Engenharia reversa de processos: tirar da equipe a rotina que o sistema não faz

Conferido em 13/10/2026. Os números do repositório REA mudam todos os dias; os citados aqui valem para esta data.

O que é o REA, o projeto de engenharia reversa que chegou ao topo do GitHub?

O REA (Reverse Engineer Anything) é um projeto de código aberto que conecta um assistente de inteligência artificial a ferramentas capazes de examinar um programa sem acesso ao código-fonte dele, explicar como uma função foi construída e escrever uma versão parecida para outro produto. Foi publicado em abril de 2026 e explodiu em outubro.

A promessa está na abertura do repositório do REA, que tem versão em português: "Viu uma funcionalidade em um aplicativo que gostaria de ter no seu próprio produto? Peça ao seu agente para investigá-la com o REA." Agente, aqui, é um assistente de IA que executa tarefas em outros programas, em vez de só responder perguntas.

A atenção foi rápida. Pela API do GitHub, o repositório somava cerca de 182 mil estrelas (a marcação de "favorito" da plataforma) em 13/10/2026, quase todas ganhas em dez dias (Trendshift). Há suspeita, levantada no Hacker News e não comprovada, de que parte delas seja inflada. O número indica interesse, não qualidade.

Tecnicamente, o REA não inventa técnica nova: organiza ferramentas de análise que existem há anos, como o Ghidra, e as entrega a um agente pelo MCP, o padrão que liga assistentes de IA a outros programas. O próprio termo de uso responsável avisa que o projeto não ajuda a copiar software proprietário nem a reproduzir código protegido de terceiros.

Por que copiar um software fechado não resolve o problema da empresa?

Copiar um software fechado não resolve o problema da empresa porque o custo maior raramente está na licença: está nas horas que alguém passa abrindo telas, copiando dados de um lugar para outro e conferindo o resultado. Um clone perfeito do sistema mantém exatamente o mesmo trabalho manual que existia antes.

Pense num pedido que chega por e-mail. Alguém lê a mensagem, abre o sistema de gestão, procura o cliente, digita os itens, confere o preço, salva e responde. Trocar o sistema por uma cópia feita em casa muda a cor da tela. A digitação continua lá.

E esse tipo de tarefa ocupa uma fatia grande do dia. Um levantamento de 2012 do McKinsey Global Institute estimou que profissionais de escritório gastam 28% da semana cuidando de e-mail e quase 20% procurando informação interna. De lá para cá, o volume não diminuiu: a Microsoft mediu em 2025 que o trabalhador médio recebe 117 e-mails por dia (Work Trend Index).

No Brasil, a burocracia soma horas a essa conta. O estudo subnacional do Banco Mundial, publicado em 2021, calculou entre 1.483 e 1.501 horas por ano só para a empresa-modelo do estudo cumprir obrigações tributárias, o maior tempo do mundo. Mesmo o Espírito Santo, mais bem colocado do país nesse quesito, ficou em 1.483 horas, contra 317 na média da América Latina. A pergunta útil, então, deixa de ser como fazer um sistema igual ao do fornecedor. Passa a ser por que alguém ainda precisa digitar isso.

O que muda quando a engenharia reversa é feita no processo, e não no programa?

Engenharia reversa de processos é aplicar ao trabalho da equipe a mesma lógica que o REA aplica a um programa: observar a rotina como ela acontece de verdade, descobrir de onde vem cada informação, qual regra decide cada passo e em qual sistema o resultado é gravado, e então redesenhá-la para execução automática.

Na prática, o mapeamento passa por cinco perguntas:

1. Como a tarefa é feita hoje, por quem faz. O manual quase nunca descreve o que a pessoa faz de verdade.
2. O que entra e o que sai. O e-mail, o PDF, a planilha; o lançamento no sistema, a resposta ao cliente.
3. Quais regras estão na cabeça de quem executa. "Se o cliente é novo, confere o CNPJ antes." Regra não escrita é a primeira coisa que quebra uma automação.
4. O que é regra e o que é julgamento. Regra vira automação. Julgamento continua com uma pessoa.
5. Como cada sistema aceita receber dados. Por integração oficial, por arquivo ou só pela tela.

Com isso em mãos, o pedido por e-mail vira outra rotina: a IA lê a mensagem, identifica cliente e itens, consulta o cadastro, monta o pedido como rascunho e uma pessoa aprova. Fabricantes de sistema já trabalham assim. O agente de pedidos do Business Central, sistema de gestão da Microsoft, analisa com IA os pedidos que os clientes mandam por e-mail, localiza o cliente no cadastro e monta a cotação, mas sempre passa por usuários designados, que revisam e aprovam as mensagens antes do envio (Microsoft Learn).

