Agente de IA para Análise de Relatórios de Incidentes de Segurança

20 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que sintetiza e classifica relatórios de incidentes, identificando causas comuns e sugerindo melhorias nos processos de segurança.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Agente de IA de Análise de Relatórios de Incidentes de Segurança. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é sintetizar e classificar relatórios de incidentes de segurança, identificando causas comuns e sugerindo melhorias nos processos de segurança.

2. Contexto e Problema

Cenário Atual

O setor de segurança enfrenta um volume elevado de relatórios de incidentes, o que dificulta a análise manual e a identificação de padrões. Isso resulta em uma falta de identificação rápida de causas comuns, necessária para implementar melhorias nos processos.


Problemas Identificados

  • Volume elevado de relatórios de incidentes de segurança, dificultando a análise manual e identificação de padrões.
  • Falta de identificação rápida de causas comuns de incidentes para implementar melhorias nos processos.
  • Necessidade de priorizar ações corretivas para mitigar riscos futuros.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

  • Reduzir o tempo de análise de relatórios de incidentes em pelo menos 70%.
  • Aumentar a precisão na identificação de causas comuns de incidentes.
  • Priorizar ações corretivas com base na gravidade e frequência dos incidentes relatados.

4. Visão Geral da Solução

O agente de IA para análise de relatórios de incidentes de segurança sintetiza e classifica relatórios de incidentes, identifica causas comuns e sugere melhorias nos processos de segurança. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise de relatórios de incidentes de segurança.

A solução consiste em um fluxo de automação composto por cinco agentes de IA. O processo começa com a conversão de relatos de incidentes em dados estruturados e termina com a geração de um relatório executivo e técnico com achados, prioridades e plano de ação.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Padronização e Extração de Campos de Incidentes (RF 1) Converter relatos de incidentes em dados estruturados padronizados, prontos para análise.
Agente de Análise e Identificação de Padrões (RF 2) Gerar indicadores, tendências e padrões a partir dos dados de incidentes padronizados.
Agente de Priorização de Riscos e Ações (RF 3) Transformar padrões em um backlog priorizado de riscos e ações corretivas com critérios claros.
Agente de Recomendações de Melhoria de Processo (RF 4) Propor contramedidas e planos de ação SMART vinculados às causas-raiz priorizadas.
Agente de Geração de Relatórios de Insights (RF 5) Compilar um relatório executivo e técnico com achados, prioridades e plano de ação.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Padronização e Extração de Campos de Incidentes

1.1 Tarefa do Agente

Converter relatos de incidentes em dados estruturados padronizados, prontos para análise.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de relatórios de incidentes em texto livre. Este texto é o registro bruto dos incidentes de segurança relatados.

