Function calling: como a IA executa ações no seu sistema

Function calling é o que separa um chatbot que só conversa de uma IA que realmente faz: consulta um pedido, agenda um horário, atualiza um cadastro. Sem isso, o modelo é um bom redator preso dentro da caixa de texto — responde bonito, mas não toca em nenhum sistema seu.

A diferença aparece na prática. Um assistente que responde 'seu pedido deve chegar em alguns dias' está chutando. Um que chama a API da transportadora, lê o rastreio e responde 'sai para entrega amanhã, entre 8h e 12h' está executando. O segundo resolve o cliente ali; o primeiro empurra para o atendimento humano. Function calling — ou tool use — é o mecanismo que leva o modelo de um lado ao outro.

O que é function calling, sem enrolação

Você descreve para o modelo um conjunto de ferramentas — cada uma com nome, descrição e um schema de entrada (quais campos, de que tipo). O modelo lê o pedido do usuário e as descrições e decide se alguma ferramenta ajuda. Quando decide que sim, ele não responde em texto: devolve um pedido estruturado dizendo qual função quer chamar e com quais parâmetros. É assim que a documentação da Anthropic e da OpenAI define o fluxo — o modelo escolhe, o seu código executa.

O loop de tool use, passo a passo

Uma ação da IA quase nunca é uma chamada só — é um ciclo. Entender esse loop é o que evita construir um agente que trava no meio da tarefa.

• Você envia ao modelo o pedido do usuário mais a lista de ferramentas disponíveis, cada uma com nome, descrição e schema.
• O modelo responde pedindo uma ou mais ferramentas, já com os parâmetros preenchidos (ex.: consultar_pedido com número 4821).
• Sua aplicação executa a função de verdade — bate no banco, chama a API, grava no ERP — e captura o resultado.
• Você devolve o resultado ao modelo na mesma conversa, e ele decide: chamar outra ferramenta ou já responder ao usuário em texto.
• O ciclo repete até a tarefa fechar. Um bom agente sabe a hora de parar de chamar ferramentas e responder.

Client tools e server tools

Vale distinguir onde o código roda. As client tools — as suas funções, que batem no seu banco ou ERP — executam na sua infraestrutura: você mantém o controle e os dados. As server tools, como a busca na web da Anthropic, rodam na infra do provedor e já voltam com o resultado embutido na resposta. Para automação de negócio, o grosso são client tools: é assim que a IA toca nos seus sistemas sem que você entregue o comando a ninguém.

O gargalo real não é conversar — é confiabilidade

Escolher a ferramenta certa é fácil num exemplo de demonstração. O problema aparece quando há vinte ferramentas parecidas e o parâmetro precisa vir no formato exato. Foi para medir isso que a UC Berkeley criou o Berkeley Function-Calling Leaderboard (BFCL), apresentado no ICML 2025: cerca de 2.500 casos que testam chamada única, múltiplas ferramentas e chamadas paralelas, avaliando se o modelo escolhe a função certa e monta argumentos válidos.

E há um número que muda o projeto: segundo a OpenAI, ativar a saída estruturada (modo strict) faz os argumentos baterem 100% com o schema definido, contra cerca de 86% no function calling padrão. Esses 14 pontos são a fronteira entre um agente que você coloca em produção e um que quebra quando o cliente digita algo fora do esperado. Restringir a saída ao schema não é luxo — é o que torna a automação confiável.

Onde function calling vira dinheiro

O caso mais direto é o atendimento. Um assistente com tool use consulta o histórico do cliente, verifica a disponibilidade na agenda e marca o horário — tudo dentro da mesma conversa, sem transferir para um humano. A documentação da Anthropic mostra exatamente esse padrão em agentes de suporte: o modelo checa o pedido, chama a ferramenta de agendamento e confirma. É o que separa um chatbot de atendimento que resolve de um que só coleta e-mail.

Chamadas paralelas cortam o tempo de resposta

Os modelos Claude 4 e superiores fazem chamadas paralelas de forma nativa: se para responder o modelo precisa do histórico do pedido e da política de troca ao mesmo tempo, ele pede as duas ferramentas de uma vez, em vez de esperar uma terminar para pedir a outra. Na prática, menos espera para o cliente e menos chamadas encadeadas para você pagar. Quando o número de ferramentas cresce, a Anthropic ainda oferece o Tool Search, que carrega só as definições relevantes sob demanda — dá para ter centenas de ferramentas sem estourar a janela de contexto.

Como implementar sem se enrolar

Function calling parece mágica na demo e vira dor de cabeça em produção quando alguns cuidados são ignorados. A ordem que costuma funcionar:

• Escreva a descrição de cada ferramenta como se fosse para um estagiário: o modelo escolhe pela descrição, então ambiguidade vira erro de escolha.
• Ative a saída estruturada (strict / JSON schema) sempre que o provedor oferecer — é o que garante argumentos válidos e menos retrabalho.
• Trate toda chamada de ferramenta como não confiável: valide os parâmetros no seu código antes de executar, principalmente em ações que mexem em dinheiro ou dados.
• Comece com poucas ferramentas bem definidas. Vinte funções parecidas confundem o modelo mais do que ajudam.
• Registre cada chamada (qual ferramenta, quais argumentos, qual resultado) — sem esse log você não depura um agente que errou.
• No início, dê à IA permissão só para ações reversíveis; ações críticas como estorno e exclusão passam por confirmação humana até você confiar nos números.

Um chatbot que só conversa impressiona na demonstração. Um que executa a ação certa, com o parâmetro certo, na hora certa, é o que reduz custo de atendimento. A diferença entre os dois tem nome: function calling bem feito.

Se você já tem um chatbot que só responde e quer que ele comece a resolver — consultar pedido, agendar, atualizar sistema —, o caminho passa por function calling ligado aos seus sistemas via integrações via API e automação com IA. A VELTRIX faz um diagnóstico gratuito: a gente mapeia quais ações do seu atendimento dá para automatizar primeiro e quais é melhor deixar com confirmação humana. Manda seu caso que a gente mostra por onde começar.