Um CRM agêntico é um sistema de clientes onde o software, e não o rep, é o autor principal do registro e quem inicia a próxima ação. Os agentes observam a evidência bruta — calls, email, calendário, eventos de produto —, escrevem eles mesmos os campos de conta e de oportunidade e então agem dentro de um escopo que você concedeu: redigir o follow-up, mover o estágio, abrir a tarefa de renovação. O sistema de registro deixa de ser um lugar onde as pessoas digitam e passa a ser algo que roda quer alguém faça login ou não.
Não é um CRM com um assistente de AI na barra lateral. Um botão de resumo, um redator de emails e um painel de “o que mudou nesta conta” são todos recursos de request-response: um humano decide que algo precisa ser feito, pergunta, lê e mesmo assim digita o resultado num campo. Isso é um sistema de registro com recursos de AI, e todo CRM grande já lançou um. A distinção não está em quão bom é o modelo. Está em quem segura a caneta.
O teste de uma pergunta só
Escolha uma semana e pergunte como fica seu pipeline se nenhum rep abrir o CRM. Num sistema de registro, a resposta é que o pipeline congela — estágios desatualizados, next-steps vazios, nenhuma call registrada, porque o registro só reflete o que os humanos tiveram tempo de lançar. Num CRM agêntico, a resposta é que o registro se moveu assim mesmo: as calls foram anexadas à oportunidade certa, o estágio avançou ou recuou conforme o que foi dito, e os follow-ups saíram.
Esse teste também expõe o marketing. Se a história agêntica de um fornecedor se reduz a “seus reps vão digitar menos porque a gente pré-preenche o formulário”, o humano continua sendo o autor e o agente é um autocomplete. Útil, mas com preço e governança de recurso, não de trabalhador.
Duas arquiteturas usam o mesmo rótulo
A camada de agentes por cima. A Rox fica acima do CRM que você já opera em vez de substituí-lo — o próprio site descreve a integração com “Salesforce, HubSpot, Gmail, Microsoft Outlook, Slack, and others” e coloca o produto como um stack de AI aplicada para receita autônoma, com agentes por conta cuidando de research, monitoramento, outreach e escrita de volta. Nada migra. Seus registros ficam onde estão e os agentes trabalham sobre eles.
O CRM AI-native por baixo. A Day.ai constrói o próprio modelo de objetos e posiciona os agentes como a força de trabalho sobre ele, com arquétipos como um CRM Data Specialist que “read the transcript, find the Opportunity it belongs to, and move it to exactly the stage the conversation earned”, além de papéis de analista de RevOps, sales engineer e BDR. Aqui o registro em si é novo, o que é uma migração, não uma instalação.
A versão dos incumbentes. Salesforce Agentforce e o Agent Hub da HubSpot — o rebranding de julho de 2026 do que saiu como Breeze Agents — parafusam um runtime de agentes no sistema de registro que você já comprou. A vantagem é que o modelo de dados, as permissões e a superfície de auditoria são os que seus admins já conhecem. O custo é que o agente herda toda a dívida de schema que você acumulou.
A decisão de compra é basicamente esta: você está substituindo o registro ou alugando mão de obra sobre ele? Um time com dois anos de customização em Salesforce e uma superfície de compliance está alugando mão de obra. Uma empresa de 15 pessoas cujo CRM ninguém confia o suficiente para fazer forecast está substituindo o registro.
A unidade de cobrança é o indício
Nada expõe a mudança de categoria mais rápido do que a tabela de preços. Verificado em 2026-08-06:
- Day.ai cobra por agente implantado, não por pessoa: Free, Turbo a $25/mês, Professional a $60/mês, Executive a $200/mês, com 2, 5 e 10 automated skill slots respectivamente e 20% de desconto no anual. A própria página diz “no per-seat fees, no usage-based pricing”.
- Salesforce Agentforce cobra a Agentforce User License a $5/usuário/mês e a marca como “Requires Flex Credits” — o assento agora é uma pequena taxa de acesso na frente de um medidor. Os Flex Credits são fungíveis entre actions, prompts, translations e voice actions, vendidos em blocos de $500, e os próprios exemplos da Salesforce avaliam cada crédito em meio centavo: 40 créditos por request, 20 requests por dia, 30 dias, dá 24.000 créditos e $120 por mês. A cobrança por conversa fica em $2 por conversa.