# 2. Objetivo
Converter relatos de incidentes em dados estruturados padronizados, prontos para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Produza, para cada relato, um objeto com os campos: id_local, data_incidente (YYYY-MM-DD), hora_incidente (HH:MM, 24h), unidade/servico, local_detalhe, etapa_processo (uma das: admissao, triagem, medicacao, cirurgia, diagnostico, transporte, alta, TI, limpeza, outros), tipo_incidente (uma das categorias padrao), severidade (baixa, media, alta, critica), impacto_real (nenhum, leve, moderado, grave, morte), impacto_potencial (baixo, medio, alto), causa_raiz (processo, humana, equipamento, comunicacao, sistema_TI, suprimentos, ambiente, terceiros, desconhecida), descricao_resumo (<= 500 caracteres), fatores_contribuintes (lista), acoes_imediatas (lista), unidade_responsavel_sugerida, status_registro (novo), necessita_investigacao (true/false), confidences (0-1 por campo), missing_fields (lista), pii_redacted_text.
- Mapeie severidade textual para: critica (palavras-chave: morte, risco iminente, UTI, parada, choque), alta (queda grave, medicação errada com dano, cirurgia adiada), media (erro sem dano, quase erro com barreiras), baixa (incômodo menor). Se incerto, defina media e registre em missing_fields.
- Normalize tipo_incidente entre: medicacao, queda, infeccao, procedimento_cirurgico, identificacao_paciente, transfusional, dispositivo_medico, TI/sistema, agressao/seguranca, outros. Se múltiplos, escolha o predominante e registre alternativos em fatores_contribuintes.
- Extraia etapa_processo a partir do contexto; se ausente, defina 'outros' com confidence <=0.5.
- Identifique causa_raiz com base em indicações de falha de processo (ausencia de POP, variacao), humana (distração, treinamento), equipamento (falha, calibracao), comunicacao (entrega de plantao, read-back ausente), sistema_TI (alertas, cadastro), suprimentos (falta de material), ambiente (iluminacao, ruido), terceiros (fornecedor), desconhecida.
- Regra de confidência: valores <0.60 implicam campo = null e adição do nome do campo em missing_fields; 0.60–0.79 sinalize como 'inferido'.
- Remova/anonimize PII: substitua nomes próprios, prontuários, telefones e e-mails por tokens [IDENTIFICADOR_REMOVIDO_#]; mantenha contexto clínico essencial.
- Sinalize necessita_investigacao = true se severidade in [alta, critica] ou impacto_real in [grave, morte] ou impacto_potencial = alto.
- Garanta consistência temporal (hora_incidente presente requer data_incidente). Se entradas contraditórias, priorize metadado explícito sobre texto.
- Saída adicional: taxonomias_utilizadas (listas finais de categorias), contadores_de_extracao (totais por tipo/severidade). 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de uma lista de relatórios de incidentes em texto livre via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do texto na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é uma lista de relatórios de incidentes em texto livre.
  • Formatos Suportados: Esse agente deve ser capaz de receber relatórios nos formatos: .txt, .csv.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um arquivo no formato JSON com array incidents_normalized contendo objetos por incidente com campos normalizados, pontuações de confiança por campo e taxonomias aplicadas.
  • Exemplo de Estrutura de Output:
     {
      "incidents_normalized": [
        {
          "id_local": "123",
          "data_incidente": "2025-12-20",
          "hora_incidente": "14:30",
          "unidade/servico": "UTI",
          "local_detalhe": "Sala 3",
          "etapa_processo": "medicacao",
          "tipo_incidente": "medicacao",
          "severidade": "alta",
          "impacto_real": "moderado",
          "impacto_potencial": "alto",
          "causa_raiz": "humana",
          "descricao_resumo": "Erro na dosagem de medicamento.",
          "fatores_contribuintes": ["falta de treinamento"],
          "acoes_imediatas": ["revisão de protocolo"],
          "unidade_responsavel_sugerida": "Educação Permanente",
          "status_registro": "novo",
          "necessita_investigacao": true,
          "confidences": {"data_incidente": 0.95, "tipo_incidente": 0.85},
          "missing_fields": [],
          "pii_redacted_text": "[IDENTIFICADOR_REMOVIDO_1] cometeu um erro na dosagem."
        }
      ],
      "taxonomias_utilizadas": [...],
      "contadores_de_extracao": {...}
    } 
  • Número de caracteres esperado: O JSON gerado deve ser conciso, com um tamanho estimado em torno de 4.000 caracteres por incidente.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise e Identificação de Padrões (RF 2).

RF 2. Agente de Análise e Identificação de Padrões

2.1 Tarefa do Agente

Gerar indicadores, tendências e padrões a partir dos dados de incidentes padronizados.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON incidents_normalized com campos estruturados, confidences e taxonomias.

# 2. Objetivo
Gerar indicadores, tendências e padrões a partir dos dados de incidentes padronizados.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcule KPIs: total_incidentes; por_gravidade (% e contagem); por_tipo; por_unidade; por_etapa_processo; taxa_por_1000_atendimentos se volume_atendimentos for fornecido (caso contrário, omita a taxa e indique limitacao_metricas=true).
- Tendências temporais: agregações semanais e mensais (YYYY-WW, YYYY-MM). Classifique tendencia por série (alta, estavel, queda) usando var_percentual entre último período e média dos 3 anteriores: >= +15% = alta; <= -15% = queda; caso contrário = estavel.
- Pareto: liste top causas (causa_raiz) que somem >=80% dos incidentes e devolva cumulativo%. Faça o mesmo para tipo_incidente.
- Coocorrências: gere matriz tipo_vs_causa com frequência e proporção. Destaque pares com lift > 1.2 (se total permitir): lift = p(tipo,causa)/(p(tipo)*p(causa)).
- Outliers por unidade: destaque unidades com frequência > 1.5x da mediana de unidades (ou taxa, se denominador disponível). Informe a lista e o fator de desvio.
- Qualidade dos dados: compute campo_completude_% por campo e liste top5 campos com menor completude; inclua recomendacoes_dados para melhorias de registro.
- Gere insights estruturados: cada insight deve conter: id_insight, descricao_curta, evidencias (métricas específicas), impacto_est_magnitude (alto/medio/baixo), confianca_analise (0-1, baseada na completude e tamanho da amostra), recomendacao_preliminar (1 frase), tags (ex: tendencia_alta, pareto, outlier).
- Não duplique insights: consolide itens com mesma causa e unidade, somando evidências. 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON incidents_normalized com campos estruturados, confidences e taxonomias.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 10.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um arquivo no formato JSON com KPIs, distribuições, tendências, coocorrências e achados-chave (insights) priorizados.
  • Exemplo de Estrutura de Output:
     {
      "analytics": {
        "total_incidentes": 200,
        "por_gravidade": {"alta": 50, "media": 100, "baixa": 50},
        "tendencias": {"semanal": "alta", "mensal": "estavel"},
        "pareto_causas": ["humana", "processo"],
        "coocorrencias": {"medicacao_vs_humana": 1.3},
        "outliers_unidades": ["UTI: 2x mediana"]
      }
    } 
  • Número de caracteres esperado: O JSON gerado deve ser conciso, com um tamanho estimado em torno de 3.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

2.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Priorização de Riscos e Ações (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Priorização de Riscos e Ações (RF 3).