O uso real segue a mesma direção. O índice econômico da Anthropic registrou em janeiro de 2026 que as empresas usam cada vez mais o Claude para automatizar rotinas de retaguarda: gestão de e-mail, processamento de documentos, relacionamento com clientes e agendamento (Anthropic Economic Index).

A VT Sávio começa os projetos de automação por esse mapeamento, e o motivo é prático: o processo que o gestor descreve e o que a equipe executa raramente coincidem, e a automação precisa reproduzir o segundo.

A automação de rotinas com IA é moda ou um caminho sem volta?

A automação de rotinas com IA mostra sinais de mudança estrutural, não de moda: empresas grandes já deixam de comprar software para construir a função internamente, fornecedores de sistema mudam a forma de cobrar e o mercado financeiro reprecificou as empresas de software por causa disso.

O dado mais direto é da pesquisa State of AI 2026, da McKinsey, publicada em agosto: 32% dos entrevistados dizem que a empresa desistiu de comprar ao menos um software ou funcionalidade porque podia construí-lo internamente com ferramentas de programação por IA. Entre as empresas que mais lucram com IA, a fatia chega perto da metade.

Do lado de quem vende, a Totvs anunciou em agosto de 2026 agentes no modelo que chamou de "task as a service", em que a empresa "cobrará pela execução das tarefas feitas pelo agente" (InfoMoney). É cobrança por tarefa feita, não por usuário. Nos Estados Unidos, o índice de software do S&P 500 acumulava queda de cerca de 20% no ano em fevereiro de 2026, após o lançamento de novas ferramentas de IA da Anthropic (CNBC).

O presidente-executivo da Microsoft, Satya Nadella, resumiu a tese em dezembro de 2024. Para ele, os aplicativos de negócio são, no fundo, bancos de dados com regras de negócio por cima, e "the business logic is all going to these agents" (a lógica de negócio vai toda para esses agentes), no podcast BG2 (transcrição da Cloud Wars). O artigo sobre o fim da era do SaaS trata essa discussão em detalhe.

No Brasil, a indústria saiu na frente. Entre as indústrias com 100 ou mais pessoas, 41,9% usaram IA em 2024, contra 16,9% em 2022 (IBGE). No conjunto das empresas com 10 ou mais pessoas, o número cai para 17%, e para 15% nas pequenas (Cetic.br, TIC Empresas 2025). "Sem volta" é a nossa leitura desses sinais, não um número medido. O que os números mostram com segurança é que a maior parte das empresas brasileiras ainda nem começou.

Quanto uma pequena empresa precisa investir e quando isso cabe no caixa?

A capacidade de uma pequena ou média empresa investir em automação depende menos do preço da ferramenta e mais do tempo que o projeto leva para se pagar. Com crédito caro, dinheiro parado num projeto lento custa juros que a economia de horas pode não cobrir.

E o crédito está caro. O Copom baixou a Selic para 13,75% ao ano em 16/09/2026 (Banco Central), e a taxa média do crédito livre às empresas estava em 24,2% ao ano em agosto (Banco Central, estatísticas de crédito). Mesmo o Pronampe, linha para micro e pequenas empresas, tem teto de Selic mais 6% ao ano (Ministério do Empreendedorismo).

Do outro lado da conta está a produtividade. Pelo Observatório da Produtividade da FGV, a produção por hora trabalhada no Brasil estava, no segundo trimestre de 2026, só 3,4% acima do fim de 2019. Em seis anos e meio, a hora de trabalho quase não rendeu mais. Crescer contratando mais gente para a mesma rotina repete esse padrão.

O que costuma caber no caixa:

• Uma rotina por vez, com volume alto e regra clara, que se pague em poucos meses.
• Medir antes de começar. Quantas horas por semana a tarefa consome hoje. Sem essa linha de base, não há como provar o retorno depois.
• Reaproveitar o que já existe. O sistema de gestão continua; a automação passa a alimentá-lo.

O custo da IA em si caiu: o AI Index de Stanford mediu queda de mais de 280 vezes no custo de usar um modelo do nível do GPT-3.5 entre 2022 e 2024. Ainda assim, na pesquisa da McKinsey, cerca de 20% dos entrevistados dizem que o custo de operar a IA já limitou o uso. Até aqui, o que muda na gestão. Daqui para baixo o texto entra na parte técnica: como a automação fica estável e como ela conversa com os sistemas.

