O problema

A eco3e sustenta os programas de reciclagem E+ Reciclagem e Ecoenel, das concessionárias Enel e Equatorial, em múltiplos estados. O fluxo é simples de descrever e delicado de operar: o cliente entrega material reciclável, o material é pesado, a pesagem gera uma bonificação, e essa bonificação vira crédito automático na conta de energia do cliente. Ou seja: cada etapa do sistema, direta ou indiretamente, movimenta dinheiro real de terceiros — e faz isso em múltiplos estados, cada um com suas particularidades operacionais.

Isso muda completamente o tipo de decisão de arquitetura que se pode tomar. Um erro de automação aqui não é só um bug — é um crédito incorreto na conta de um cliente de uma concessionária de energia.

Decisões de arquitetura

A decisão central foi tratar o fluxo como uma sequência de estágios auditáveis e versionados — coleta, pesagem, cálculo de bonificação e crédito em conta — em vez de um processo único de ponta a ponta. Cada estágio registra o que recebeu, o que decidiu e por quê, criando uma trilha que pode ser reconstituída depois, caso uma concessionária ou um cliente questione um crédito.

Os agentes de IA entram nesse fluxo na camada de auditoria e validação — conferindo fotos e documentos de pesagem, cruzando dados entre etapas e sinalizando inconsistências — e não na camada de decisão final de liberar o crédito. Essa foi uma escolha deliberada: dado o risco financeiro direto ao consumidor, o sistema foi desenhado para que a IA acelere a detecção de anomalias, mas a liberação segue regras determinísticas e auditáveis, não uma inferência probabilística de um modelo.

A outra decisão importante foi de modelagem multi-tenant: operar em múltiplos estados e concessionárias significa regras de negócio diferentes (percentuais de bonificação, tetos, documentação exigida) para clientes diferentes. Em vez de duplicar código por concessionária/estado, o sistema parametriza essas regras, mantendo a lógica central única e as variações isoladas em configuração.

Quando o sistema mexe em dinheiro de terceiros, a pergunta certa não é "como automatizar 100%", é "como tornar cada decisão auditável".

Desafios & aprendizados

O maior aprendizado foi entender que, em sistemas com impacto financeiro direto, confiabilidade e auditabilidade pesam mais do que velocidade de automação total. Foi tentador, no início, buscar o fluxo 100% automático do início ao fim; a decisão certa foi manter pontos de verificação e uma trilha de auditoria completa desde o primeiro dia, mesmo que isso significasse um pouco mais de latência entre a pesagem e o crédito.

Outro aprendizado foi sobre parametrização de regras de negócio: a tentação inicial de resolver a diferença entre estados com condicionais espalhadas pelo código teria virado dívida técnica rapidamente à medida que novas concessionárias e estados entrassem no programa. Isolar essas regras em configuração, desde cedo, evitou essa explosão de complexidade quando a operação escalou.

Por fim, ficou claro que auditoria digital não é feature, é requisito de arquitetura em qualquer sistema que toque dinheiro de terceiros — e isso precisa ser decidido no desenho inicial, não adicionado depois como camada de compliance.

Resultado

A plataforma sustenta hoje a operação de reciclagem em escala para grandes concessionárias de energia, automatizou o processamento de bonificações eliminando etapas manuais e mantém auditoria digital completa de todo o ciclo — da coleta ao crédito na conta do cliente.

Stack utilizada

Python, AWS, LLMs e agentes autônomos para a camada de auditoria, com automação documental para validação de fotos e comprovantes de pesagem.