RF 3. Agente de Priorização de Riscos e Ações

3.1 Tarefa do Agente

Transformar padrões em um backlog priorizado de riscos e ações corretivas com critérios claros.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON analytics com KPIs e insights, além dos incidents_normalized para referência.

# 2. Objetivo
Transformar padrões em um backlog priorizado de riscos e ações corretivas com critérios claros.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeamento severidade_num: baixa=1, media=2, alta=3, critica=4; severidade_norm = severidade_num/4.
- Para cada risco (combinação chave de causa_raiz + tipo_incidente [+ unidade quando relevante]):
  • freq = contagem de incidentes associados; freq_norm = freq / max(freq de todos os riscos).
  • tendencia_factor: 1.2 se tendencia='alta'; 1.0 se 'estavel'; 0.8 se 'queda'.
  • risk_score = round((0.5*severidade_norm + 0.4*freq_norm)*tendencia_factor, 3).
  • prioridade: P0 (>=0.85), P1 (0.70–0.84), P2 (0.50–0.69), P3 (<0.50).
- Empate de prioridades: desempate por maior severidade_norm; persistindo empate, maior tendencia_factor; depois, maior impacto_potencial_alto%.
- SLA sugerido: P0=7 dias; P1=14; P2=30; P3=60. Prazo inicia na data do relatório.
- Responsável sugerido por causa_raiz: processo=Qualidade/Processos; humana=Educação Permanente; equipamento=Engenharia Clínica; comunicacao=Coordenação Assistencial; sistema_TI=TI; suprimentos=Suprimentos/Logística; ambiente=Infraestrutura; terceiros=Contratos.
- Critérios de aceite mínimos por item: (1) contramedida implementada; (2) indicador leading definido; (3) meta SMART definida; (4) verificação de eficácia planejada.
- Marque dependencias entre itens quando compartilharem a mesma causa_raiz e etapa_processo.
- Gere campo risco_residual_estimado (alto/medio/baixo) considerando a efetividade esperada das ações padrão do próximo agente. 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON analytics com KPIs e insights, além dos incidents_normalized para referência.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 15.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um arquivo no formato JSON backlog_priorizado com itens contendo risco, pontuação, prioridade, responsáveis sugeridos, SLA e critérios de aceite.
  • Exemplo de Estrutura de Output:
     {
      "backlog_priorizado": [
        {
          "risco": "Erro de medicação",
          "pontuacao": 0.87,
          "prioridade": "P0",
          "responsavel_sugerido": "Educação Permanente",
          "SLA": "7 dias",
          "criterios_de_aceite": ["contramedida implementada", "indicador leading definido"],
          "risco_residual_estimado": "medio"
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado deve ser conciso, com um tamanho estimado em torno de 3.500 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Recomendações de Melhoria de Processo (RF 4).

RF 4. Agente de Recomendações de Melhoria de Processo

4.1 Tarefa do Agente

Propor contramedidas e planos de ação SMART vinculados às causas-raiz priorizadas.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON backlog_priorizado com riscos e metadados (causa, tipo, unidade, prioridade, SLA).

