LangGraph em produção: agentes de IA sob governança

TL;DR: o LangGraph é excelente para prototipar um agente com estado: grafo tipado, checkpointer nativo, handoff entre agentes especializados. Colocar esse mesmo agente para operar dentro de um banco já é outra história, e é uma questão de plataforma. As perguntas passam a ser outras: quem aprovou a entrada dele em produção, quanto ele pode custar por mês, como reconstituir uma decisão específica dois anos depois para o regulador. É esse trabalho, do desenho à operação auditável, que a Tessera AgentOS faz: a orquestração vem embutida nela, e a plataforma de agentes governados fica por cima.

A reunião era sobre um agente de cobrança bancária que já funcionava. O time de risco não perguntou se ele negociava bem, porque isso já estava resolvido desde o protótipo. Perguntou outra coisa: se esse agente aprovar um parcelamento incorreto daqui a dois anos, como reconstituímos toda a cadeia de decisão para apresentar ao Banco Central? O agente negociava, o grafo de estado dava conta da conversa, e mesmo assim aquela pergunta ficou parada na sala. Ela não era sobre orquestração, e naquele momento do projeto a camada capaz de respondê-la ainda não existia.

Neste artigo

1. O que o LangGraph resolve de fato
2. A pergunta que o grafo não respondia
3. A camada que um banco cobra
4. A decisão que sobra
5. Próximos passos
6. Perguntas frequentes

O que o LangGraph resolve de fato

O LangGraph não entrou no projeto por acaso. Para orquestrar um agente com estado complexo, foi a escolha certa entre as alternativas que testamos, e continua sendo.

O grafo de estado tipado elimina uma categoria inteira de bugs de estado inconsistente, porque cada nó recebe o estado atual e devolve apenas as mudanças pelas quais responde. O checkpointer persiste a conversa a cada superstep. É isso que permite ao servidor fazer deploy no meio de uma negociação, ao cliente sumir por alguns dias e voltar, e ao agente retomar exatamente de onde parou. O padrão supervisor dá handoff explícito entre agentes especializados: um cuida da identificação, outro da negociação, outro do registro de consentimento, e cada transição fica declarada na própria estrutura do grafo.

Isso é orquestração de verdade, feita bem. E o projeto caminhou sem tropeços exatamente até onde a orquestração ia.

A pergunta que o grafo não respondia

Internamente, usamos uma fórmula para separar as duas coisas: agente é modelo mais harness, e o harness é tudo no sistema do agente que não é o modelo, da orquestração à auditoria. O LangGraph cobre a orquestração e o estado. O resto do harness é a infraestrutura que ninguém enxerga no protótipo: broker de mensageria, banco relacional e vetorial, cache, fila com retry e dead-letter queue, observabilidade, cofre de segredos, autenticação e controle de acesso. Um time que constrói isso sobre o LangGraph escolhe, integra e opera cada peça por conta própria, com um fornecedor diferente por camada. E o que o time de risco cobrava vivia numa camada ainda mais adiante.

Cinco dimensões decidem se um agente cruza do piloto para a produção regulada. A tabela abaixo põe lado a lado o que o LangGraph entrega em cada uma e o que a Tessera AgentOS opera nativamente. Cada dimensão vem detalhada logo depois.

Dimensão	LangGraph	Tessera AgentOS
Execução & Escala	Orquestra um agente com estado via grafo tipado e checkpointer; escala é responsabilidade de quem integra a infraestrutura por fora	Runtime determinístico em BSP, Atores com mailbox próprio, ClusterSharding escala para 10 mil+ agentes sem reescrever a lógica
Voz & Realtime	Sem suporte nativo a canal de voz	Barge-in abaixo de 200ms, ConsentGate para pausar gravação em trecho sensível (PCI), roda sobre o CTI que o contact center já tem
Conhecimento & Regra	Sem motor de regras; decisão fica só na inferência do modelo	BRMS com decision tables versionadas, hot reload, motor Rete decide em milissegundos; modelo propõe, regra determinística valida ou nega
Governança & Compliance	Sem RBAC, sem trilha de auditoria nativa, sem isolamento por tenant	Aprovação em quatro olhos, kill-switch, FORCE RLS por tenant, trilha em cadeia de hash, packs regulatórios (Banco Central, LGPD, SUSEP)
Custo & FinOps	Sem controle de custo embutido	Quotas hard e soft por tenant, agente e ambiente; soft alerta, hard interrompe automaticamente antes do teto

Tabela: onde a orquestração termina e a operação começa, nas cinco dimensões que um banco cobra.

