IA Agêntica num ERP de Energia: O Que Já Funciona em 2026 e o Que Ainda é Promessa | Blog

# IA Agêntica num ERP de Energia: O Que Já Funciona em 2026 e o Que Ainda é Promessa

TL;DR: em 2026, a IA agêntica já é boa a extrair dados de documentos, classificar lançamentos e sugerir a próxima acção com um humano a aprovar; ainda não é fiável para agir sozinha sobre lançamentos financeiros num ERP — e em Angola, com a AGT e a ANPG a exigir rastreabilidade e certificação, essa distinção tem consequências legais concretas.

Um sector cheio de previsões — e poucas medições

Vale a pena começar pelos números: a maior parte do que circula sobre "agentes de IA na empresa" é promessa de fornecedor disfarçada de estatística de mercado.

A Gartner prevê que, até final de 2026, 40% das aplicações empresariais venham a incluir agentes de IA de tarefa específica, contra menos de 5% em 2025 — uma previsão, não uma medição, e refere-se a agentes embutidos em aplicações, não a agentes autónomos a gerir um negócio inteiro [Gartner, 26 ago. 2025].

A mesma casa de análise, um mês antes, publicou a previsão simétrica: mais de 40% dos projectos de IA agêntica serão cancelados até final de 2027, por custos a escalar, valor de negócio pouco claro ou controlos de risco insuficientes. Estima ainda que apenas cerca de 130 dos milhares de fornecedores que se apresentam como "agentic AI" têm capacidades agênticas reais — o resto é reetiquetagem de chatbots e RPA, fenómeno a que chama "agent washing" [Gartner, 25 jun. 2025].

Quem quiser uma fonte primária sobre adopção real, e não intenção declarada, tem o relatório do Project NANDA do MIT, "The GenAI Divide: State of AI in Business 2025", produzido pela própria equipa de investigação do MIT, não por um fornecedor com produto para vender. Com base em 300 iniciativas divulgadas publicamente, entrevistas a 52 organizações e um inquérito a 153 responsáveis de topo, o relatório encontra que 95% dos projectos-piloto de IA generativa não geram impacto mensurável nos resultados financeiros, apesar de um investimento estimado entre 30 e 40 mil milhões de dólares. Os 5% que funcionam partilham um padrão: comprar ferramentas especializadas e integrá-las a fundo num processo existente, em vez de construir algo genérico internamente [MIT NANDA, jul. 2025].

Estes três números — 40% de adopção prevista, 40% de cancelamento previsto, 95% sem retorno medido — não se contradizem. Descrevem o mesmo fenómeno: adopção alta, transformação baixa. É o padrão que se observa a trabalhar dentro de um ERP de energia: muita gente a ligar um agente a alguma coisa, pouca gente a conseguir que esse agente mude um número na conta de resultados de forma defensável.

O que já funciona: extracção, classificação, sugestão com aprovação humana

A distinção útil não é "IA sim ou não". É onde termina a acção do agente e começa a decisão humana — e essa fronteira desenha-se módulo a módulo, não em abstracto.

Extracção de documentos. Ler uma factura de fornecedor, uma guia de remessa, um certificado ANPG ou um relatório de inspecção HSE em PDF ou fotografia, e transformar isso em campos estruturados (fornecedor, valor, NIF, data, itens de linha) é hoje um problema resolvido com boa precisão. É também a área onde os grandes fornecedores de ERP investem mais visivelmente: a SAP descreve o seu Joule Invoicing Assistant como extraindo dados de facturas de PDFs e imagens e validando-os antes de qualquer lançamento [SAP], e a Oracle tornou disponíveis, na sua release 26B, agentes dedicados de Ledger, Expenses, Payables e Payments dentro do Fusion Cloud [Oracle, 9 abr. 2026].

Classificação e conciliação. Associar uma factura a uma ordem de compra e a uma guia de recepção (three-way match), codificar um custo à conta certa, ou distribuir uma despesa pelos parceiros de um Joint Interest Billing segundo o Joint Operating Agreement — são tarefas de classificação com regras conhecidas, onde um agente reduz trabalho repetitivo sem "decidir" nada de irreversível. A Quorum Software, especialista em software upstream, descreve exactamente este tipo de capacidade na extracção de dados operacionais e contratuais não estruturados para campos estruturados do sistema [Quorum Software].

Sugestão com humano a aprovar. O padrão mais maduro e, honestamente, o mais subestimado: o agente propõe — uma acção de pagamento, uma reordenação de stock de peças MRO, um plano de manutenção — e uma pessoa com autoridade delegada aprova, ajusta ou rejeita. A IFS, focada em indústrias de activos intensivos, descreve os seus "digital workers" (marca Loops, após a aquisição da TheLoops) como capazes de recomendar estratégias de manutenção e gerar ordens de trabalho, mantendo a aprovação humana nas decisões de maior impacto [IFS, ERP Today].

