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.
Em resumo
Um sistema que cota fornecedores, abre incidentes de plantão ou envia a segunda via de uma fatura consulta sistemas, executa ações e encadeia etapas até concluir a tarefa. Esse tipo de sistema recebe o nome de agentes de IA. Montar um que funcione em demonstração ficou rápido. Levá-lo à produção e mantê-lo correto quando o dado, a regra de negócio e o modelo mudam é o trabalho mais longo, e ele depende do contexto que chega a cada etapa. Esse contexto é o que organiza o Company Brain, a camada que conhece a empresa: quais dados existem, onde vivem, como se relacionam e quem pode ver o quê.
Agentes de IA são sistemas em que um modelo de linguagem planeja as etapas de uma tarefa, chama ferramentas e lê o resultado de cada chamada. A partir desse resultado, o sistema seleciona a próxima ação. O ciclo se repete até a tarefa terminar ou um limite interromper a execução.
O padrão ganhou forma em 2022, quando pesquisadores da Princeton University e do Google propuseram intercalar o plano gerado pelo modelo com ações em ferramentas externas, em um trabalho chamado ReAct. Em uma requisição de compra, o agente lê o pedido interno, consulta os fornecedores homologados, solicita cotações, compara prazo e preço e monta a requisição para aprovação.
Os três termos aparecem juntos e descrevem sistemas distintos:
A arquitetura varia entre frameworks, e os mesmos blocos se repetem em todos os agentes de IA:
A anatomia da IA ajuda a localizar o problema. A boca é falar com IA, como chat e resumo. As mãos são agir com IA, com o agente que escreve no sistema. Os olhos são observar com IA, como transcrição e leitura de documento. O cérebro e a memória são o Company Brain.
Agentes de IA são mãos, e mãos sem cérebro executam sobre dado incompleto. Um agente de cobrança que consulta apenas o ERP envia a segunda via de uma fatura que o cliente pagou na véspera, porque a baixa ainda está no extrato bancário. A cobrança chega ao cliente, e alguém precisa explicar e desfazer.
No piloto, esse erro aparece pouco, porque alguém acompanha cada execução. Na produção, o volume cresce, as exceções aparecem e ninguém confere cada passo. É nesse ponto que muitos projetos travam.
O que faltou ao agente foi a ligação entre registros. No Company Brain, o grafo de conhecimento liga a fatura ao pagamento, ao cliente e ao contrato, mesmo quando cada registro vive em um sistema. A ontologia do negócio define o que é fatura em aberto nesta empresa, com a regra de conciliação acordada entre cobrança e controladoria. Esse contexto chega ao agente via MCP, o protocolo aberto que conecta modelos a fontes de dados.
O protótipo prova que a tarefa é possível com perguntas preparadas e um recorte de dados exportado na véspera. A passagem para a produção depende de decisões que o protótipo costuma deixar para depois.
Cada etapa do ciclo é uma chamada ao modelo, com o histórico das etapas anteriores na janela. Quando o agente precisa vasculhar vários sistemas para montar o quadro, cada busca vira uma chamada a mais, e o texto reenviado cresce a cada volta. O custo por token sobe com o número de etapas.
Com o contexto já resolvido pelo Company Brain, o agente recebe a fatura ligada ao pagamento em uma única consulta. Isso corta etapas de busca, reduz o texto de cada chamada e permite rodar parte das etapas em um modelo mais barato.
Cada ferramenta exposta ao agente é uma ação possível. Um agente de cobrança precisa consultar faturas, consultar pagamentos e gerar a segunda via. Uma ferramenta genérica de escrita no ERP amplia o que ele pode fazer de errado sem ampliar o que a tarefa exige. Ferramentas estreitas também facilitam o teste, porque cada uma tem entrada e saída conhecidas.
Um agente com credencial de serviço ampla enxerga tudo o que a credencial alcança, qualquer que seja a pessoa que o acionou. Com a permissão herdada da fonte, o agente acionado por uma analista enxerga o que ela já enxerga no ERP. Cada dado usado aponta a fonte, o que torna a ação auditável.