Quase todo agente que encontramos ainda vive como piloto: funciona bem na homologação e não cruzou para a produção. O dado de mercado acompanha o que vemos em campo: a Gartner estima que apenas uma em cada nove empresas de fato opera IA em produção, o número que sustenta o mapa dos 5 Estágios de Maturidade em IA. O padrão que acompanhamos no banco confirma o diagnóstico: o piloto funciona em homologação, e a barreira aparece quando o agente encosta no resto da empresa. Cada linha da tabela acima é um lugar onde esse encontro costuma travar.

A auditoria cobrou primeiro, com a mesma pergunta que tinha aberto o projeto. Um log de aplicação diz o que aconteceu. Uma trilha de auditoria deixa reconstituir como aconteceu, com o estado exato em cada passo, e isso só existe quando a execução inteira pode ser reexecutada do início. A Tessera reconstrói essa execução com replay determinístico sobre um runtime em BSP (bulk synchronous parallel), onde cada superstep fica registrado e pode rodar de novo, byte a byte. A trilha corre em cadeia de hash por tenant, então o time de risco reapresenta ao regulador a regra que estava vigente naquele dia e pode citá-la como prova, mesmo que o parâmetro já tenha mudado.

Reconstituir a decisão pressupõe saber quem deixou o agente decidir. Num banco, criar, aprovar, publicar, executar e auditar um agente são papéis de pessoas diferentes, e a Tessera grava essa separação na própria estrutura: aprovação em quatro olhos para ações sensíveis, o comitê vendo quem assinou cada entrada, e um kill-switch que interrompe a execução na hora, sem esperar o próximo deploy. Como o mesmo runtime atende várias áreas, o FORCE RLS garante que uma área não enxergue o dado nem o agente de outra, e os requisitos do setor entram como packs regulatórios do Banco Central, da LGPD e da SUSEP, versionados junto com a governança.

O custo chega por um caminho mais silencioso. Um piloto roda algumas dezenas de conversas por dia e o token não pesa. Em produção, com centenas de milhares de execuções por mês espalhadas entre vários agentes e clientes internos, o consumo sem teto vira risco financeiro sem freio. As quotas hard e soft da tabela existem para isso: a soft dispara alerta em tempo real, a hard corta a execução automaticamente antes que o gasto ultrapasse o teto aprovado, bem antes de a fatura chegar no fim do mês. Foi esse corte que faltou nos casos que o mercado já documentou, em que um único loop descontrolado gerou US$ 47 mil, dentro de um vazamento coletivo de US$ 400 milhões em empresas Fortune 500.

Sobra a pergunta mais espinhosa, a de quem decide. Aprovar um desconto ou liberar um limite é o tipo de decisão que um regulador pode questionar depois, e a inferência do modelo sozinha não basta para sustentá-la. O BRMS da Tessera guarda as regras em decision tables versionadas, com hot reload: a área de crédito muda o teto de um parcelamento e reescreve a regra sem deploy e sem re-treino. Um motor Rete decide em milissegundos qual condição se aplica, mesmo com milhares de regras cadastradas. O modelo propõe a decisão em linguagem natural, a regra determinística valida ou nega, e a justificativa fica registrada, citando a regra exata. Bancos operam BRMS há mais de vinte anos para crédito e underwriting, e a Tessera conecta essa disciplina ao agente.

Nenhuma dessas perguntas é sobre orquestração. Todas são sobre operação.

A camada que um banco cobra

O harness que um banco exige em produção é outra coisa, uma plataforma inteira. Na Tessera AgentOS, o agente nasce dentro dela, em vez de ser embrulhado por fora depois de pronto. Instructions em linguagem natural, Skills reutilizáveis, Guardrails e Knowledge montam o comportamento. Por baixo, cinco primitivas conduzem a execução: a Decisão ramifica o caminho, o Diálogo abre a conversa e espera a resposta do usuário, a Aprovação trava a execução diante de um humano antes de seguir. Quando a operação tem múltiplos passos e um deles falha, a Transação cobre o rollback; quando a consulta precisa ficar determinística e rastreável, a Regra resolve.