O que estas três categorias têm em comum: são reversíveis, auditáveis campo a campo, e o erro do agente custa minutos de correcção, não uma reapresentação de imposto à AGT.

O que ainda é promessa: acção autónoma sobre lançamentos financeiros

A maior distância entre discurso de fornecedor e prática de produção está na acção autónoma sobre lançamentos financeiros — um agente que lança um assento, aprova um pagamento ou submete uma declaração fiscal sem revisão humana prévia.

Não é por falta de ambição dos fornecedores: a própria SAP descreve o seu Invoicing Assistant como orquestrando "processamento ponta a ponta com input humano mínimo" [SAP], e a Oracle apresenta as suas Fusion Agentic Applications como agentes coordenados que "raciocinam, decidem e executam" dentro das estruturas de segurança e aprovação já existentes [Oracle, 9 abr. 2026]. Repare-se na formulação: "dentro das estruturas de aprovação existentes" — a autonomia é sobre orquestrar o processo, não sobre eliminar o controlo humano no ponto de lançamento.

É a distância que o relatório do MIT NANDA mede indirectamente: se 95% dos pilotos de IA generativa não produzem impacto mensurável no resultado financeiro, a causa mais citada é a integração superficial e a falta de adaptação ao processo real da empresa — exactamente o trabalho de engenharia (mapear autorizações, limites de aprovação, segregação de funções) que a acção autónoma sobre finanças exige, e que raramente está feito quando um piloto é lançado.

A razão prática para não automatizar totalmente esta camada não é desconfiança genérica de IA — é que um lançamento contabilístico errado, uma vez conciliado, reportado a um parceiro de JIB ou submetido à administração fiscal, custa muito mais a reverter do que custa manter uma aprovação humana no caminho.

Angola: onde a IA agêntica encontra a AGT e a ANPG

Não é argumento abstracto em Angola — há dois regimes concretos que tornam "sugerir" versus "agir" juridicamente relevante.

O Decreto Presidencial n.º 71/25, de 20 de Março de 2025, entrou em vigor a 20 de Setembro de 2025 e, após um período transitório, tornou a emissão e comunicação de facturas electrónicas à Administração Geral Tributária (AGT) obrigatória a partir de 1 de Janeiro de 2026. A primeira fase abrange grandes contribuintes, fornecedores do Estado e contribuintes que emitam facturas de valor igual ou superior a 25.000.000 Kz, e exige que o software usado seja certificado ou validado pela AGT. O mesmo decreto cobre a submissão do ficheiro contabilístico SAF-T (AO), a apresentar em 2026 com dados de 2025 [EY Angola]. O IVA angolano, criado pela Lei n.º 7/19, de 24 de Abril, tem taxa geral de 14%. A Lei n.º 14/2023, de 28 de Dezembro, fixou taxas reduzidas que qualquer motor fiscal tem de suportar — 5% para bens alimentares de amplo consumo e consumos agrícolas, 1% para o regime tributário especial da Província de Cabinda, e 7% no regime simplificado e em serviços de hotelaria e restauração. O imposto aplica-se à generalidade das transacções cobertas por este regime [Portal do Contribuinte, AGT].

Nesta cadeia, um agente pode fazer muito trabalho útil sem tocar na decisão final: pré-validar que os campos de uma factura estão completos, sinalizar discrepâncias contra a guia de remessa, preparar o ficheiro SAF-T para revisão. O que não faz sentido — nem técnico nem legal — é deixar um agente submeter directamente à AGT sem um responsável fiscal a confirmar, porque o decreto prevê penalizações reforçadas por incumprimento, e essa responsabilidade recai sobre a empresa, não sobre o fornecedor de software.

O segundo regime é o de Conteúdo Local do sector petrolífero, definido pelo Decreto Presidencial n.º 271/20, de 20 de Outubro de 2020, que obriga as prestadoras de serviços ao sector a registarem-se e certificarem-se junto da Agência Nacional de Petróleo, Gás e Biocombustíveis (ANPG) para poderem concorrer a contratos publicados por operadoras e associados de concessão [ANPG — Conteúdo Local]. Um agente pode ajudar a organizar a documentação de um Plano de Conteúdo Local, ou verificar se fornecedores numa lista de concurso têm certificação válida — mas submeter um dossiê de certificação, ou classificar uma empresa como elegível para um regime de exclusividade ou preferência, tem consequência jurídica directa, incluindo coimas de 50.000 a 300.000 dólares por infracção administrativa. Não é decisão para deixar sem revisão humana só porque o modelo "parece confiante".

Porque é que um agente com permissão de escrita precisa do mesmo controlo de acessos que uma pessoa

Aqui está o ponto de engenharia central deste artigo, e é mais simples do que a conversa sobre "governação de IA" costuma sugerir: um agente com permissão para escrever num ERP — lançar um assento, aprovar uma requisição, alterar um registo de fornecedor — tem exactamente o mesmo raio de acção que um utilizador humano com essas permissões. Ser um modelo de linguagem em vez de uma pessoa não reduz o dano possível; muitas vezes aumenta-o, porque o agente actua mais depressa e em maior volume do que uma pessoa actuaria num turno de trabalho.

