das empresas pesquisadas ainda não demonstraram valor tangível com IA.
BCG, 2024Agentic Process Intelligence Platform
Processos que aprendem enquanto acontecem.
BeProcess investiga como transformar logs, telas e trajetórias reais de trabalho em um modelo vivo do processo, pronto para orientar sua agentificação.
LIVE PROCESS MODELMVP / 01
BPeventocontextotransiçãoresultado
Modelo em evoluçãoPoCs construídas
O produto
O processo real não está no fluxograma.
Ele está distribuído entre sistemas, decisões, exceções, interações e resultados. A BeProcess nasce para reconstruir esse contexto e formar uma inteligência operacional que evolui com o próprio trabalho.
O problema de pesquisa
Antes de agentificar, é preciso descobrir o processo.
Mapear trabalho real exige muito mais do que gravar a tela. É preciso alinhar sinais de diferentes fontes, compreender o estado da interface, inferir a atividade em curso e reconstruir a lógica que conecta uma decisão à seguinte.
- 01
Eventos sem significado
Logs registram cliques, horários e coordenadas. Para compreender o processo, ainda é preciso reconhecer a atividade, a intenção e o contexto de cada ação.
- 02
Telas sem trajetória
Uma captura de tela mostra um estado da interface, mas não explica por que ele ocorreu nem qual decisão levou ao próximo estado.
- 03
Ações sem processo
Eventos de baixo nível precisam ser agrupados em tarefas, relacionados a uma instância e conectados ao resultado que produziram.
- 04
Variantes sem regra
Observar A seguido de B não revela a condição da transição. Exceções, retornos, escolhas e paralelismo precisam ser inferidos e validados.
Business case
O custo invisível começa antes do agente.
Empresas investem em modelos e integrações sem possuir uma representação confiável do processo que desejam agentificar. O resultado é um ciclo caro de entrevistas, documentação manual, hipóteses incompletas e retrabalho durante a construção.
dos desafios de implementação estão ligados a pessoas e processos, não ao algoritmo.
BCG, 2024organizações ainda não começaram a escalar IA por toda a empresa.
McKinsey, 2025O processo é redescoberto manualmente.
Analistas entrevistam pessoas, reconstroem variantes e documentam fluxos que ficam desatualizados assim que a operação muda.
A execução se torna evidência estruturada.
Logs e telas são convertidos em atividades, casos, estados e transições. A incerteza permanece visível e orienta a validação humana.
Menos descoberta, menos retrabalho, valor mais cedo.
O primeiro desenho agentic parte de um modelo observável do processo, reduzindo o esforço anterior à automação e os erros de especificação.
Cenário-base ilustrativo
Operação de serviços com cinco processos críticos.
- Operação analisada
- 200 profissionais · 3 áreas
- Processos priorizados
- 5 por ano
- Mapeamento atual
- 608 horas por processo
- Custo-hora médio
- R$ 110
- Construção agentic
- R$ 200 mil por processo
- Investimento considerado
- R$ 250 mil no primeiro ano
Impacto financeiro anual
Benefício bruto estimadoR$ 547,2 mil
Eficiência no mapeamento
Redução-alvo de 50% sobre 3.040 horas anuais dedicadas a levantar e validar cinco processos.
Retrabalho técnico evitado
Hipótese de evitar 20% de retrabalho sobre a construção agentic dos cinco processos priorizados.
Valor antecipado
Três meses a menos até o uso, considerando R$ 60 mil de valor operacional mensal para o portfólio.
Benefício líquidoR$ 297,2 mil
ROI estimado119%
Payback estimado5,5 meses
O motor de inteligência
Da evidência bruta ao processo agentificável.
A proposta combina compreensão visual, mineração de processos, reconhecimento de tarefas e aprendizado de transições em uma arquitetura contínua.
- 01Logs + telas
Observar
Capturar eventos, estados visuais, tempo e contexto de execução.