Por que um agente de IA bem instruído repete a tarefa sempre do mesmo jeito?

Um agente de IA repete a tarefa do mesmo jeito quando o caminho é fixado fora dele: a sequência de passos fica escrita num fluxo, a resposta do modelo é obrigada a seguir um formato definido e cada saída é conferida por regra antes de chegar ao sistema. O modelo sozinho não garante essa repetição.

A Anthropic, criadora do Claude, faz essa distinção num guia de 2024. Nos fluxos de trabalho, o modelo e as ferramentas seguem caminhos definidos antes, em código; nos agentes, o próprio modelo decide os passos e as ferramentas que usa. E o guia completa: "workflows offer predictability and consistency for well-defined tasks", ou seja, fluxos oferecem previsibilidade e consistência para tarefas bem definidas (Building effective agents). Rotina de retaguarda é tarefa bem definida, e o formato certo para ela é o fluxo, com a IA dentro de etapas específicas.

A estabilidade vem de quatro camadas, não de uma:

1. Caminho fixo. A ordem dos passos fica numa ferramenta de automação, como o n8n, e não na interpretação do modelo.
2. Saída estruturada. O modelo devolve campos preenchidos num formato definido (cliente, CNPJ, itens, quantidades), e não texto livre. A documentação do Claude descreve o recurso como a forma de prender a resposta a um esquema definido antes (saídas estruturadas).
3. Validação por regra. O CNPJ é válido? O item existe no cadastro? O total bate? Isso é conferido por código comum, que não erra por cansaço.
4. Aprovação humana no ponto sensível. O mesmo guia da Anthropic recomenda que o agente pare e espere uma pessoa em pontos de verificação.

Ajustar o modelo para respostas "menos criativas" não basta: a documentação do Claude avisa que, mesmo com a temperatura zerada, os resultados não são totalmente previsíveis (referência da API). A previsibilidade vem do desenho em volta do modelo, e esse desenho precisa de acompanhamento depois de entrar no ar, como mostra o artigo sobre automação que vira trabalho manual.

Por que integrar pela API é mais estável do que imitar cliques na tela?

Integrar pela API, a porta oficial pela qual um sistema troca dados com outro, é mais estável do que imitar cliques porque a API foi feita para ser usada por programas e muda pouco. A tela foi feita para pessoas, muda a cada atualização e quebra o robô que dependia da posição de um botão.

Os robôs de automação tradicionais, chamados de RPA, trabalham assim: segundo a definição do Gartner, eles combinam interação com a interface do usuário e tecnologias que descrevem a tela (glossário do Gartner). Colocar IA para operar a tela não resolve. A documentação do recurso de uso de computador do Claude avisa que o modelo pode errar ou inventar coordenadas ao apontar onde clicar (Anthropic). E o AI Index 2026, de Stanford, mediu que agentes operando computadores reais acertam cerca de 66% das tarefas, ou seja, ainda falham em uma de cada três.

A ordem de preferência, então, é:

1. API oficial do sistema, ou um conector MCP, quando existir.
2. Arquivo ou banco de dados: exportação agendada, importação em lote, uma consulta só de leitura.
3. Tela, só em último caso, com alerta quando falhar.

É aqui que a engenharia reversa de software tem papel legítimo. Quando um sistema fechado não tem integração documentada, entender como a própria interface web dele conversa com o servidor pode revelar um caminho melhor que a tela. Mas é um caminho frágil: o que o fornecedor não documentou, ele pode mudar sem aviso. E tem limite jurídico, tratado mais abaixo.

Nos projetos da VT Sávio, o que mais aparece quando se mapeia um sistema fechado é que ele já tinha uma saída melhor que a tela: uma exportação que ninguém agendou, um relatório em arquivo, uma integração que o fornecedor oferece e a empresa nunca contratou. Perguntar ao fornecedor antes de qualquer engenharia reversa costuma poupar semanas. O limite é o sistema antigo que não exporta nada e cujo contrato proíbe acesso fora da tela: aí a automação pela tela pode valer como ponte, monitorada, e a troca do sistema entra no planejamento.

Como o gestor cria relatórios e painéis pedindo em português?

O gestor cria relatórios pedindo em português quando um assistente de IA é ligado, com permissão só de leitura, aos dados dos sistemas da empresa. Ele traduz a pergunta em uma consulta, busca os números e devolve tabela, gráfico ou uma página pronta, sem esperar a fila da TI e sem montar planilha à mão.