- A HubSpot foi para outcome-based: $0.50 por conversa que o customer agent resolve (50 créditos) e $1.00 por lead que o prospecting agent recomenda (100 créditos), o que coloca o crédito da HubSpot em um centavo.
- A Attio mostra o híbrido com clareza — os assentos continuam existindo a $35 (Plus) e $79 (Pro) por usuário/mês faturado no anual, mas cada assento carrega uma cota de créditos de 100, 500, 1.000 e 2.500 por usuário/mês em Free, Plus, Pro e Enterprise, com créditos de workspace extras vendidos à parte.
Leia os quatro juntos e o padrão é que a contagem de assentos deixa de prever a fatura. Orce o piloto sobre unidades de trabalho no seu volume real — resoluções, leads recomendados, execuções de agente, créditos — porque um modelo baseado em headcount não dá nenhum sinal do que custa um trimestre cheio.
Perguntas de diagnóstico para um fornecedor
- Quem escreveu este campo? Peça para ver um registro onde os valores escritos pelo agente e por humanos sejam distinguíveis na UI e no export. Se não forem, seu histórico de pipeline vira silenciosamente output de modelo.
- Que escopos de escrita o agente tem, e posso rodar só-leitura primeiro? Um modo dry-run ou de proposta que enfileira mudanças para aprovação é a diferença entre um piloto e um incidente.
- O que acontece no hand-off? Quando o agente de research passa para o agente de outreach, nomeie qual deles é dono do estado e onde fica o portão humano. Vários agentes compartilhando uma lista de tarefas é orquestração; vários agentes compartilhando um logo é um bundle de recursos.
- Quanto custa uma unidade de trabalho no nosso volume? Consiga o número para a sua contagem mensal de conversas, leads ou execuções — não o preço de tabela.
- Dá para colocar teto? Peça limites mensais de execução por agente. A própria orientação da HubSpot de revisar os custos estimados em créditos e definir limites mensais de execução é o indício de que execuções sem teto são um modo de falha real.
- O que sobrevive a uma auditoria? Os logs de ação dizem o que mudou. Você precisa da evidência sobre a qual o agente agiu, vinculada ao registro, ou “o modelo decidiu” é toda a sua explicação.
Watch-outs, cada um com sua proteção
Histórico escrito por agente contamina sua analytics. Se um agente avança estágios, suas taxas de conversão por estágio passam a medir o julgamento do agente em vez do comportamento do comprador. Proteção: mantenha uma marca de proveniência por campo e reconstrua o reporting de forecast e conversão para filtrar ou segmentar por ela antes de confiar em um trimestre.
A autonomia ultrapassa sua qualidade de dados. Um agente agindo sobre uma conta duplicada ou um campo de owner desatualizado age com confiança e errado na velocidade da máquina. Proteção: rode antes a passada de higiene de CRM; um backlog de deduplicação é pré-requisito, não follow-up.
O medidor não tem teto por padrão. Cobrança por consumo transforma um trimestre cheio numa variação de orçamento que ninguém aprovou. Proteção: defina tetos de execução por agente no dia um e reconcilie o relatório de uso do fornecedor com a sua própria contagem de eventos todo mês.
As definições de estágio viram prompts do modelo. Assim que um agente move oportunidades, seus critérios escritos de estágio são a especificação que o modelo executa. Proteção: reescreva as definições de estágio do deal como testes de evidência que o agente consiga satisfazer — um estágio exige um artefato vinculado, não um feeling.
Quando você realmente precisa de um
Compre agêntico quando a lacuna que você fecha é trabalho não registrado: reps que fazem boas calls e não registram nada, contas que ninguém tocou em 60 dias, renovações que aparecem uma semana atrasadas. Essa é a falha que um agente resolve diretamente, e é uma falha que um formulário melhor nunca resolveu.
Pule quando o seu problema é de processo ou de schema. Se os deals travam porque as aprovações levam nove dias, ou seu pipeline está errado porque três times definem “qualificado” de formas diferentes, um agente vai executar essa ambiguidade mais rápido e produzir uma versão mais confiante da mesma bagunça. Conserte as definições e só então entregue ao agente.
Para o padrão geral por trás desta categoria, veja o que faz um agente de AI para ops e AI agent vs RPA.