Arthur Guttilla Head of Product Marketing, Strattum Com passagens na Amazon Web Services e no Google, Guttilla trabalhou diretamente com fundadores de startups e empresas de capital de risco, compreendendo as necessidades de empresas tecnológicas em estágio inicial na interseção entre tecnologia e negócios.
Você contratou uma IA, plugou um agente no atendimento e mandou o time testar. Três meses depois o agente responde com fluência sobre um negócio que ele não conhece: promete um prazo que não é o SLA daquele contrato, não vê a fatura em aberto e trata como conta nova um cliente que já saiu reclamando uma vez.
O agente escreve bem porque escrever é o que o modelo faz bem. Ele erra o resto porque ninguém contou a ele que a empresa tem contrato desde 2023, SLA de 4 horas e uma fatura vencida no financeiro. Os três fatos existem, cada um em um sistema, e nenhum chegou até ele.
A camada que resolve isso é o que chamamos de Company Brain: o que a empresa sabe, onde esse dado vive, como um registro se liga ao outro e quem pode ver o quê.
Dá para separar o que o mercado vende hoje em quatro partes, e cada uma atende a uma pergunta que a empresa já faz em voz alta. Três delas sua empresa provavelmente já comprou.
Cada peça sozinha falha de um jeito previsível.
O efeito de começar pelo cérebro aparece nos outros itens. Com dados organizados para criar o contexto estruturado embaixo, o mesmo chatbot passa a responder sobre o negócio, o mesmo agente passa a agir sobre dado completo e o mesmo monitoramento passa a dizer de onde veio cada leitura.
O grafo de conhecimento modela as entidades do negócio e as relações entre elas: cliente, contrato, ticket, pedido, pessoa. É o que permite saber que aquele ticket é do mesmo cliente do contrato que vence em março e do pedido que atrasou na semana passada.
A ontologia do negócio diz o que cada termo significa nesta empresa específica. Pergunte a três times o que é "cliente ativo" e você recebe três respostas:
Pela definição de vendas, a empresa é cliente ativo. Pela de finanças, não é. Sem ontologia, a IA responde com uma das três e não diz qual usou.
A camada semântica traduz a pergunta em linguagem natural para os dados corretos, com a permissão correta. É ela que transforma "quanto esse cliente deve" em uma consulta que respeita o que aquela pessoa já enxerga no ERP.
Um repositório guarda o contrato da empresa e devolve o arquivo quando alguém pede. Uma memória sabe que aquele contrato governa o SLA do ticket de hoje e vence em março. A relação entre os registros é o que o grafo acrescenta ao arquivo.
Integração ponto a ponto move informação de um sistema para outro. É o primeiro passo, e ainda não é um Company Brain, porque nada no pipe diz o que significa "cliente ativo" nem quem tem direito de ver a fatura daquela conta.
O mesmo vale para RAG solto. Ele entrega bem no primeiro caso de uso e trava no segundo, quando a pergunta exige cruzar entidades de sistemas diferentes e a busca por similaridade devolve o trecho parecido em lugar do registro certo.
Mais de 40% dos projetos de IA agêntica devem ser cancelados até o fim de 2027, segundo projeção da Gartner de junho de 2025. A maioria dos pilotos empresariais para exatamente neste ponto: o modelo está pronto, a interface está pronta, e o contexto continua espalhado em silo. O que separa o piloto da produção é ter um Company Brain no meio, resolvendo a quem pertence cada registro antes de a resposta sair.
O contexto chega ao modelo por MCP, um protocolo aberto de conexão entre modelos e fontes de dado. Nenhuma cópia da base entra no provedor do modelo: os dados permanecem no perímetro da empresa e o modelo consulta o que precisa, na hora em que precisa.
Isso muda quem manda no acesso. Cada pessoa recebe pelo agente apenas o dado que o perfil dela já enxerga no sistema de origem, com a permissão herdada da fonte. Quem não vê a fatura da empresa no ERP também não vê pelo chat. E cada resposta aponta de qual sistema o dado veio, o que torna a saída revisável por quem entende do assunto.
Dois pilares do Company Brain pesam na implementação.
Velocidade de implementação: as fontes são conectadas uma vez. O segundo caso de uso parte do grafo e da ontologia que já existem, em vez de abrir uma rodada nova de integração. O terceiro parte do segundo.
Custo: contexto que chega organizado é contexto menor. Menos token por chamada, menos retrabalho de prompt, e a chance de rodar a mesma tarefa em um modelo mais barato, porque a dificuldade saiu do raciocínio do modelo e foi para a camada que prepara o dado.
Um Company Brain não substitui o time de dados. Modelar entidade e fechar a definição de um termo é trabalho de gente que conhece o negócio, e a primeira versão da ontologia vai estar errada em algum ponto. Isso se corrige com uso, à medida que as perguntas reais mostram onde a modelagem não bate com a operação.
Ele também não resolve fonte que não existe. Se o histórico de conversa com o cliente vive só na cabeça do vendedor, o grafo não tem o que ligar.
E ele não acaba com a alucinação. Falta de contexto é uma das causas de resposta inventada, e é a causa que dá para atacar com arquitetura.
São cinco degraus de autonomia. Com o mesmo ticket, podemos olhar para essas camadas:
Do terceiro degrau para cima, cada um se apoia no segundo. Comprar agente com o segundo degrau vazio dá um piloto que funciona na demonstração e erra quando encontra a primeira conta real.
Escolha uma pergunta que hoje atravessa quatro sistemas e leva dois dias para ter resposta. Antes de fechar o recorte, confira três coisas: se ela reaparece toda semana, se você consegue explicar a regra dela para alguém novo em poucos minutos e se existe um sistema onde a informação certa mora. Se a resposta só existe na cabeça de alguém, o primeiro projeto é registrar essa fonte.
Liste as entidades que a pergunta toca e os termos que cada time define de um jeito diferente. Esse trabalho fica mais caro com o tempo: cada sistema novo, cada planilha paralela e cada definição divergente entram na conta de quem for organizar depois.
Na Strattum, é assim que a gente entra: uma pergunta real, as fontes que ela exige, e o contexto modelado para servir também as próximas trinta perguntas. Se você quiser testar o recorte da sua pergunta com a gente, fale com o time da Strattum.
Agende uma conversa de 30 minutos. Mostramos a Strattum operando sobre sistemas como os seus.