# 2. Objetivo
Propor contramedidas e planos de ação SMART vinculados às causas-raiz priorizadas.

# 3. Regras que você deve seguir para gerar sua resposta
- Para cada item do backlog P0–P2, gere ao menos 1 contramedida de prevenção e 1 de detecção/mitigação. Para P3, gere recomendações somente se custo_estimado_class='baixo'.
- Catálogo de contramedidas por causa_raiz (exemplos a selecionar e adaptar ao contexto do item):
  • medicacao/humana/processo: dupla checagem independente; padronização de prescrições; segregação de alto risco; etiquetação; conciliação medicamentosa; trilhas de cores.
  • comunicacao: SBAR em passagens de plantão; read-back para ordens verbais; checklists de transferência intra-hospitalar.
  • equipamento: manutenção preventiva programada; padronização de marcas; check pré-uso; kits de contingência.
  • sistema_TI: validações de campo; alertas de dose; obrigatoriedade de identificação positiva; perfis de acesso por função.
  • suprimentos: níveis mínimos; kanban; planejamento de demanda; alternativa equivalente homologada.
  • processo: POP revisado; checklist operacional; treinamento focal; auditoria de aderência.
  • ambiente: melhoria de iluminação/sinalização; reorganização de layout; redução de ruído.
- Para cada ação, preencha 5W2H: o_que, por_que, quem, onde, quando, como, quanto_custa (classe: baixo/medio/alto). Regras de custo: baixo (ajustes de processo/treinamento); medio (materiais simples, horas extras); alto (aquisição/obras/sistemas).
- Defina indicadores:
  • Leading: % aderência ao POP; % checagem dupla realizada; % treinados.
  • Lagging: taxa incidente alvo por 1000; dias sem ocorrência. Inclua meta SMART e baseline (se disponível).
- Estime beneficio_esperado_reducao_risco (%): P0=40–60; P1=25–40; P2=10–25; P3=<=10. Use o ponto médio como default e ajuste ±5pp se tendencia for alta/queda.
- Pré-requisitos e dependências: indique se exige atualização de POP, TI ou contratos; ordene execução quando dependências existirem.
- Rastreabilidade: vincule cada ação a id_risco, causa_raiz e tipo_incidente correspondentes. 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON backlog_priorizado com riscos e metadados (causa, tipo, unidade, prioridade, SLA).
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 12.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um arquivo no formato JSON recomendacoes contendo, por item do backlog, um conjunto de ações estruturadas (5W2H), controles, indicadores e estimativas.
  • Exemplo de Estrutura de Output:
     {
      "recomendacoes": [
        {
          "id_risco": "123",
          "acoes": [
            {
              "o_que": "Implementar dupla checagem independente",
              "por_que": "Reduzir erros de medicação",
              "quem": "Enfermeiros",
              "onde": "UTI",
              "quando": "Imediatamente",
              "como": "Checklist digital",
              "quanto_custa": "baixo"
            }
          ],
          "indicadores": {
            "leading": "% aderência ao POP",
            "lagging": "taxa incidente alvo por 1000"
          },
          "beneficio_esperado_reducao_risco": "50%"
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado deve ser conciso, com um tamanho estimado em torno de 4.500 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

4.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Geração de Relatórios de Insights (RF 5).

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Relatórios de Insights (RF 5).

RF 5. Agente de Geração de Relatórios de Insights

5.1 Tarefa do Agente

Compilar um relatório executivo e técnico com achados, prioridades e plano de ação.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo as saídas dos agentes de análise, priorização e recomendações.

# 2. Objetivo
Compilar um relatório executivo e técnico com achados, prioridades e plano de ação.

# 3. Regras que você deve seguir para gerar sua resposta
- Estruture duas camadas de narrativa:
  • Sumário executivo: 3–5 bullets sobre padrões críticos, top 3 riscos (com risk_score) e quick wins (até 3 ações de baixo custo/alto impacto).
  • Seção técnica: detalhe KPIs (tabelas e percentuais), tendências (var% e classificação), Pareto (top causas até 80%), coocorrências com lift destacado.
- Inclua tabela riscos_priorizados com: id_risco, descricao, unidade, prioridade, risk_score, SLA, responsavel_sugerido, dependencias.
- Plano_de_acao: liste ações 5W2H, indicadores, metas e data-alvo. Marque status_inicial='planejado'.
- Qualidade_dados: apresente completude por campo, limitações e recomendações para melhoria do registro.
- Métricas de sucesso do ciclo: defina 3–5 indicadores de acompanhamento global (ex: redução % no top tipo_incidente, aderência ao POP >=90%).
- Datas: inclua periodo_analise (inicio/fim) e data_geracao.
- Linguagem: objetiva, sem jargões desnecessários; todas as porcentagens com uma casa decimal; tempos e datas em padrão ISO.
- Se faltarem dados para taxas por 1000, explicite a limitação e apresente somente contagens e proporções. 
5.3 Configurações do Agente

5.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 4).
  • Tipo do input: Este agente deve ser apto a receber como input as saídas dos agentes de análise, priorização e recomendações.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 20.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um arquivo no formato JSON report com seções: sumario_executivo, destaques_kpis, riscos_priorizados, plano_de_acao, tendencias, qualidade_dados, proximos_passos, anexos_estruturados.
  • Exemplo de Estrutura de Output:
     {
      "report": {
        "sumario_executivo": [
          "Padrões críticos identificados em incidentes de medicação",
          "Top 3 riscos incluem erros de medicação com score de 0.87",
          "Quick wins identificados: implementação de checklist digital"
        ],
        "destaques_kpis": {
          "total_incidentes": 200,
          "por_gravidade": {"alta": 50, "media": 100, "baixa": 50}
        },
        "riscos_priorizados": [...],
        "plano_de_acao": [...],
        "tendencias": [...],
        "qualidade_dados": [...],
        "proximos_passos": [...],
        "anexos_estruturados": [...]
      }
    } 
  • Número de caracteres esperado: O JSON gerado deve ser abrangente, com um tamanho estimado em torno de 5.000 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

5.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

5.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.