“Quando a equipa de PMOs nos trouxe o desafio, o padrão era um que reconhecemos noutros processos internos: um conjunto de documentos operacionais gerados periodicamente, com dados copiados manualmente entre ficheiros Excel, fórmulas aplicadas linha a linha e o mesmo trabalho repetido a cada ciclo. Tempo da equipa consumido em tarefas repetitivas, e uma margem de erro humano que, num processo recorrente e em escala, tende a acumular-se.

A decisão de desenho mais importante que tomámos não foi sobre qual modelo de IA usar, foi sobre onde a IA não devia entrar. Em processos que lidam com dados sensíveis, a confiança não se ganha com uma IA que “decide” valores por conta própria. Por isso separámos claramente as duas responsabilidades: a IA interpreta o pedido em linguagem natural, conversa com o utilizador e decide que tipo de documento está a ser gerado; o cálculo e o preenchimento em si são sempre feitos por código determinístico, auditável e testável, o mesmo resultado, obtido sempre pela mesma via. A IA nunca escreve um valor diretamente no ficheiro final.

Do ponto de vista de quem usa a aplicação, a experiência é uma conversa de chat: anexa o ficheiro de origem, pede em linguagem natural o que precisa, e recebe o documento pronto a descarregar, sem instalar nada, sem ecrãs técnicos. Por trás dessa simplicidade há quatro camadas: um frontend em React para a interface; um backend em Node.js/Express que funciona como intermediário seguro, nunca expondo chaves de API ao browser; o Langflow, que orquestra todo o fluxo de IA e processamento; e o IBM Agent Studio, acedido via protocolo A2A, responsável apenas pelo raciocínio em linguagem natural.

Em segurança, partimos de práticas que consideramos mínimas para este tipo de dados: segredos fora do repositório de código, backend como intermediário único com os serviços externos, limite e validação de uploads, e o ficheiro de origem nunca é alterado, o resultado é sempre gerado a partir de um template novo. Dito isto, fomos também transparentes internamente sobre o que esta primeira fase ainda não resolve, autenticação de utilizadores, TLS em produção, auditoria centralizada, e é exatamente isso que está no plano da segunda fase, a par de testes de carga e de uma camada de anonimização que permita, no futuro, à IA analisar o conteúdo dos ficheiros com segurança, sem expor dados sensíveis.

O resultado, hoje, é uma aplicação que resolve um desafio real e repetitivo, com uma arquitetura pensada desde o início para separar claramente o que a IA decide do que o código calcula, e é essa mesma abordagem, orquestração de IA sobre uma base determinística e auditável, que levamos para outros processos com as mesmas características: volume, repetição e dados sensíveis.”

Carlos Guerra, Applications Operations – Service Line Lead, Softinsa