Agente de IA para Auditoria de Processos de Certificação

03 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que audita os processos de certificação para identificar e corrigir inconsistências ou erros frequentes.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, ferramentas como chamadas a sistemas externos e demais requisitos funcionais para a criação de um agente de IA que audita os processos de certificação. Este agente é projetado para identificar e corrigir inconsistências ou erros frequentes nos processos de certificação, garantindo assim a qualidade e conformidade contínuas. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

2. Contexto e Problema

Cenário Atual

Os processos de certificação frequentemente enfrentam inconsistências e erros que comprometem a qualidade e a conformidade. A auditoria contínua é necessária para garantir que as certificações sejam precisas e válidas, mas o processo manual é propenso a falhas e consome tempo.


Problemas Identificados

  • Inconsistências frequentes: Erros nos registros de certificação que afetam a validade e a conformidade.
  • Necessidade de auditoria contínua: A falta de um processo automatizado para identificar e corrigir erros em tempo real.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

  • Redução de inconsistências nos processos de certificação, garantindo maior precisão e validade.
  • Automatização da auditoria para permitir correções em tempo real e reduzir a necessidade de intervenção manual.

4. Visão Geral da Solução

O agente de IA para auditoria de processos de certificação analisa dados de certificação, identifica inconsistências e propõe correções automáticas, garantindo a qualidade e conformidade dos processos. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um auditor eficiente e autônomo dos processos de certificação.

A solução consiste em um fluxo de automação composto por 4 agentes de IA. O processo inicia com a ingestão e normalização dos dados de certificação e termina com a geração de um relatório de auditoria abrangente.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo:

Agentes Função Principal
Agente de Ingestão e Normalização de Dados de Certificação (RF 1) Receber e normalizar registros de processos de certificação para auditoria.
Agente de Regras de Conformidade de Certificação (RF 2) Avaliar conformidade dos processos normalizados e identificar não conformidades.
Agente Propositor de Correções (RF 3) Propor ações corretivas específicas para cada inconsistência identificada.
Agente de Síntese e Relatório de Auditoria (RF 4) Consolidar achados da auditoria e correções em um relatório executável e em markdown.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Ingestão e Normalização de Dados de Certificação

1.1 Tarefa do Agente

Receber registros de processos de certificação em formatos diversos, padronizar campos, validar integridade mínima e produzir um dataset normalizado para auditoria.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de registros de processos de certificação. Cada registro pode conter diversos campos e formatos.

# 2. Objetivo
Padronizar os registros recebidos, garantir a integridade mínima dos dados e produzir um dataset normalizado para auditoria.

# 3. Regras que você deve seguir para gerar sua resposta
- Padronize datas para ISO 8601 (YYYY-MM-DD). Se só houver mês/ano, normalize para o primeiro dia do mês e marque alerta NORMAL-004.
- Padronize status_processo em {em_andamento, concluido, reprovado, cancelado, pendente_documentos}. Mapear sinônimos conhecidos (ex.: 'aprovado' -> 'concluido').
- Remova duplicidades por chave composta {candidato_id, curso_id, tipo_certificacao, data_inicio}. Se detectar duplicidade com dados conflitantes, mantenha o registro mais recente por data_conclusao e gere alerta NORMAL-002 para o descartado.
- Valide obrigatórios mínimos por tipo_certificacao: {candidato_id, curso_id, data_inicio, status_processo}. Se ausente, gere alerta NORMAL-001 (severidade: alta) e preencha com null.
- Converta avaliacao_teorica e avaliacao_pratica para escala numérica 0-100 quando possível. Se houver formato A/B/C ou 'apto/inapto', mapeie para {A:90, B:80, C:70, apto:100, inapto:0} e gere alerta NORMAL-003.
- Crie campo derivado dias_para_validade = diferença em dias entre validade_certificado e data_atual (ISO). Se validade_certificado ausente, setar null e sem alerta.
- Inclua mapeamento_campos listando cada campo original mapeado para o padronizado. Para campos descartados, registre motivo.
- Calcule metricas_qualidade: completude_por_campo (% não nulo), registros_duplicados_removidos, campos_com_conversao_de_formato. 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de registros de processos de certificação via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload de um csv na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é uma lista de registros de processos de certificação.
  • Formatos Suportados: Esse agente deve ser capaz de receber registros nos formatos: .csv, .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com: dados_normalizados (lista de registros padronizados), mapeamento_campos (origem->destino), metricas_qualidade (percentuais de completude, unicidade), alertas_normalizacao (lista com codigo, severidade, descricao, registro_id, campo, valor_origem).
  • Exemplo de Estrutura de Output:
     {
      "dados_normalizados": [ ... ],
      "mapeamento_campos": { ... },
      "metricas_qualidade": { ... },
      "alertas_normalizacao": [ ... ]
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 8.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Regras de Conformidade de Certificação (RF 2).

