Automação Sankhya com agentes: 94% de SLA em aprovações
Por Alexandre Pereira · · 4 min de leitura
Uma rede de varejo com três lojas em Vitória lidava com 40 aprovações de pedidos por dia no Sankhya. O gargalo estava na mesa do gerente comercial: pedidos ficavam parados aguardando validação de margem, limite de crédito e histórico de inadimplência. Resultado: 60% dos pedidos eram aprovados dentro do SLA de 4 horas; o restante atrasava entregas e gerava reclamações. A solução veio da automação Sankhya com agentes: um agente de IA que lê o pedido, consulta três políticas parametrizadas e aprova automaticamente ou escala para humano quando a margem cai abaixo de 12% ou o cliente tem duas notas em atraso. Em 30 dias de piloto, a aderência ao SLA subiu para 94% e o gerente passou a tratar apenas 6 casos por dia — os que realmente exigem análise qualitativa.
Como funciona o agente de aprovação no Sankhya?
O agente roda em n8n conectado ao banco Sankhya via API REST. A cada pedido novo com status "aguardando aprovação", o webhook dispara: o agente extrai número do pedido, CNPJ do cliente, valor total e margem bruta calculada. Em paralelo, três consultas acontecem: (1) tabela de políticas comerciais no Supabase (margem mínima por categoria de produto), (2) extrato de limite de crédito na view financeira do Sankhya, (3) histórico de inadimplência dos últimos 90 dias. O motor de decisão — um prompt estruturado rodando em Claude 3.5 Sonnet — cruza os três datasets e retorna "aprovar", "negar" ou "escalar". Se aprovado, o agente atualiza o campo "cod_aprovador" com ID 9999 (agente virtual) e registra justificativa em observação; se escalado, envia notificação via WhatsApp Business API para o gerente com contexto: "Pedido 12.045, cliente XYZ Ltda, margem 9,8% (abaixo de 12%), 1 nota vencida há 15 dias — revisar". O processo todo leva 4 segundos; o manual levava 45 minutos em média.
Por que a taxa de SLA subiu 34 pontos percentuais?
Antes do agente, aprovações atrasavam por três motivos: gerente em reunião externa (30% dos casos), falta de contexto imediato ("preciso verificar o cadastro no sistema") e acúmulo no final da tarde (entre 16h e 18h chegavam 18 pedidos). O agente eliminou os dois primeiros e distribuiu o terceiro: pedidos simples — margem OK, sem restrição — são aprovados na hora; sobram apenas os limítrofes. A rede varejista mediu: dos 40 pedidos diários, 34 são aprovados automaticamente (85%); 4 são negados por política clara (margem negativa, cliente bloqueado); 2 vão para análise humana. Antes, os 40 competiam pela atenção do gerente; agora, só 2 chegam até ele, sempre com contexto pré-montado. O SLA de 4 horas passou a ser batido em 94% dos casos — os 6% restantes são pedidos que entram após 17h30 e dependem de aprovação manual no dia seguinte. A empresa calcula economia de 6 horas/semana do gerente e redução de 22% no tempo médio de faturamento (de 1,8 dia para 1,4 dia entre pedido e NF).
Auditoria e governança: como garantir rastreabilidade?
Toda decisão do agente gera registro em tabela de log no Supabase: timestamp, ID do pedido, resultado (aprovado/negado/escalado), justificativa estruturada (JSON com valores consultados: margem, limite disponível, dias de atraso) e versão da política aplicada. No Sankhya, o campo "observações" recebe texto legível: "Aprovado automaticamente. Margem: 14,2% (mín. 12%). Limite disponível: R$ 8.400. Sem restrições nos últimos 90 dias. Política v2.3 aplicada em 09/08/2026 14:22". Auditorias internas revisam amostra semanal de 10% das aprovações automáticas; até agora, zero divergências foram encontradas. O agente não substitui o gerente — ele filtra o trivial e entrega ao humano apenas o que precisa de julgamento (cliente antigo em dificuldade temporária, pedido fora de padrão com justificativa comercial). Quem quer replicar pode partir de um piloto de 30 dias: parametrizar duas políticas simples (margem + limite), rodar em paralelo com aprovação manual e comparar tempos e acurácia antes de desligar a redundância.