Como decompor um serviço em fábrica.

---

Lucas Melo · CPO Semantix AI
_{Construindo factories de agentes para Service-as-a-Software}

---

Em 2024, a Sequoia Capital cunhou um termo que vai redefinir como vendemos serviços por toda a próxima década: Service-as-a-Software. A ideia é simples e disruptiva: serviços profissionais — consultoria, suporte, AMS, BPO — deixam de ser cobrados por hora-homem e passam a ser cobrados por outcome, porque por trás existe software (agentes de IA) executando o trabalho. Quando o custo marginal cai para perto de zero, a margem deixa de ser função de quantas pessoas você tem.

Para chegar lá, você precisa fazer uma coisa específica: transformar a oficina em fábrica. E fábrica não se constrói no improviso. Existe metodologia. Este é o Capítulo 1 da série Services-as-a-Software · A era da AI Factory: aqui apresento os 6 passos de decomposição que precisam ser feitos antes de qualquer arquitetura ou código. Os capítulos seguintes mostram a engenharia.

Por que decompor antes de codar? Porque 80% dos projetos de IA empresariais falham por mirar a tarefa errada. Você automatiza o que não devia, deixa de automatizar o que devia, e gasta CAPEX em algo que o cliente não percebe valor.

---

Passo 01 · Diagnóstico

AS IS da oferta — mapeie a oficina antes de desenhar a fábrica

Toda fábrica começa com um inventário honesto da oficina. Sem isso, você está chutando ROI. O AS IS gera três artefatos que viram a base de tudo:

• Swimlane do processo atual — quem faz o quê, quando, com qual ferramenta, em qual handoff.
• Tabela de baseline — métricas brutas: tempo médio, custo unitário, headcount por nível, distribuição por categoria.
• Pontos de dor mapeados — onde está o retrabalho, o gargalo, a fila, a KB sub-utilizada.

Tomando AMS (Application Management Services) como exemplo concreto: tickets entram por e-mail/Jira, passam por triagem manual N1, escalonam para N2 quando o N1 não resolve, viram resolução N3 quando há mudança em produção, e fecham. KB existe no Confluence, mas é sub-utilizada. Handoff entre níveis é manual. Retrabalho de 10–15% por ticket mal classificado.

Baseline numérico de exemplo

• 30.000 tickets/ano — distribuídos em ~6 categorias dominantes.
• 11 pessoas total — 4 N1, 4 N2, 3 N3.
• R$ 47/ticket — custo médio considerando folha + ferramentas.
• 4h tempo médio — entre abertura e fechamento.
• 22% reincidência — tickets que voltam em < 30 dias.

Crítica honesta
Medir o “antes” é doloroso porque expõe ineficiência operacional para o board. Mas é a única forma de provar valor depois. Se você não tem baseline, qualquer ganho que apresentar vai ser ruído estatístico.

---

Passo 02 · Decomposição

Intelligence vs Judgment — separe o que IA faz do que humano decide

Esse é o passo mais negligenciado, e o que mais determina sucesso. A Sequoia, em sua tese sobre Service-as-a-Software, distingue dois tipos de trabalho profissional:

• Intelligence Tasks — reconhecer, classificar, recuperar, sintetizar, gerar. É o que IA faz bem.
• Judgment Tasks — decidir com contexto político, aceitar accountability, julgar trade-off ético, negociar com humanos. É o que humano deve manter.

A pergunta correta não é “essa tarefa pode ser automatizada?”. É “essa tarefa é Intelligence ou Judgment?”. Onde a fronteira é cinza, use HITL — o humano vira guardrail, não executor.

A regra é simples: automatize o que se reconhece, deixe humano para o que se julga. Se você não consegue dizer em 30 segundos se uma tarefa é Intelligence ou Judgment, ela é Judgment.