Montar esse agente não exige sempre o mesmo esforço de engenharia. A Tessera abre três portas de entrada para o mesmo runtime governado: o .tess, linguagem de definição de agente versionada em git; o Canvas, no-code, para quem monta o fluxo visualmente sem escrever uma linha; e a criação por linguagem natural ou comando de voz, para quando o negócio quer testar uma variação sem abrir chamado com o time técnico. Um agente que levaria meses para nascer em código puro leva semanas com bons blocos prontos e dias dentro do AgentOS.

Timeline: o mesmo agente governado nasce em meses no código puro, semanas com blocos prontos e dias dentro do AgentOS.

A engenharia define os trilhos regulatórios, de custo e de aprovação, e é dentro deles que o negócio ganha liberdade para criar.

Por baixo das três portas roda sempre o mesmo runtime governado, executado sobre a JVM, com multi-tenancy nativa desde o primeiro turno da conversa. Um compilador interno, o Compilador Tess, traduz a descrição do agente (a AgentSpec) para a estrutura que o runtime executa (a GraphSpec). O runtime é determinístico e organizado em BSP: a cada superstep, os Atores do agente processam a mensagem, atualizam o próprio estado e avançam juntos, o que torna o replay byte a byte possível mesmo em produção. Cada agente roda como um Ator com um único mailbox, sem thread compartilhada com outro.

Arquitetura em camadas: da autoria ao adapter, o runtime governado no meio nunca fala direto com a infraestrutura.

Esse desenho escala de um piloto de algumas dezenas de conversas para uma frota de mais de dez mil agentes via ClusterSharding, sem reescrever a lógica para caber na escala. O runtime nunca fala direto com a infraestrutura: fala com Ports de domínio (LLM, Tools, Knowledge, Audit), e cada port é resolvido por um adapter substituível: Kafka para mensageria, Postgres e pgvector para dado relacional e vetorial, Drools por trás do port de regra que sustenta o BRMS. Trocar qualquer peça é trocar o adapter correspondente, sem tocar no código do agente. Em volta desse núcleo, RBAC, BRMS, trilha de auditoria imutável, FinOps, conectores corporativos e deployment seguro seguram a frota sob um único plano de controle.

Quando o canal do agente é a voz, essa mesma arquitetura sustenta o atendimento falado nativamente, sem precisar de uma integração por fora. O barge-in abaixo de 200 milissegundos deixa o cliente interromper o agente no meio da frase, como faria com um atendente humano. Na captura de dados de cartão, o ConsentGate pausa a gravação da chamada durante o trecho sensível, para que o áudio armazenado nunca contenha o número em texto, um requisito de conformidade PCI que muda a arquitetura da própria chamada. E o agente de voz roda sobre o CTI que o contact center já tem instalado, sem exigir a troca da central telefônica para acomodar a nova camada de atendimento por IA.

Onde os dados do agente moram é a última pergunta, e ela pertence à arquitetura de deployment. Cloud gerenciada resolve a maioria dos casos em dias. Setores mais regulados pedem outras opções: cloud dedicada, o ambiente do próprio cliente via BYOC ou, nos casos mais estritos de soberania de dados, operação on-premise ou air-gapped. E como a camada de modelos da Tessera é agnóstica de fornecedor, compatível com Anthropic, OpenAI, Google, Bedrock e modelos privados, trocar o LLM que roda por baixo do agente não obriga a reescrever nada da governança em volta.

O LangGraph leva o agente longe no protótipo, no nível de engenharia, e faz isso muito bem. Cruzar para a produção regulada é uma decisão diferente, de plataforma, e é aí que a Tessera AgentOS faz o trabalho inteiro: cobre a orquestração que um framework entrega e vai além dela, até a operação que um banco cobra.

Mapear essas cinco dimensões para o seu contexto regulado, do desenho à auditoria, é o trabalho que conduzimos com o AI Deployment Team: da arquitetura inicial ao primeiro agente operando em ambiente regulado, com o harness de controle desde o começo. Fale com nosso time de engenharia.

A decisão que sobra

Voltando à cobrança bancária, o agente continua negociando parcelamentos como negociava no protótipo, com o mesmo grafo de estados por trás da conversa. O que mudou é que agora, se ele aprovar um parcelamento incorreto hoje, o time de risco reconstrói a decisão inteira daqui a dois anos e a leva ao Banco Central como ela realmente aconteceu, com o registro de quem aprovou o agente, dentro de qual regra ele operou e quanto aquilo custou.