O OWASP Gen AI Security Project formalizou isto na sua lista de riscos para aplicações agênticas: a categoria "Excessive Agency" (LLM06) separa três causas — funcionalidade excessiva (acesso a ferramentas fora do âmbito da tarefa), permissões excessivas (ferramentas com privilégios mais amplos do que o necessário) e autonomia excessiva (acções de alto impacto sem humano no circuito) [OWASP GenAI Security Project]. Nenhuma destas causas é exclusiva de agentes de IA — são as mesmas perguntas que qualquer auditor de sistemas faz sobre uma conta humana num ERP: tem acesso só ao que precisa? Os limites de aprovação são respeitados? Há segregação de funções entre quem propõe e quem aprova?

Num ERP bem desenhado, o controlo de acessos já existe como camada: papéis, limites de aprovação por valor, segregação de funções entre quem cria uma requisição e quem a aprova, registo de auditoria por acção. A forma correcta de introduzir um agente não é dar-lhe uma chave de API com privilégios de administrador "para conseguir fazer o trabalho" — é tratá-lo como mais um actor dentro desse mesmo modelo de RBAC, com o seu próprio papel, os seus próprios limites, e cada acção sua no mesmo registo de auditoria que uma acção humana, identificável como tal. É trabalho de arquitectura de permissões, não de escolha de modelo, e é a parte que mais frequentemente falta quando um piloto de IA agêntica nunca chega à produção — precisamente o que os dados do MIT NANDA sugerem estar a acontecer em 95% dos casos.

É este tipo de trabalho — mapear processos do ERP, definir onde um agente pode agir e onde só pode sugerir, e ligar isso à camada de permissões existente — que fazemos nos projectos de automação inteligente e IA aplicada para operadoras e prestadoras de serviços no sector energético.

SAP, Oracle, IFS, Quorum — e onde entra a construção à medida

Nenhum destes fornecedores é intercambiável, e nenhum resolve sozinho a conformidade angolana.

Fornecedor	Onde é forte	Onde fica curto
SAP (Joule)	Finanças e procurement, forte em extracção de facturas e assistentes por módulo [SAP]	Dimensionado para grandes operadoras; pouca adaptação nativa a AGT/SAF-T (AO)
Oracle Fusion	600+ agentes pré-construídos em Financials, SCM e Procurement; Payables/Payments já GA [Oracle]	Mesma lacuna de adaptação local; exige integração para regimes fiscais específicos
IFS	Activos intensivos — manutenção, EAM, "digital workers" de campo [IFS]	Menos vocacionado para o núcleo financeiro/fiscal
Quorum Software	Especialista upstream — medição, JIB, logística — extracção operacional nativa [Quorum]	Cobertura estreita fora do upstream; presença directa em Angola menos estabelecida
Construção à medida (ex.: Wise Hustlers)	Mapeamento directo a processos e obrigações locais (AGT, SAF-T, ANPG)	Exige projecto de engenharia dedicado, não licença "pronta a usar"

Para uma operadora de escala global, um dos três primeiros fornecedores costuma ser o ponto de partida certo. Para uma prestadora angolana com um ERP já em produção e obrigações específicas de AGT e ANPG, a pergunta mais honesta não é "qual destes agentes compro", é "onde é que a extracção e a classificação já automatizáveis se ligam ao meu processo real de aprovação, sem confiar cegamente numa acção autónoma que ainda ninguém provou ser segura à escala".

Perguntas frequentes

A IA agêntica já pode substituir um contabilista ou um responsável fiscal em Angola?

Não, e não é isso que os próprios fornecedores prometem para 2026 — os agentes disponíveis hoje extraem, classificam e sugerem; submeter facturas à AGT, o ficheiro SAF-T (AO), ou um dossiê de certificação ANPG continua a exigir confirmação humana, porque a responsabilidade legal e as coimas recaem sobre a empresa.

Um agente de IA precisa mesmo do mesmo tipo de acesso controlado que um funcionário?

Sim. Se tem permissão para escrever num módulo financeiro, tem a mesma capacidade de causar dano que uma pessoa com essas permissões — por vezes maior, porque actua mais depressa e em maior volume. O OWASP GenAI Security Project trata isto como risco central ("Excessive Agency") nas suas orientações para aplicações agênticas.

Vale a pena esperar antes de investir em IA agêntica no ERP?

Não nas categorias que já funcionam — extracção e classificação já poupam tempo hoje, com risco baixo porque continuam reversíveis e auditáveis. Vale a pena ser cauteloso apenas na acção autónoma sobre lançamentos financeiros, onde mesmo os grandes fornecedores mantêm o humano no circuito por desenho.