Uma ação errada custa mais que uma resposta errada. Um estorno indevido ou uma requisição duplicada geram retrabalho e, às vezes, contato com o cliente. Ações como pagamento, alteração de contrato e comunicação externa passam por revisão humana: o agente prepara a ação com as fontes que a sustentam, e uma pessoa aprova. Consultar e rascunhar rodam sem aprovação, porque podem ser desfeitos.
O primeiro agente funciona melhor em uma tarefa que se repete toda semana e cuja ação pode ser desfeita sem dano, como montar a requisição de compra para aprovação. A frequência gera volume para medir acerto e custo. A reversibilidade limita o prejuízo de cada erro enquanto a operação ganha prática.
Em produção, quatro coisas mudam ao mesmo tempo. As perguntas chegam escritas por pessoas reais, com abreviações e pedidos que misturam dois assuntos. O dado passa a ser o do dia, com cadastros incompletos e campos preenchidos de formas diferentes. As regras de negócio mudam por decisão de quem é dono delas, sem aviso ao time que construiu o agente. E o fornecedor do modelo publica versões novas.
Um agente que responde a revendedores sobre preço, prazo de pagamento e desconto por volume mostra o efeito. Três meses depois do lançamento, a tabela de preços mudou duas vezes e a política de desconto ganhou uma exceção regional. A rotina de quem opera agentes de IA nessa situação se parece mais com a de um time de produto do que com a de um projeto com data de entrega. Ela tem seis frentes:
Sem dono nomeado, cada área entende que a tarefa é da outra, e o agente segue respondendo com a regra do trimestre anterior.
Modelo e prompt mudam quando alguém resolve trocá-los. As fontes mudam por motivos alheios ao agente: o ERP ganha um campo, o financeiro cria uma categoria de prazo de pagamento, o comercial passa a registrar o desconto em outro lugar do CRM.
O efeito mais caro é a quebra silenciosa. Quando o financeiro divide o prazo padrão em duas categorias novas, o agente que buscava a categoria antiga continua respondendo. A resposta sai fluente, sem erro técnico e com a condição errada, enquanto o painel de disponibilidade mostra o sistema saudável.
Esse tipo de falha em agentes de IA só aparece quando alguém compara a resposta com a regra vigente. Por isso a avaliação com perguntas reais roda mesmo quando ninguém mexeu no agente.
Quando cada agente tem a própria integração com o ERP e as próprias regras no prompt, cada mudança na fonte exige revisar todos eles. Com três agentes consultando a política comercial, a mesma alteração é feita três vezes, por times diferentes, em datas diferentes.
No Company Brain, a definição de prazo de pagamento vive na ontologia do negócio, ligada aos registros do ERP pelo grafo de conhecimento. Quando o financeiro cria as categorias novas, a área atualiza a definição uma vez, e os agentes de IA que consultam o termo via MCP recebem a regra nova na consulta seguinte. O próximo agente também parte dessa camada, sem nova integração por sistema.
A permissão segue a mesma lógica. Se um gerente regional perde no ERP o acesso à margem de um produto, os agentes deixam de entregar essa margem a ele, sem ajuste em cada um.
Na investigação de um erro, a rastreabilidade encurta o caminho. Cada resposta aponta quais registros foram lidos e qual definição foi aplicada, e quem opera o agente identifica se o problema está na fonte, na regra ou no prompt.
O Company Brain entrega o que as fontes registram. Se o ERP lança a baixa com atraso, o contexto chega atrasado, e a correção acontece na origem.
A decisão sobre cada regra continua com a área dona dela, e alguém precisa registrar a mudança na ontologia quando ela acontece. A avaliação contínua também segue necessária, porque uma definição atualizada corretamente ainda produz respostas ruins se o prompt do agente pressupõe a regra antiga.
O ponto de partida prático junta a tarefa e a operação. Escolhida a tarefa frequente e reversível, as fontes de que ela depende são listadas e conectadas ao Company Brain antes de o agente ser construído. Em seguida, três definições entram no plano:
O segundo agente reaproveita as fontes conectadas, a parte do contexto que o primeiro deixou resolvida e a mesma rotina de avaliação.