Nesta quarta-feira eu coloquei um agente de IA para trabalhar dentro de um servidor de produção meu. Não para sugerir código: para abrir o ambiente, ler o que estava lá, escrever as alterações, validar e reiniciar o serviço. O que aprendi no caminho vale mais que qualquer analogia bonita, e é sobre isso que este texto trata.

Há semanas circula no meio TOTVS uma explicação elegante sobre as quatro camadas da IA aplicada: LLM seria o cérebro, RAG a memória, Agente as mãos, MCP o sistema nervoso. A analogia é boa para entender as palavras. O problema é que ninguém termina de ler sabendo o que fazer na segunda-feira. Vamos trocar a analogia por ambiente real.

LLM sozinho: onde quase todo mundo está hoje

É a camada de pergunta e resposta. Você descreve o que precisa, o modelo devolve um texto. Peça um fonte ADVPL e virá um código que compila na teoria e quebra no cliente — porque o modelo não conhece o seu dicionário de dados, não sabe quais pontos de entrada estão em uso e nunca viu as customizações que alguém escreveu em 2017 e não documentou.

Isso não é defeito do modelo. É falta de contexto. E contexto é exatamente o que a próxima camada entrega.

RAG: quando a IA passa a conhecer o seu ambiente

RAG é o mecanismo que permite ao modelo consultar o que é seu antes de responder: o dicionário de dados, a documentação interna, os fontes do ambiente, o histórico de chamados. A diferença prática aparece de imediato — ele para de sugerir campo que não existe e passa a trabalhar com a realidade da sua instalação.

É aqui que a maioria das operações ainda não chegou, e é de longe o salto de maior retorno. Não é a etapa mais vistosa de se mostrar numa apresentação. É a que resolve.

Agente: de sugerir para executar

O agente é o modelo com permissão e ferramentas para agir. Em vez de devolver um texto para você copiar, ele abre o ambiente, lê o arquivo, aplica a alteração, executa o teste e reinicia o serviço. Deixa de ser consultor e vira executor.

Foi essa camada que eu usei. O agente conectou no servidor, leu o código em produção, escreveu as rotas novas, validou a sintaxe antes de aplicar, publicou a alteração e reiniciou o serviço. O que antes dependia de uma janela de manutenção e de alguém disponível virou uma tarefa de minutos.

MCP: o encanamento que evita gambiarra

Nada disso acontece se o modelo não tiver como alcançar os sistemas. MCP é o protocolo que padroniza essas conexões — com o banco de dados, com o repositório de fontes, com o ambiente de execução. É a camada menos glamourosa e a que separa uma integração sustentável de um script improvisado que ninguém mais entende seis meses depois.

Onde a IA não deve chegar

Esta é a parte que não aparece nos infográficos, e é a que mais importa para quem responde por um ambiente ERP.

Automação sem governança não é ganho de produtividade: é prejuízo adiado. O que isso significou na prática, no mesmo dia:

  • Backup nomeado antes de qualquer alteração, com o comando de rollback escrito antes de ser necessário. Não adianta ter cópia se, no momento da urgência, ninguém souber restaurá-la.
  • Validação de sintaxe antes de aplicar. Numa das tentativas a validação falhou — e falhou ali, na etapa de verificação, não em produção. Esse é precisamente o papel dela.
  • Conferência depois do restart. O serviço subiu, respondeu erro enquanto o healthcheck ainda estava pendente, e só depois voltou ao normal. Ninguém sai de perto antes de confirmar que voltou.
  • Fronteira explícita. Existem servidores que o agente não toca, nem para leitura. Essa regra precisa estar escrita e precisa valer mesmo quando é inconveniente.

Em ambiente Protheus a lista cresce: aprovação humana para alteração em fonte de produção, ambiente de homologação obrigatório, versionamento de customização, e rastreabilidade de quem pediu, quem aprovou e quem aplicou. Nenhuma dessas exigências some porque a execução passou a ser feita por um agente — ao contrário, elas ficam mais importantes, porque a velocidade de execução aumentou.

Por onde começar

Se a sua operação está na camada de LLM, o próximo passo não é contratar agente. É dar contexto ao modelo: organizar documentação, mapear customizações, tornar o dicionário de dados acessível. O RAG é a etapa de maior retorno justamente porque resolve o problema real, que é a IA não conhecer o seu ambiente.

Agente sem contexto é só um erro mais rápido. E agente sem governança é um erro mais rápido e sem volta.

IA aplicada ao Protheus não é mágica — é alavanca. E alavanca sem ponto de apoio derruba a carga em cima de quem a opera.

Com 21 anos como parceira TOTVS e mais de 150 implantações, a ELR Solutions ajuda empresas a aplicar IA no ambiente Protheus com a governança que um ERP exige: do mapeamento de customizações à definição do que pode e do que não pode ser automatizado. Fale com a nossa equipe.