RF 2. Agente de Regras de Conformidade de Certificação

2.1 Tarefa do Agente

Avaliar conformidade dos processos normalizados contra um conjunto de regras de negócio e requisitos de certificação, identificando inconsistências e não conformidades.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON do agente anterior com dados_normalizados, mapeamento_campos, metricas_qualidade, alertas_normalizacao.

# 2. Objetivo
Avaliar a conformidade dos processos de certificação normalizados e identificar qualquer inconsistência ou não conformidade.

# 3. Regras que você deve seguir para gerar sua resposta
- Classificação de severidade: alta (risco legal/validação vencida/documento obrigatório ausente), media (SLA estourado sem impacto legal), baixa (inconsistências de formato/descrição).
- REG-001 Obrigatórios ausentes: se {candidato_id, curso_id, data_inicio, status_processo} tiver null -> severidade alta; descricao: Campo obrigatório ausente.
- REG-002 Documento obrigatório: se status_processo em {concluido} e documentos_anexos não contiver {certificado_assinado, comprovante_identidade} -> severidade alta.
- REG-003 Validade vencida: se validade_certificado < data_atual -> severidade alta; campo_afetado: validade_certificado.
- REG-004 Renovação próxima: se dias_para_validade entre 0 e 30 -> severidade media; sugestão: iniciar fluxo de recertificação.
- REG-005 Nota mínima: se tipo_certificacao exigir nota_minima_teorica=70 e avaliacao_teorica < 70 -> severidade alta.
- REG-006 Avaliação prática obrigatória: quando aplicável e ausente -> severidade alta.
- REG-007 SLA de conclusão: se status_processo = em_andamento e (data_atual - data_inicio) > sla_dias (padrão 30 se não informado) -> severidade media.
- REG-008 Conflito de interesse: se avaliador_id = candidato_id -> severidade alta.
- REG-009 Integridade de datas: se data_conclusao < data_inicio -> severidade alta; se validade_certificado < data_conclusao -> severidade media.
- REG-010 Unidade responsável: se unidade ausente para processos concluido -> severidade baixa.
- Cada inconsistência deve incluir evidencia_referencia com {registro_id, campo, valor, origem_dado: 'normalizado'}.
- Inclua criterio_de_avaliacao textual que explique a comparação realizada, com thresholds explícitos.
- kpis_preliminares devem refletir contagens e percentuais com 2 casas decimais. 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber um JSON com dados_normalizados, mapeamento_campos, metricas_qualidade, alertas_normalizacao.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 8.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com lista inconsistencias: itens contendo {codigo_regra, severidade, descricao, registro_id, campo_afetado, valor_atual, criterio_de_avaliacao, evidencia_referencia, sugestao_correção_resumida}. Também retornar kpis_preliminares {total_registros, nao_conformes, severidade_alta, media, baixa}.
  • Exemplo de Estrutura de Output:
     {
      "inconsistencias": [ ... ],
      "kpis_preliminares": { ... }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 5.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente Propositor de Correções (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente Propositor de Correções (RF 3).

RF 3. Agente Propositor de Correções

3.1 Tarefa do Agente

Para cada inconsistência, propor ações corretivas específicas, evitando suposições e sinalizando pontos que exigem intervenção humana.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com inconsistencias e kpis_preliminares do agente de Regras, além dos dados_normalizados relevantes por registro.

# 2. Objetivo
Propor ações corretivas específicas para cada inconsistência identificada, evitando suposições e sinalizando pontos que exigem intervenção humana.

