Agent Script: Como domar a imprevisibilidade do Agentforce com fluxos determinísticos

A inteligência artificial no Agentforce promete autonomia de sobra. Mas em processos estruturados, como a qualificação de vendas, autonomia demais vira um problema grave de governança e qualidade de dados. Quando a Salesforce liberou as primeiras versões do Agentforce Builder baseadas apenas em orquestração probabilística, um comportamento indesejado ficou evidente em campo. Os agentes simplesmente pulavam perguntas obrigatórias.

Imagine um fluxo de qualificação baseado no tradicional framework BANT. O agente precisa validar orçamento, autoridade, necessidade e prazo. O problema de deixar o LLM no controle total é que ele tenta ser inteligente até quando não deve. Se o usuário der uma resposta ambígua ou uma pista vaga sobre um dos tópicos, a IA deduz a resposta por conta própria, pula a validação explícita e avança o processo. O resultado prático disso é um CRM poluído com dados incompletos e leads que entram no pipeline sem a devida qualificação.

Outro ponto crítico da abordagem antiga era a instabilidade quando o usuário mudava de assunto. Se o lead fizesse uma pergunta paralela sobre preços no meio da avaliação de prazo, o agente respondia, mas perdia o contexto original. Sem uma âncora de estado, a IA precisava reconstruir o contexto da conversa a cada interação, o que frequentemente resultava em desvios irreversíveis do fluxo principal.

Para resolver isso, a arquitetura de agentes precisa de limites claros. É exatamente aqui que o Agent Script entra. Ele traz o conceito clássico de máquina de estado para dentro do Agentforce. Em vez de depender da interpretação do LLM para decidir o próximo passo, o arquiteto ou desenvolvedor assume o controle da lógica de múltiplos turnos.

Na prática, a implementação envolve criar uma variável de estado, como uma variável chamada current_step. O fluxo começa e essa variável dita a regra. Um subagente principal funciona apenas como um roteador. A cada turno da conversa, ele lê o valor dessa variável e direciona o usuário para o subagente específico daquela etapa.

A grande sacada arquitetural ocorre na transição. O agente não avança porque a IA achou que a conversa acabou. O subagente responsável por avaliar o orçamento, por exemplo, só atualiza o valor da variável current_step para a próxima fase após capturar e validar explicitamente os dados financeiros. Isso é feito via ações diretas no código do Agent Script.

Essa estrutura também resolve o problema das interrupções. Se o usuário fugir do assunto, a IA atua respondendo de forma natural, mas como a variável de estado não foi alterada, o agente entra em um loop de retorno. Ele responde à dúvida paralela e imediatamente puxa o gancho de volta para a pergunta que ficou sem resposta. A variável serve como uma âncora inquebrável.

Para quem desenha arquitetura em projetos Salesforce, essa mudança de paradigma é vital. Paramos de focar apenas em engenharia de prompt para guiar conversas complexas e passamos a aplicar lógica estruturada. Testar um agente desenhado assim não envolve apenas ler o tom de voz da IA. O teste vira uma auditoria de sequência lógica. Você tenta forçar o agente a pular etapas fornecendo dados de fases futuras antes da hora, garantindo que o motor do Agent Script barre o avanço e exija a conclusão da etapa atual.

Processos de negócio não negociáveis exigem ferramentas determinísticas. O Agent Script entrega o freio de mão que faltava para colocar agentes autônomos em contato direto com o cliente sem perder o controle da operação.