A automação de processos robóticos, conhecida como RPA, sempre foi um ponto crítico para empresas que dependem de sistemas legados. A dificuldade em integrar softwares de desktop, que muitas vezes carecem de APIs, frequentemente resulta em fluxos de trabalho frágeis e propensos a falhas em cascata. Recentemente, a startup Minicor, parte da turma P26 da Y Combinator, apresentou uma solução que utiliza agentes de IA para navegar em máquinas virtuais e realizar tarefas que antes exigiam intervenção humana constante ou scripts manuais de difícil manutenção.

Segundo os fundadores Faiz e Saheed, a motivação surgiu de um problema prático: uma necessidade urgente de integração com o sistema de prontuários médicos de uma clínica. Ao tentarem implementar a automação, a equipe percebeu que a escala de projetos de RPA enfrenta barreiras técnicas severas, como a falta de observabilidade, a constante mudança de interfaces de usuário e a complexidade de orquestrar múltiplas máquinas virtuais simultaneamente. A promessa da Minicor é transformar esse cenário através de uma camada de controle que utiliza modelos de linguagem para gerenciar a execução e o debug de fluxos em Python.

O desafio da infraestrutura legada

A fragilidade dos sistemas de RPA tradicionais reside na sua dependência de interfaces gráficas que não foram desenhadas para serem lidas por máquinas. Quando um botão muda de lugar ou uma janela de erro inesperada surge, o script, geralmente rígido, falha. A abordagem da Minicor utiliza um protocolo de comunicação (MCP) que permite que modelos como Claude Code ou Codex naveguem pela interface como um usuário real, interpretando o que está na tela através de capturas de imagem e feedback visual.

Essa mudança de paradigma é relevante pois retira a responsabilidade de prever cada clique do desenvolvedor, delegando a capacidade de adaptação para a IA. Ao rodar os fluxos como scripts Python, a empresa busca garantir maior determinismo e controle de versão, algo que ferramentas de RPA tradicionais, muitas vezes baseadas em interfaces de arrastar e soltar (no-code), falham em entregar de forma robusta para grandes volumes de dados.

Mecanismos de controle e escalabilidade

Para resolver o problema da orquestração, a plataforma introduz ferramentas de clonagem de máquinas virtuais, permitindo que a carga de trabalho seja distribuída em paralelo. O sistema também incorpora lógica para lidar com desafios comuns como a autenticação de dois fatores (2FA) e notificações integradas, como alertas no Slack, quando o robô encontra uma situação que exige intervenção humana. A capacidade de verificar o estado de uma máquina virtual enviando uma captura de tela para um LLM adiciona uma camada de validação que reduz drasticamente as taxas de falsos positivos.

O uso de código como base para a automação é um diferencial estratégico. Ao permitir que a IA não apenas execute, mas também corrija o próprio código de automação, a Minicor tenta reduzir o custo de manutenção que, em casos críticos, gera milhares de tickets de suporte mensais devido a automações que param de funcionar sem aviso prévio.

Implicações para o ecossistema de TI

A transição de RPAs baseados em regras rígidas para agentes autônomos tem implicações diretas para a eficiência operacional. Para as empresas, isso significa reduzir a dependência de equipes dedicadas exclusivamente à manutenção de scripts que quebram a cada atualização de sistema operacional. No entanto, a introdução de modelos de linguagem no coração da automação traz novos desafios de segurança e governança, exigindo que as empresas monitorem de perto o que esses agentes estão fazendo dentro de ambientes sensíveis.

No Brasil, onde muitos setores ainda operam sobre sistemas legados robustos, mas sem APIs, a tecnologia pode oferecer um atalho para a transformação digital. A capacidade de integrar sistemas sem precisar reescrever o backend é uma proposta de valor atrativa para bancos e seguradoras que buscam otimizar processos internos sem os riscos de uma migração total de plataforma.

O futuro da automação assistida

A incerteza que permanece é o custo operacional de rodar LLMs para cada interação de interface. Se por um lado a IA traz inteligência, por outro, ela adiciona latência e custo computacional que precisam ser balanceados com o ganho de produtividade. Observar a adoção da Minicor revelará se a promessa de "automação em escala" consegue, de fato, reduzir a complexidade ou se apenas transfere o problema para a gestão dos modelos.

O mercado de trabalho também deve observar como a automação de desktop evolui. Ferramentas que resolvem o "trabalho braçal" de TI tendem a liberar talentos para funções de maior valor, mas exigem que as equipes de engenharia aprendam a gerenciar agentes, e não mais apenas a escrever código estático. A evolução da plataforma nos próximos meses será o teste definitivo para essa tese.

Com reportagem de [Brazil Valley](/categoria/Inteligência Artificial)

Source · Hacker News