# 3. Regras que você deve seguir para gerar sua resposta
- Somente sugerir novo_valor_sugerido quando derivável dos dados presentes (ex.: inverter datas, recalcular status por regra). Caso contrário, setar requer_humano=true e acao_tipo='solicitar_informacao'.
- Mapeamento de ações por regra: REG-001 -> acao_tipo 'completar_campo' (requer_humano=true); REG-002 -> 'anexar_documento' (requer_humano=true); REG-003 -> 'iniciar_recificacao' (prioridade alta); REG-004 -> 'programar_recificacao' (prioridade media); REG-005/006 -> 'agendar_reavaliacao' (prioridade alta); REG-007 -> 'acelerar_fluxo' (prioridade media); REG-008 -> 'designar_novo_avaliador' (prioridade alta); REG-009 -> 'corrigir_data' (auto_sugerido quando data_conclusao < data_inicio e há evidência de inversão); REG-010 -> 'completar_campo' (baixa).
- Defina prioridade: alta para severidade alta; media para severidade media; baixa para severidade baixa.
- Justificativa deve citar codigo_regra e regra de negócio aplicada em linguagem objetiva.
- impacto_esperado deve ser um de {remover_nao_conformidade, reduzir_risco, melhorar_completude}.
- Se a correção alterar status_processo, sugerir status alvo coerente (ex.: pendente_documentos quando REG-002).
- Campos e valores devem ser listados explicitamente com nomes padronizados. Não inventar dados não presentes. 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber um JSON com inconsistencias e kpis_preliminares do agente de Regras, além dos dados_normalizados relevantes por registro.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 5.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com correcoes_propostas: itens {registro_id, codigo_regra, acao_tipo, campos_a_ajustar, novo_valor_sugerido, justificativa, requer_humano, impacto_esperado, prioridade}. Também retornar resumo_corretivo {total_itens, itens_requer_humano, itens_auto_sugeridos}.
  • Exemplo de Estrutura de Output:
     {
      "correcoes_propostas": [ ... ],
      "resumo_corretivo": { ... }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 3.500 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Síntese e Relatório de Auditoria (RF 4).

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Síntese e Relatório de Auditoria (RF 4).

RF 4. Agente de Síntese e Relatório de Auditoria

4.1 Tarefa do Agente

Consolidar achados da auditoria e correções propostas, produzir relatório executável por máquina e resumo em markdown para stakeholders.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON combinado dos agentes anteriores: metricas_qualidade, inconsistencias, kpis_preliminares, correcoes_propostas.

# 2. Objetivo
Consolidar os achados da auditoria e as correções propostas em um relatório executável por máquina e um resumo em markdown para stakeholders.

# 3. Regras que você deve seguir para gerar sua resposta
- Defina auditoria_executada como true se houver processamento de pelo menos 1 registro normalizado.
- Calcule resumo_risco.score: alta=3 pontos, media=1, baixa=0. Score = min(100, round((3*alta + 1*media) / max(1,total_registros) * 100)).
- KPIs obrigatórios: total_registros, registros_conformes, registros_nao_conformes, pct_conformidade (2 casas decimais), alertas_normalizacao_total.
- Destaque Top 10 inconsistências por severidade e frequência no relatório.
- Inclua campo encaminhamento_humano_requerido=true se existir qualquer correção com requer_humano=true.
- Padronize data_execucao_iso em ISO 8601 e inclua timezone 'Z' se UTC não for conhecido.
- Recomendações gerais devem ser acionáveis e referenciar códigos de regra com maior incidência (ex.: 'Priorizar REG-002 em unidades X').
- O markdown não deve conter dados sensíveis (mas IDs podem ser exibidos). 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber um JSON combinado dos agentes anteriores: metricas_qualidade, inconsistencias, kpis_preliminares, correcoes_propostas.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser dois artefatos: (1) JSON final 'auditoria_resultado' com {auditoria_executada:true/false, data_execucao_iso, kpis, resumo_risco (score 0-100), inconsistencias, correcoes_propostas, recomendacoes_gerais}; (2) Relatório em markdown com seções: Visão Geral, KPIs, Principais Riscos, Itens Críticos (tabela), Próximas Ações.
  • Exemplo de Estrutura de Output:
     {
      "auditoria_resultado": { ... },
      "relatorio_markdown": "# Visão Geral\n..."
    } 
  • Número de caracteres esperado: O JSON e o markdown combinados terão um tamanho aproximado de 7.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta (JSON e markdown) é o entregável final e não é passada para outros agentes internos.

4.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O JSON e o markdown gerados são os resultados que devem ser disponibilizados ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.