas no resultado final diz o que o resultado foi, não onde o erro se originou.

Com degradação graciosa. Se o Anomaly Agent estiver indisponível (timeout do modelo, interrupção da API), o restante da combinação deve continuar funcionando. O Workflow Copilot do vendedor ainda deve apresentar próximas ações. O Meeting Intelligence ainda deve atualizar o CRM. Apenas a superfície de monitoramento de anomalias deve ficar inativa, com um indicador visível de que os alertas estão temporariamente pausados. Projete explicitamente o modo de falha de cada camada. Uma camada indisponível deve produzir um resultado nulo com uma flag de falha, não um erro que trava toda a combinação.

"O tempo médio até o valor para implantações de AI agents corporativos é de 5,1 meses, com agentes de desenvolvimento de vendas pagando de volta em 3,4 meses. Agentes de finanças e operações têm média de 8,9 meses. A profundidade da combinação e a prontidão dos dados são as variáveis primárias, não a seleção do modelo." (Landbase Agentic AI Report, 2026)

Pré-requisitos antes de combinar padrões

Antes de construir uma combinação de múltiplos padrões, três condições de infraestrutura precisam estar em vigor:

Pipeline de dados compartilhado. Todos os padrões na combinação precisam de acesso ao mesmo armazenamento de dados com esquemas consistentes. Se o Meeting Intelligence grava em um banco de dados e o Scoring and Routing lê de outro, a combinação está em silos. O Pipeline de dados é o tecido conjuntivo.

Modelo de entidade compartilhado. Cada padrão deve referenciar a mesma definição de "contato", "negócio", "ticket" ou qualquer que seja a entidade central. Se o Meeting Intelligence conhece um contato pelo endereço de e-mail e o Scoring and Routing o identifica pelo ID do registro no CRM, a conexão quebra no momento em que um contato existe em um sistema mas não no outro.

Orçamento de latência definido. Conheça o tempo de resposta aceitável para a experiência do usuário que está sendo construída antes de montar a combinação. Interações de copilot são síncronas e têm requisitos rígidos de latência (menos de 2 segundos). Processamento em segundo plano (atualizações de CRM pós-chamada) pode tolerar 30 a 60 segundos. A profundidade da combinação deve caber dentro do orçamento.

O caminho para o Nível 3

Os exemplos práticos deste artigo são o início do que o ACE Framework chama de Nível 3: AI Agents no nível de função. O AI Sales Operator e o AI Support Agent são construtos de Nível 3, cada um construído combinando padrões de Nível 2 com a infraestrutura de dados e a arquitetura de governança corretas.

A progressão do Nível 2 para o Nível 3 é a progressão de "AI que executa tarefas" para "AI que assume uma função". Essa progressão requer a infraestrutura e a disciplina de design descritas acima. Não é um limite que se cruza adicionando mais um padrão a uma combinação.

Para os padrões que exigem pré-requisitos cuidadosos antes de participar de uma combinação, consulte Dependências e Pré-requisitos de Padrões. Para onde as combinações funcionam por departamento, consulte Combinações de Padrões por Departamento.

---

Saiba mais

• O que é um AI Sales Operator? 4 Padrões Trabalhando Juntos
• Autonomous Agent: Metas em Múltiplas Etapas com Uso de Ferramentas
• Dependências e Pré-requisitos de Padrões
• Anti-Patterns: Combinações de AI que Falham
• Combinações Comuns de Padrões de AI por Departamento
• Requisitos de Governança por Padrão de AI