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.
Uma das primeiras medidas adotadas por equipes que começam a usar IA generativa no trabalho é escrever um texto padrão sobre a empresa e incluí-lo automaticamente nas instruções do assistente. Esse texto informa o que a empresa vende, qual é o tom de voz, como se chamam os produtos e quais regras comerciais valem, e passa a acompanhar todas as conversas. A medida resolve parte do problema e cria outro, porque o assistente passa a conhecer as regras gerais da empresa sem conhecer a situação de nenhum cliente. O Company Brain atende a essa lacuna. Ele é a camada que conhece a empresa: quais dados existem, onde vivem, como se relacionam e quem pode ver o quê.
O texto padrão sobre a empresa cumpre bem uma função específica. Posicionamento, nomenclatura de produtos, tom de voz e diretrizes de marca mudam poucas vezes por ano, e mantê-los em um lugar único evita que cada pessoa escreva a própria versão. Quando esse material é incluído automaticamente nas instruções dos modelos, as equipes deixam de repetir orientações e obtêm textos mais alinhados à marca.
Esse tipo de contexto, no entanto, descreve a empresa em termos gerais. Ele informa que existe uma política de desconto para distribuidores, mas não informa qual desconto foi concedido ao distribuidor que acabou de telefonar, nem se esse distribuidor tem fatura em aberto.
A maior parte do trabalho que as empresas pretendem delegar a agentes de IA envolve um registro específico, como um cliente, um pedido, um contrato ou um chamado. Para responder se determinado cliente tem direito a um prazo, o agente precisa consultar o contrato vigente daquele cliente, o tipo de solicitação e o histórico de atendimento. Nenhuma dessas informações cabe em um texto padrão, porque cada uma pertence a um sistema diferente e muda ao longo do dia.
Quando o contexto disponível se limita à descrição geral da empresa, o modelo tende a aplicar a regra padrão ao caso específico. A resposta sai correta na forma e errada no conteúdo, e o erro só aparece quando alguém confere o contrato.
Esse efeito se agrava à medida que a empresa amplia o uso de IA. Cada nova equipe acrescenta às instruções as regras da própria área, e o texto passa a reunir exceções que se contradizem. Sem uma estrutura que indique a qual cliente, contrato ou produto cada regra se aplica, o modelo recebe um volume crescente de orientações gerais e continua sem acesso ao registro que responderia à pergunta. Nesse estágio, o Company Brain torna-se condição para que a IA opere sobre casos reais.
O Company Brain trata os dois tipos de contexto de maneira integrada. As definições estáveis continuam existindo, agora organizadas na ontologia do negócio, que registra o que cada termo significa na empresa. Ao lado delas, o grafo de conhecimento modela as entidades operacionais e as relações entre elas: o cliente que assinou o contrato, o pedido vinculado a esse contrato e o chamado aberto pelo mesmo cliente.
Com essa estrutura, a política de desconto passa a estar vinculada aos contratos em que foi aplicada e às contas que se enquadram nela. Quando alguém pergunta sobre o distribuidor que acabou de telefonar, a camada semântica traduz a pergunta em uma consulta ao registro daquele distribuidor, com a permissão de quem perguntou.
Incluir a descrição completa da empresa em todas as conversas também afeta o custo. Todo texto enviado ao modelo é cobrado em tokens, e as instruções fixas acompanham todas as chamadas, inclusive as que não precisam delas. À medida que o texto cresce para cobrir mais situações, cresce também o custo de cada interação.
A alternativa é enviar apenas o recorte que a pergunta exige. No Company Brain, o contexto é servido aos modelos por meio do MCP, um protocolo aberto que conecta modelos a fontes de dados, e cada chamada recebe as entidades e definições relevantes para aquela pergunta. O prompt fica menor, e tarefas que antes exigiam um modelo mais caro para compensar o excesso de texto passam a caber em modelos de custo menor.
Um texto padrão é igual para todos que o recebem. Isso funciona para diretrizes de marca e deixa de funcionar quando o contexto inclui informação restrita. A margem de um contrato, a situação financeira de um cliente ou a remuneração de uma equipe não podem circular no mesmo texto enviado a qualquer colaborador.
No Company Brain, a permissão é herdada do sistema de origem. Cada pessoa recebe, por meio do agente, apenas o que já pode ver no CRM, no ERP ou na gestão de contratos. Os dados permanecem no perímetro do cliente, e o modelo recebe no momento da pergunta o recorte autorizado para aquela pessoa.
A descrição institucional não precisa ser descartada. Ela passa a ser uma das fontes do Company Brain, ao lado dos sistemas transacionais, e segue como referência para tom de voz, nomenclatura e posicionamento. Muda o papel dela: deixa de ser todo o contexto disponível e passa a ser uma parte dele.
O pré-requisito é manter esse material com um responsável e uma data de revisão. Uma diretriz desatualizada que entra no Company Brain chega ao modelo com aparência de fonte oficial, e o erro se estende a todas as respostas que a utilizam.
Como ponto de partida, recomenda-se separar as perguntas que a equipe faz à IA em dois grupos: as que dependem apenas de informação institucional e as que dependem de um registro específico. O segundo grupo indica onde as instruções fixas deixaram de ser suficientes e onde o primeiro recorte do Company Brain deve começar.
Fale com um especialista da Strattum sobre Company Brain, ontologia do negócio e o contexto que seus agentes consomem a cada pergunta.