---

Passo 03 · Aplicabilidade

A matriz Volume × Complexidade — onde a fábrica entrega valor

A tese da Sequoia sobre Vertical AI é clara: AI Factory ganha em alta repetição × baixo julgamento. É onde o modelo escala economicamente. Para priorizar onde investir CAPEX primeiro, construa uma matriz 2×2 cruzando Volume e Complexidade.

Para AMS, a distribuição típica é 50/30/10/10. Isso significa que 80% do volume vive nos quadrantes Q1+Q2 — exatamente onde a AI Factory é mais aplicável. Se sua oferta tem distribuição muito diferente (ex: 70% em Q4), provavelmente Service-as-a-Software não é o modelo certo: você está vendendo expertise pura, não escala.

Como usar a matrizPlote cada categoria de ticket no quadrante correspondente. Comece pelo Q1 mais denso (maior volume × menor complexidade). Esse é o seu primeiro factory candidate. O resto vem depois — não construa para Q4 antes de validar Q1.

---

Passo 04 · Equação

CAPEX × Viabilidade × Impacto × Tempo = ROI

Com diagnóstico (passo 1), decomposição (passo 2) e priorização (passo 3) feitos, vira business case quantitativo. A equação que uso para priorizar entre múltiplos serviços de uma carteira:

Custo de oportunidade — o número que ninguém calcula

Cada mês sem factory custa R$ 36–70k em margem perdida (impacto anual ÷ 12). Em 12 meses de atraso, você joga fora R$ 440–880k. Esse é o número para colocar no slide do board: o custo de não fazer.

Quando você apresenta a equação para o board, não defenda o CAPEX. Defenda o custo de oportunidade do atraso. R$ 250k de CAPEX vira ruído quando comparado a R$ 700k/ano de margem deixada na mesa.

---

Passo 05 · Síntese

A história em 6 blocos — do diagnóstico ao factory rodando

Os 4 passos anteriores são análise. Agora encadeie tudo numa narrativa executável de 6 blocos — cada um entrega um artefato versionado e um KPI mensurável. Os blocos 1–4 são o que apresento ao board. Os blocos 5–6 são execução.

Os blocos detalhados

1. B1 · Diagnóstico → artefato: baseline operacional + financeiro · KPI: custo/ticket atual confirmado (±10%).
2. B2 · Decomposição I/J → artefato: mapa de tarefas Intelligence/Judgment · KPI: % de tarefas automatizáveis identificadas.
3. B3 · Matriz aplicabilidade → artefato: priorização Q1→Q4 · KPI: deflection target por categoria.
4. B4 · Equação ROI → artefato: business case quantitativo + 3 cenários · KPI: payback em meses.
5. B5 · Pipeline desenhado → artefato: arquitetura de N estações · KPI: HITL coverage.
6. B6 · Validação 90 dias → artefato: factory rodando em prod com gates · KPI: cumprimento dos 4 portões.

---

Recap dos pilares aplicadosCada bloco endereça um ou mais dos 5 pilares canônicos da AI Factory: P1 Output mensurável · P2 Linha de produção · P3 Telemetria · P4 Feedback loop · P5 Custo unitário previsível. Se um bloco não aterriza em nenhum pilar, ele é cerimônia, não engenharia.

---

Próximo capítulo · Cap 2

Construindo factories com SDK_Agentix

Os 6 blocos da metodologia são teoria. No Capítulo 2 vou mostrar como cada um vira código real usando o SDK_Agentix, o framework Python para construir AI Factories que estamos rodando em produção. Especificamente:

• Como modelar o pipeline com StixFlow e Componente
• Como cada estação vira um ExecutorComponente tipado com contrato I/O
• Como o GerenciadorHITL garante estado durável (saga + idempotency)
• Como o MCP integra Confluence/Jira sem código frágil
• Como o Telemetry Bus instrumenta tudo automaticamente
• Como o Safetix aplica guardrails onde Judgment importa

A teoria é a tese. A engenharia é o que entrega.