- 02Eventos semânticos
Interpretar
Transformar sinais técnicos em ações com significado operacional.
- 03Tarefas + casos
Estruturar
Segmentar ações, reconhecer instâncias e reconstruir trajetórias.
- 04Estados + transições
Inferir
Aprender condições, variantes, exceções e relações entre atividades.
- 05Modelo agentificável
Compilar
Gerar uma primeira configuração de agentes, ferramentas e guardrails.
Camada transversal confiança do modelo + revisão humana + resultados observados
Arquitetura de referência
Da observação contínua à operação agentic mensurável.
A arquitetura pensada para o MVP conecta um observador autorizado no Windows a uma plataforma multimodal. O sistema aprende o processo real, propõe um desenho futuro e transforma a versão aprovada em especificações prontas para a construção dos agentes.
Captura autorizada e contextualização local
Windows Observer
Serviço leve em background que observa eventos, aplicações, mudanças de janela e estados relevantes da interface.
- Windows Event Log
- ETW
- UI Automation
- Screenshots por evento
Secure Context Pipeline
Sincroniza sinais, cria sessões, remove duplicidades e aplica políticas de exclusão, mascaramento e retenção.
- Buffer local
- Mascaramento local
- Criptografia
- Event stream
Compreensão multimodal e reconstrução do as-is
Multimodal Intelligence
Modelos visuais interpretam as telas. LLMs relacionam eventos, reconhecem atividades, intenção, contexto e resultados.
- VLMs
- LLMs
- OCR + layout
- Embeddings
Visual Process Twin
A plataforma recompõe casos, variantes, estados e transições em um processo visual que se atualiza com novas evidências.
- As-is vivo
- Variantes
- Confiança
- Gargalos
Desenho do should-be, agentificação e mensuração
Should-be Studio
O motor sugere simplificações, padrões e oportunidades de automação. A versão-alvo só avança depois da revisão humana.
- Simulação
- Regras
- Aprovação
- Versionamento
Agent Compiler
O processo aprovado vira uma especificação estruturada para orquestrador, agentes especialistas, ferramentas e handoffs humanos.
- Agent blueprint
- Tool contracts
- Guardrails
- Testes
Operation Digital Twin
Pessoas, agentes e sistemas alimentam um gêmeo digital que compara o projetado ao realizado e fecha o ciclo de aprendizado.
- Runtime
- Telemetria
- Custos
- Tempo
Background, não invisível
Um serviço administrável, com política explícita.
O Observer trabalha em background para não interromper a operação, mas sua captura deve ser transparente para a organização. Não pressupõe leitura irrestrita de teclas. Aplicações, janelas e campos sensíveis podem ser excluídos, e o processamento local reduz o volume de dados enviado à plataforma.
Depois do aceite
O should-be vira um contrato executável.
O modelo aprovado deixa de ser apenas um diagrama. Ele organiza as informações necessárias para construir o conjunto de agentes que automatiza o máximo tecnicamente viável, com limites, testes e responsabilidades definidos.
- 01
Objetivos, entradas e saídas de cada agente
- 02
Estados, condições e regras de transição
- 03
APIs, aplicações e permissões disponíveis
- 04
Handoffs humanos, exceções e escalonamentos
- 05
Guardrails, testes, métricas e critérios de aceite
Digital twin da operação
Do ganho projetado ao ganho realizado.
O gêmeo digital combina telemetria dos agentes, atividades humanas e eventos dos sistemas. A plataforma acompanha cada execução e compara o desempenho real às premissas do business case.
Tempo de ciclo
Duração total, esperas e tempo por etapa.
Custo por caso
Horas humanas, consumo computacional e custo operacional.
Cobertura agentic
Percentual executado por agentes, humanos e sistemas.
Exceções
Frequência, causa, impacto e necessidade de escalonamento.
Valor realizado
Economia e capacidade liberada comparadas ao business case.