O que travou o projeto foi sempre uma questão de plataforma: quem aprova, quanto custa e como se audita. A resposta apareceu quando o time mudou de camada, saindo do framework e entrando na plataforma que sustenta essas garantias.

Sustentar essas três garantias é exatamente o que construímos na Tessera AgentOS, a plataforma de agentes governados da Sciensa: o agente nasce dentro dela, com RBAC, motor de regras, trilha de auditoria em cadeia de hash e quotas de custo já fazendo parte de como ele opera, para quem prefere partir de uma base pronta em vez de integrar a camada de governança fornecedor por fornecedor. Conheça a Tessera.

Próximos passos

Se você quer entender onde sua empresa está antes de decidir o próximo passo: comece pelos 5 Estágios de Maturidade em IA.

Se você ainda está avaliando por onde começar: faça o Enterprise Assessment e mapeie se a operação está pronta para investir agora.

Se o seu desafio é operar agentes com governança, custo e auditoria sob controle: conheça a Tessera, a plataforma de produção que reúne RBAC, BRMS, trilha imutável e FinOps no mesmo lugar.

Se você quer um agente em produção em ambiente regulado: fale com o AI Deployment Team, da arquitetura inicial ao primeiro agente operando sob governança.

Perguntas frequentes

A Tessera substitui o LangGraph? É a pergunta errada, porque as duas coisas resolvem fases diferentes. O LangGraph leva você longe no protótipo, no nível de engenharia. A Tessera AgentOS é a plataforma de produção: você constrói o agente dentro dela, seja em .tess, no Canvas ou por linguagem natural, com orquestração própria por baixo, e ganha RBAC, BRMS, auditoria imutável, FinOps e deployment seguro no mesmo lugar. Para quem vai levar o agente à produção regulada, a escolha é de plataforma, e a Tessera AgentOS cobre a orquestração e vai além dela, até a operação contínua.

Como funciona a arquitetura por baixo do AgentOS? As três portas de entrada (.tess, Canvas e linguagem natural) descrevem o mesmo agente, e o Compilador Tess traduz essa descrição, a AgentSpec, para a GraphSpec que o runtime executa. O runtime é determinístico, organizado em BSP sobre a JVM, com cada agente rodando como um Ator de mailbox próprio, o que permite replay byte a byte e escala para mais de dez mil agentes via ClusterSharding. Esse runtime nunca fala direto com a infraestrutura: fala com Ports de domínio (LLM, Tools, Knowledge, Audit), e cada port é resolvido por um adapter substituível, Kafka, Postgres, pgvector, Drools. Trocar qualquer peça é trocar o adapter, sem tocar no código do agente.

Quanto tempo leva para colocar um agente em produção regulada? Depende do modelo de deployment. Cloud gerenciada leva dias. Cloud dedicada, de uma a três semanas. Ambiente do próprio cliente via BYOC, de quatro a oito semanas. On-premise ou air-gapped, de um a dois meses, para os requisitos mais estritos de residência e isolamento de dados.

O agente de voz exige trocar o contact center? Não. O agente de voz roda sobre o CTI que o contact center já tem instalado, sem substituir a central telefônica. A mesma arquitetura do runtime sustenta o atendimento falado nativamente: o barge-in abaixo de 200 milissegundos deixa o cliente interromper o agente no meio da frase, e o ConsentGate pausa a gravação durante a captura de dados de cartão, para que o áudio armazenado nunca contenha o número em texto, atendendo ao requisito de conformidade PCI.

Preciso reescrever o agente para levar governança à produção? A versão que vai para produção regulada é construída na Tessera, onde guardrails, quotas, RBAC e trilha de auditoria já fazem parte de como o agente nasce. A governança vem embutida na plataforma que constrói e opera o agente, em vez de ser integrada peça por peça depois. Um protótipo em LangGraph cumpre bem o papel anterior, o de validar a lógica de orquestração no nível de engenharia.

Por que a maioria dos pilotos de agente trava antes da produção? O piloto prova a lógica em homologação, mas o que trava depois é operar dentro da empresa: governança de quem cria e aprova, custo sob controle, auditoria que um regulador inspeciona e um deployment que respeite a residência de dados. Esses quatro requisitos separam um agente que funciona de um agente que uma área regulada aceita colocar no ar.