Um agente de IA na cobrança só funciona se a empresa redesenha o processo antes. Foi assim que a Cury Construtora recuperou R$ 700 mil em apenas um mês. Depois de repensar toda a lógica de negociação com clientes inadimplentes antes de ligar qualquer automação.
Essa foi a discussão central do episódio #370 do nosso podcast, que recebeu Renato Mendonça, Superintendente de Tecnologia da Informação na Cury Construtora. A construtora colocou um agente autônomo para negociar dívidas por WhatsApp. Mas, só depois de resolver um problema que a maioria das empresas ainda ignora: o processo por trás da automação.
O que é um agente de IA na cobrança?
Um agente de IA na cobrança é um sistema que conduz, de forma autônoma, parte ou toda a negociação de uma dívida com o cliente, sem um atendente humano mediando cada etapa. Ele consulta o status do débito, propõe condições de pagamento, responde a objeções e fecha o acordo dentro das regras que a empresa define.
A diferença entre isso e um chatbot de cobrança tradicional é a autonomia de decisão. Um chatbot segue um roteiro fixo, com poucas variações possíveis. Um agente ajusta a negociação conforme o contexto do cliente, dentro de limites que a área de negócio configura previamente e a área de risco válida.
Por que o processo precisa mudar antes da automação?
Antes de ativar qualquer agente, a Cury redesenhou o processo de cobrança e só depois o levou para dentro do CRM. Essa ordem não foi acidental. Automatizar um processo mal desenhado apenas multiplica o erro em velocidade maior, e com um alcance muito maior de clientes afetados ao mesmo tempo.
Isso explica por que tantos projetos de automação de cobrança decepcionam. A empresa compra uma ferramenta de IA esperando resolver um problema que, na verdade, é de regra de negócio. Times aplicam critérios de desconto inconsistentes entre si, o contrato carrega dados desatualizados, e a empresa define mal o escalonamento entre cobrança amigável e jurídica. Nenhum agente resolve isso sozinho, por mais sofisticado que seja o modelo por trás dele.
O papel do CRM nessa reorganização
Levar o processo redesenhado para o CRM antes de automatizar deu à Cury uma base única de verdade sobre cada dívida. O agente de IA passou a operar sobre dados consistentes, não sobre planilhas paralelas ou informações divergentes entre áreas comercial, financeira e jurídica.
Esse tipo de organização prévia costuma ser o fator que separa um piloto de IA que escala de um que trava no primeiro mês. Sem uma fonte única de dados, cada negociação automatizada corre o risco de usar como base uma informação que já mudou.
Como funcionou a negociação por WhatsApp?
Com o processo já ajustado, a Cury implementou um agente autônomo para negociar diretamente com o cliente inadimplente pelo WhatsApp. Esse é um canal onde boa parte do público já espera atendimento, inclusive fora do horário comercial tradicional.
O agente recuperou cerca de R$ 700 mil no primeiro mês de operação. Um resultado que reforça algo que a liderança de tecnologia já desconfiava: o gargalo normalmente não está na vontade do cliente de negociar, mas na dificuldade de abrir esse canal em escala. E também no momento que for conveniente para ele, sem depender da disponibilidade de um time humano.
Por que nem toda automação deve ir para produção ao mesmo tempo?
Um dos pontos mais relevantes do episódio foi a decisão consciente de segurar o lançamento de um segundo agente, mesmo com o primeiro funcionando bem. Essa escolha diz mais sobre maturidade em IA do que o sucesso isolado do primeiro projeto.
Expandir rápido demais, sem testar o novo escopo com o mesmo rigor aplicado ao primeiro caso, é como diversas empresas acabam criando agentes que cometem erros caros justamente quando ninguém está observando de perto a operação. Segurar um lançamento, nesse contexto, não é lentidão organizacional. É controle de risco deliberado: quem já viu o primeiro projeto funcionar sabe exatamente o que pode dar errado no segundo.
O que muda no papel da área de TI?
Quando áreas de negócio passam a construir suas próprias soluções de IA, muitas vezes recorrendo a prototipagem rápida que a IA generativa apoia, a chamada “vibe coding“, o papel da TI deixa de ser apenas o de executora de demandas técnicas vindas de outras áreas.
Ela passa a atuar como guardiã de padrões: segurança da informação, integração entre sistemas, auditoria dos agentes em produção e consistência entre o que cada área constrói por conta própria, muitas vezes sem o mesmo rigor técnico de um time de engenharia.