Qualidade
Retrabalho, conformidade e resultado de cada execução.
Status arquitetura de referência para o MVP, sujeita a validação técnica, de segurança e de produto
Ciclo de aprendizado
Da execução ao próximo ciclo.
- 01
Observar
Capturar ações e sinais gerados durante a execução real do trabalho.
- 02
Reconstruir
Relacionar eventos, decisões e contexto para compreender como o processo acontece.
- 03
Aprender
Comparar caminhos e resultados para atualizar continuamente o modelo do processo.
- 04
Orientar
Apoiar o próximo ciclo com contexto, conhecimento acumulado e critérios verificáveis.
Tese de pesquisa
Self-Learning Process Intelligence
A pesquisa investiga como um motor pode observar a execução, preservar contexto e aprender com resultados sem reduzir o trabalho real a um fluxo rígido. Autonomia, aqui, significa ampliar a capacidade de compreensão e adaptação dentro de limites claros de governança.
- Estágio
- MVP em construção
- Evidência técnica
- PoCs construídas
- Categoria
- Process Intelligence + Agentic AI
- Foco
- Mapeamento multimodal de processos
A hipótese de desbloqueio
Um modelo executável muda o ponto de partida da agentificação.
Quando o motor reconhece estados, ações, condições, ferramentas e resultados com estabilidade, ele pode gerar automaticamente o primeiro desenho agentic do processo.
Essa é a hipótese que o MVP precisa provar. O objetivo não é eliminar a validação humana, mas tornar a agentificação mais rápida, rastreável e capaz de aprender com a operação.
ENTRADAProcesso observado
BeProcess engineCompreender
Inferir
Compilar
Inferir
Compilar
SAÍDA INICIALAgent blueprint
- Objetivos e limites de cada tarefa
- Ações, ferramentas e permissões
- Regras de transição e decisão
- Exceções e critérios de escalonamento
- Métricas, resultados e ciclos de feedback
Base científica selecionada
Peças recentes de um problema ainda aberto.
A literatura avança em compreensão de telas, task mining, descoberta de processos e agentes de interface. A tese da BeProcess é integrar essas frentes em um motor contínuo, da observação ao modelo executável.
2026Business & Information Systems Engineering
Enriching Process-Related UI Logs Via Screenshot-Based Activity Labeling by Using Vision-Language Models
Mostra como modelos de visão e linguagem podem enriquecer logs de interface com descrições semânticas, especialmente quando não há acesso à estrutura da aplicação.
Consultar publicação2024Information Systems
Recognizing Task-Level Events from User Interaction Data
Trata da segmentação de eventos granulares em tarefas, da categorização das atividades e da associação de cada ação a uma instância do processo.
Consultar publicação2024Information Systems
A Screenshot-Based Task Mining Framework for Disclosing the Drivers Behind Variable Human Actions
Usa capturas de tela para recuperar o contexto que explica variantes e decisões que os logs de interação, isoladamente, não revelam.
Consultar publicação2025Process Science
Using Translucent Activity Relationships Frequencies to Enhance Process Discovery
Investiga como estados de tela podem revelar atividades disponíveis, inclusive caminhos não executados, e melhorar a descoberta de escolhas e paralelismo.
Consultar publicação2024NeurIPS
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
Evidencia a distância entre reconhecer uma interface e operar com confiabilidade em tarefas reais, sobretudo nos desafios de grounding e conhecimento operacional.
Consultar publicação2024WorkflowLLM
Enhancing Workflow Orchestration Capability of Large Language Models
Avalia a capacidade de orquestrar fluxos com ferramentas, ramificações e ciclos, uma ponte necessária entre o modelo do processo e sua execução por agentes.
Consultar publicaçãoPróximo ciclo
Estamos construindo a primeira versão do produto.
Buscamos organizações com processos complexos, parceiros de pesquisa e programas de fomento interessados em desenvolver e validar essa tese conosco.
Falar sobre a BeProcess