A discussão sobre IA nas empresas avançou rapidamente dos assistentes generativos para agentes capazes de pesquisar informações, analisar dados e executar tarefas. Na HubSpot, essa evolução apareceu primeiro de forma bastante visível em agentes especializados, como Customer Agent e Prospecting Agent.
Agora, o Agent Builder da HubSpot adiciona uma camada diferente à estratégia: em vez de depender apenas de agentes previamente desenvolvidos para determinados casos de uso, a empresa pode criar agentes adaptados aos próprios processos.
O Agent Builder, atualmente em beta, permite definir o que um agente deve fazer, quais informações pode utilizar e quais ações deve executar. Segundo a documentação oficial, esses agentes podem analisar dados, gerar outputs e realizar ações com base nos processos do negócio.
Essa mudança parece simples, mas altera bastante a discussão sobre automação com IA: “qual agente podemos ativar?” e passa a ser “qual parte da nossa operação faz sentido transformar em trabalho agêntico?”
O Agent Builder da HubSpot é o ambiente para criação de agentes personalizados dentro do ecossistema de CRM Agêntico. A HubSpot permite construir esses agentes utilizando prompts próprios, conhecimento e dados que já estão no CRM, sem exigir programação. O Agent Builder faz parte do Agent Hub, que funciona como ambiente central para ativar, criar e acompanhar agentes.
Essa distinção é importante. O Agent Hub é a camada onde a empresa gerencia sua força de trabalho de IA. Nele estão agentes prontos, como Customer Agent e Prospecting Agent, além dos agentes personalizados.
Já o Agent Builder é onde um novo agente pode ser construído para atender a um processo específico da empresa. Na prática, a empresa passa a ter duas possibilidades: utilizar um agente desenvolvido pela HubSpot para um problema recorrente de mercado ou construir um agente para uma necessidade particular da sua operação.
A principal mudança não é a possibilidade de escrever prompts personalizados. É conseguir aproximar a IA da forma como a empresa realmente trabalha. Imagine uma operação em que, depois do fechamento de uma venda, alguém precise abrir o negócio, consultar informações do contato e da empresa, verificar determinados campos, identificar o produto contratado, analisar observações comerciais e preparar um resumo para o time responsável pelo onboarding.
Uma automação tradicional pode executar etapas previamente determinadas. Um agente pode receber um objetivo e utilizar diferentes informações para produzir um resultado dentro das regras estabelecidas. Esse é justamente um dos exemplos utilizados pela própria documentação da HubSpot: um agente personalizado pode revisar informações de um novo cliente e preparar o handoff interno depois que um negócio é fechado.
É uma evolução de automação inteligente porque parte do trabalho deixa de depender apenas de sequências fixas e passa a incorporar interpretação de contexto.
Mas isso não significa autonomia irrestrita. O Agent Builder permite controlar quais ações podem ser executadas de forma autônoma. A empresa pode inicialmente exigir aprovação para determinadas ações e ampliar a autonomia conforme ganha confiança no comportamento do agente.
Esse é provavelmente o ponto mais importante para empresas que começam a explorar o Agent Builder. Um bom agente não nasce apenas de uma instrução como “analise meus clientes e diga quais têm maior potencial”. Para construir um agente útil, é preciso definir algumas camadas.
Instruções: qual é a função do agente, seu objetivo, como ele deve trabalhar e qual resultado precisa entregar. Conhecimento: quais informações ele precisa consultar para compreender regras, produtos ou processos da empresa. Entradas: quais dados serão utilizados durante a execução.
Ações: o que o agente poderá efetivamente fazer a partir da análise realizada. A documentação atual do Agent Builder organiza a construção justamente em torno de instruções, ações, conhecimento e inputs. Por isso, quanto mais específica for a função do agente, mais importante se torna a arquitetura de dados que existe por trás dele.
Se o CRM não possui a informação necessária, se propriedades importantes não são preenchidas ou se diferentes áreas registram o mesmo dado de maneiras incompatíveis, o agente também trabalhará com um contexto incompleto. Personalizar a IA aumenta a capacidade de adaptação. Não elimina a necessidade de estruturar a operação.
Outra mudança relevante está na relação entre agentes e automações. Não é necessário escolher entre workflow ou agente. A HubSpot permite combinar agentes, ações e passagens de bastão em um mesmo fluxo. Um agente também pode ser executado pontualmente em um registro ou incorporado a um workflow para repetir determinada atividade em escala.
Isso cria uma diferença importante entre tarefas. Uma regra determinística continua sendo excelente para situações como “se o campo X mudar para Y, atualize Z”. Não há motivo para transformar toda automação em IA.
O agente passa a ser mais interessante quando existe uma etapa que exige interpretação: analisar informações, resumir contexto, classificar uma situação ou gerar uma saída a partir de diferentes dados.
A automação com IA passa, portanto, a coexistir com a automação tradicional. A questão deixa de ser qual delas substituirá a outra. O desafio é entender qual tipo de trabalho deve ser executado por regra, qual exige interpretação da IA e onde uma pessoa precisa continuar tomando a decisão.
Nem todo processo merece um agente personalizado. Um bom candidato geralmente reúne três características: acontece com frequência, exige algum nível de análise ou interpretação e possui um resultado esperado suficientemente claro para ser avaliado.
Pense, por exemplo, em uma equipe comercial que precisa revisar negócios parados no pipeline. Um agente poderia analisar informações do negócio e interações anteriores e preparar um resumo para ajudar o vendedor a entender o contexto antes de agir.