Vale a leitura complementar sobre quem decide e verifica o que os agentes de IA fazem dentro de uma operação, já que a resposta raramente é “só a TI” ou “só o negócio” isoladamente.
Como manter o padrão sem travar a autonomia das áreas
O desafio prático não é proibir a experimentação das áreas de negócio, até porque isso raramente funciona na prática. É a TI criar trilhos claros: quais dados cada área pode acessar, qual nível de automação exige aprovação prévia e qual critério define quando um protótipo que uma área de negócio criou pode, de fato, ir para produção.
Empresas que definem esses trilhos antes de liberar a experimentação em larga escala tendem a chegar à automação de verdade mais rápido, não mais devagar, porque evitam o retrabalho de segurança que a própria equipe faria às pressas depois que algo já está rodando com clientes reais.
O que os dados do mercado mostram sobre atendimento autônomo?
Em 2025, o Gartner estimou que a IA agêntica resolveria de forma autônoma até 80% dos problemas comuns de atendimento ao cliente até 2029, com uma redução de cerca de 30% nos custos operacionais das áreas que adotarem esse modelo, segundo comunicado da própria consultoria.
O mesmo material recomenda que líderes definam, desde já, políticas claras sobre quando a equipe deve escalar uma interação para um humano, exatamente o tipo de decisão que a Cury tomou ao segurar o lançamento do segundo agente em vez de acelerar a expansão.
O que os números de cobrança indicam
Especificamente sobre cobrança, uma reportagem que o IT Forum publicou em janeiro de 2026 cita um estudo da McKinsey & Company segundo o qual o uso maduro de IA nessa área pode reduzir em até 40% os custos operacionais e elevar em cerca de 10% as taxas de recuperação de crédito. Os números da Cury, ainda em estágio inicial de operação, mas já caminham nessa mesma direção.
Quais riscos a liderança precisa monitorar?
Negociar dívida é um território sensível: envolve dinheiro, direito do consumidor e reputação da marca ao mesmo tempo. Até porque um agente que erra uma condição de pagamento ou pressiona um cliente de forma inadequada gera um dano maior do que um chatbot que simplesmente trava ou não entende a pergunta.
Por isso, guardrails claros, monitoramento contínuo e um critério explícito sobre quando a conversa deve sair da IA e ir para um humano são tão importantes quanto o ganho de eficiência. Esse é, inclusive, o mesmo debate presente no episódio sobre quando a automação resolve e quando o humano precisa decidir no atendimento ao cliente de forma mais ampla.
Um agente de IA substitui a equipe de cobrança?
Não substitui, ao menos não no formato que a Cury adotou. O agente assume o volume de negociações simples e repetitivas, aquelas em que o cliente só precisa de uma condição de pagamento viável. Casos mais complexos, disputas contratuais ou situações de inadimplência prolongada continuam exigindo decisão humana.
Essa divisão de trabalho é, na prática, o que torna o resultado sustentável. A equipe de cobrança deixa de gastar tempo em negociações de baixo valor agregado e passa a se concentrar nos casos em que o julgamento humano realmente faz diferença no desfecho.
Quanto tempo leva para ver resultado?
O caso da Cury mostra retorno já no primeiro mês de operação, mas esse prazo só foi possível porque o trabalho de redesenho de processo e de organização dos dados no CRM já estava pronto antes de o agente entrar no ar. Empresas que pulam essa etapa costumam gastar os primeiros meses corrigindo o próprio processo em paralelo à operação do agente, o que atrasa o resultado e aumenta o risco de erro visível para o cliente.
Um cronograma realista reserva tempo explícito para mapear o processo atual, redesenhá-lo, migrar os dados para uma base única e só então testar o agente com um grupo pequeno de clientes antes de expandir para toda a carteira.
Como aplicar esse conceito na sua operação?
O caso da Cury não é um atalho para quem quer colocar um agente de IA na cobrança amanhã. É um lembrete de que a ordem das etapas importa mais do que a tecnologia escolhida. Redesenhar o processo, consolidar os dados em uma fonte única, testar com rigor e só depois automatizar é o caminho mais lento no curto prazo e o único que sustenta resultado no longo prazo.
Para quem lidera uma operação de crédito, atendimento ou cobrança, a pergunta não deveria ser “qual ferramenta de IA comprar”, e sim “o nosso processo já está pronto para a automação”. A resposta honesta a essa pergunta evita boa parte dos projetos de IA que não saem do papel ou, pior, saem do papel errados.