"Quanto vendemos por vendedor no trimestre, comparado ao mesmo período do ano passado?" vira uma consulta ao banco do sistema de gestão e um gráfico em segundos. Com o MCP, o mesmo assistente consulta mais de um sistema na mesma pergunta.

O risco é o número errado dito com confiança. O NIST, órgão de padrões dos Estados Unidos, chama isso de confabulação: conteúdo errado ou falso apresentado com segurança (NIST AI 600-1). A boa notícia é que quem usa já desconfia: 86% dos usuários de IA tratam a resposta como ponto de partida, não como resposta final, segundo o Work Trend Index 2026, pesquisa que inclui o Brasil.

Três cuidados tornam isso confiável:

• Definição escrita de cada métrica. "Faturamento" é nota emitida ou pagamento recebido? Descontando devolução? Se a definição não está escrita, cada pergunta recebe uma resposta diferente.
• Acesso só de leitura, a uma cópia ou a visões preparadas dos dados, nunca às tabelas de produção com permissão de escrita.
• Relatório recorrente vira fixo. Depois de conferido uma vez, o relatório de segunda-feira passa a ser gerado sempre pela mesma consulta, e não reinterpretado a cada semana.

A pergunta livre serve para explorar. O número que vai para a reunião de diretoria sai de uma consulta conferida. O artigo sobre dados prontos para IA mostra o que precisa estar em ordem antes disso.

O que a lei brasileira diz sobre engenharia reversa de software?

A lei brasileira de software, a Lei 9.609/1998, não menciona engenharia reversa nem descompilação. O artigo 6º lista o que não ofende os direitos do autor de um programa, e dois incisos interessam aqui: o que admite semelhança causada por características funcionais e o que admite integrar um programa a outro sistema.

O inciso IV diz que não constitui ofensa "a integração de um programa, mantendo-se suas características essenciais, a um sistema aplicativo ou operacional, tecnicamente indispensável às necessidades do usuário, desde que para o uso exclusivo de quem a promoveu" (Lei 9.609/1998). Integrar sistemas para uso próprio tem base. Reproduzir o código de outro programa não tem.

Além da lei, há o contrato: muitas licenças proíbem engenharia reversa, e o próprio REA lembra disso. É mais um motivo para trabalhar no processo. Observar a própria equipe e usar os próprios dados não depende de descompilar o programa de ninguém.

Quando a automação decide sobre pessoas, entra a LGPD. O artigo 20 dá ao titular o direito de pedir revisão de decisões "tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses" (Lei 13.709/2018). Aprovar crédito, recusar cadastro ou classificar candidato são exemplos. Já o marco legal da IA, o PL 2338/2023, aprovado no Senado, aguardava parecer na Câmara em outubro de 2026. Este texto não é parecer jurídico: em caso concreto, consulte um advogado.

Quando automatizar uma rotina não vale a pena?

Automatizar uma rotina não vale a pena quando o volume é baixo, quando o processo muda toda semana ou quando cada caso exige um julgamento que ninguém consegue escrever como regra. Nesses cenários, construir e manter a automação custa mais do que ela economiza, e o erro sai mais caro que a digitação.

Os números mostram que o caminho tem tropeços. O Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor pouco claro ou controle de risco insuficiente (Gartner). Na McKinsey, a parcela de empresas que atribui algum efeito no lucro operacional à IA ficou parada em 37% de um ano para o outro. E a Klarna, exemplo famoso de troca de gente por IA no atendimento, voltou a contratar pessoas depois de admitir queda de qualidade (Fortune).

Nenhum desses dados diz que automatizar é erro. Dizem que automatizar o processo errado é. O que fazer nesses casos:

• Processo bagunçado: arrume e escreva o processo primeiro. Às vezes só isso resolve.
• Volume baixo: um modelo de mensagem, um atalho ou um checklist pode bastar.
• Julgamento constante: use a IA para preparar o caso, separando dados e sugerindo a resposta, e deixe a decisão com a pessoa.
• Sistema sem saída nenhuma: avalie a troca do sistema antes de construir uma automação em cima de algo que vai sair.

---

Fontes principais: repositório do REA, State of AI 2026 da McKinsey, Building effective agents, da Anthropic, TIC Empresas 2025 do Cetic.br, PINTEC Semestral do IBGE e Lei 9.609/1998.