Em Customer Success, outro agente poderia revisar informações do cliente antes de uma reunião de acompanhamento e consolidar os principais pontos em uma saída padronizada. Em Marketing, um agente poderia analisar informações disponíveis sobre determinados segmentos e preparar insumos para uma ação específica.
O objetivo não é “colocar IA em tudo”. É identificar trabalhos repetitivos nos quais a capacidade de interpretar contexto possa reduzir esforço sem retirar os controles necessários. Essa escolha é parte fundamental de uma operação estruturada.
A criação acontece dentro do Agent Hub. Segundo a documentação atual da HubSpot, o caminho é Agentes > Agent Hub e, na área inicial, selecionar Criar > Agentes. A partir daí, o Agent Builder permite configurar instruções, ações, conhecimento e entradas. Antes de construir, porém, vale responder a algumas perguntas:
Só depois dessas definições a configuração técnica começa a fazer sentido. A própria HubSpot exige que determinados recursos de IA e acessos a dados estejam habilitados e que o usuário tenha permissão de Super Admin ou Agent Builder para criar e personalizar agentes. Dependendo do objetivo, outras permissões também podem ser necessárias.
Quanto mais um agente consegue fazer, mais importante se torna definir o que ele não deve fazer. Esse princípio é particularmente relevante quando agentes passam da análise para a execução. O Agent Builder permite estabelecer controles sobre ações autônomas e trabalhar inicialmente com aprovações. A HubSpot também informa que o acesso aos recursos de IA e o compartilhamento de dados podem ser gerenciados nas configurações da conta.
Isso significa que a implementação não deveria terminar quando o agente consegue executar a tarefa. É necessário observar resultados, revisar exceções e ajustar instruções e limites antes de aumentar sua autonomia. A IA pode executar mais etapas. A responsabilidade sobre o desenho do processo continua sendo da empresa.
Agentes personalizados tornam outra questão ainda mais evidente: o agente só consegue interpretar o contexto que está disponível para ele. Se informações essenciais continuam espalhadas por sistemas desconectados, a capacidade de atuação fica limitada.
A HubSpot posiciona o Agent Hub como conectado ao CRM e aos aplicativos utilizados pela equipe, enquanto seus agentes são fundamentados nas informações de clientes presentes na plataforma. Por isso, integração de sistemas e IA passam a ter uma relação ainda mais próxima.
Imagine um agente criado para avaliar determinada situação comercial. Se parte das informações está no CRM, outra no ERP e outra em uma ferramenta isolada que não conversa com nenhuma das duas, não basta criar instruções sofisticadas. Antes de perguntar “qual agente queremos construir?”, muitas empresas terão de perguntar “o agente terá acesso ao contexto necessário para fazer bem esse trabalho?”
Com uma ferramenta que reduz a barreira para criação, surge um risco previsível: transformar qualquer tarefa em um agente. Essa não deveria ser a meta. A HubSpot apresenta um exemplo interessante da Ignite Reading. Uma atividade que anteriormente consumia de 15 a 20 minutos para localizar informações e levá-las à HubSpot passou a levar segundos com um agente personalizado. Com base na frequência da tarefa, a organização estima recuperar aproximadamente 350 horas com uma única automação.
Esse é um exemplo melhor de sucesso do que simplesmente afirmar que uma empresa criou dezenas de agentes. O indicador relevante é o impacto. Ao avaliar o ROI, vale observar redução de trabalho manual, tempo economizado, velocidade do processo, consistência das entregas e impacto sobre indicadores da área em que o agente atua.
Um agente que ninguém utiliza ou que exige revisão constante pode ser tecnicamente sofisticado e, ainda assim, gerar pouco valor.
Talvez uma das consequências mais relevantes do Agent Builder da HubSpot seja aproximar a construção dos agentes das pessoas que conhecem o processo. A HubSpot posiciona o recurso como uma experiência sem necessidade de programação e permite descrever o que se deseja construir utilizando linguagem natural.
O Breeze Assistant também pode ajudar na criação de agentes e workflows com base no que já está no CRM. Isso reduz a distância entre identificar um problema operacional e experimentar uma solução. Mas não elimina a necessidade de arquitetura.
Na verdade, pode torná-la ainda mais importante. Quando criar automações fica mais fácil, a empresa precisa ter ainda mais clareza sobre quais processos devem ser automatizados, quais dados podem ser utilizados, quem responde pelos resultados e quais limites precisam existir. A tecnologia democratiza a construção. A estratégia continua determinando o que vale a pena construir.
O Agent Builder HubSpot representa uma mudança porque leva a automação com IA para além de casos de uso previamente definidos. A empresa pode começar a transformar seu próprio conhecimento operacional em agentes: seus critérios, suas instruções, seus dados e seus processos. Mas isso também expõe uma realidade importante.
Quanto mais personalizada fica a IA, maior é sua dependência de automação inteligente, arquitetura de dados, operação estruturada e integração de sistemas. E quanto mais agentes puderem ser criados, mais importante será medir seu ROI em vez de simplesmente contabilizar quantos estão ativos.
O avanço não está em criar um agente para cada processo. Está em identificar os processos em que um agente consegue usar o contexto do negócio para executar melhor um trabalho que hoje consome tempo, depende de interpretação ou não escala.
É aí que o Agent Builder deixa de ser apenas mais um recurso de IA da HubSpot e passa a representar uma nova camada da operação.