Durante muito tempo, falar sobre inteligência artificial era falar sobre o futuro.
Carros autônomos. Robôs. Máquinas capazes de aprender. Sistemas que poderiam transformar completamente a maneira como trabalhamos. E até mesmo a possibilidade de conversar naturalmente com uma máquina, fazendo perguntas e recebendo respostas como se estivéssemos conversando com outra pessoa.
Esse futuro chegou.
Hoje, sistemas de inteligência artificial já são capazes de analisar informações, identificar padrões, gerar conteúdo, interpretar imagens, processar linguagem, escrever código, apoiar decisões, executar tarefas e muito mais.
A inteligência artificial já não é uma promessa para o futuro. Ela faz parte do presente.
Mas existe uma pergunta que considero ainda mais importante:
Sua empresa realmente sabe como implementá-la?
Utilizar modelos de inteligência artificial generativa, como ChatGPT, Claude e Gemini, é relativamente fácil.
É possível abrir uma IA, escrever um comando e, em poucos segundos, obter uma resposta que há alguns anos exigiria muito mais tempo e trabalho.
Transformar essa capacidade em uma solução que realmente gere valor para uma empresa é outra história.
E é justamente nesse ponto que começa o verdadeiro desafio de implementar IA.
Antes da IA, vêm os dados
Antes de pensar em qual modelo utilizar, qual ferramenta contratar ou qual agente construir, existe uma pergunta que muitas empresas precisam responder:
Como estão os dados da minha empresa?
A inteligência artificial pode ser extremamente sofisticada. Mas ela não consegue transformar informações ruins em boas informações simplesmente por ser mais avançada.
Existe um princípio bastante conhecido na área de dados e Machine Learning:
Garbage in, garbage out.
Em outras palavras, se as informações que alimentam um sistema são ruins, incompletas, inconsistentes ou inadequadas, o resultado também pode ser comprometido.
Imagine uma empresa que queira utilizar Machine Learning para prever quais clientes têm maior probabilidade de cancelar um serviço.
Se os históricos estiverem incompletos, se os registros de cancelamento forem inconsistentes ou se informações importantes nunca tiverem sido coletadas, não adianta simplesmente escolher um algoritmo mais sofisticado.
O problema pode estar nos dados, e não no modelo.
E esse desafio não desaparece com a chegada da IA generativa.
Pelo contrário.
Quando uma empresa começa a construir aplicações de IA capazes de consultar documentos internos, responder perguntas sobre seus processos ou executar tarefas, a qualidade das informações disponíveis continua sendo fundamental.
Uma base de conhecimento desatualizada pode levar um sistema de RAG a recuperar informações desatualizadas ou inadequadas.
Documentos mal organizados podem dificultar a recuperação do contexto correto.
Informações conflitantes podem fazer com que diferentes fontes apresentem respostas diferentes.
E, quando uma IA passa a utilizar essas informações para executar tarefas, o impacto de um erro pode ser ainda maior.
Por isso, implementar IA não começa necessariamente pelo modelo.
Começa entendendo os dados, os processos e o conhecimento que a empresa possui.
Porque antes de perguntar:
“Qual inteligência artificial devemos utilizar?”
Talvez seja necessário perguntar:
“Nossas informações estão organizadas e disponíveis de forma adequada para o uso que pretendemos fazer da IA?”
E essa é uma das primeiras grandes barreiras entre experimentar IA e implementar IA de verdade.
A IA sabe muito sobre o mundo. Mas quanto ela sabe sobre sua empresa?
Os modelos de inteligência artificial generativa são treinados com volumes enormes de informação e conseguem trabalhar com uma variedade impressionante de assuntos.
Mas conhecer o mundo não significa conhecer você. Muito menos a sua empresa.
Um modelo pode conhecer milhões de informações sobre o mundo e, ainda assim, desconhecer aquilo que torna uma empresa única.
Ele pode saber explicar como funciona o mercado financeiro, mas não necessariamente conhecer as regras internas da sua instituição.
Pode conhecer milhares de empresas, mas não necessariamente conhecer seus processos, seus produtos ou a maneira como sua equipe trabalha.
Pode responder sobre um determinado setor, mas não ter acesso aos documentos, contratos, manuais e informações proprietárias da sua organização.
E existe ainda outro ponto importante: conhecimento não é apenas informação pública.
Grande parte do valor de uma empresa está justamente naquilo que não está disponível na internet.
Seus processos.
Suas decisões.
Seu histórico.
Seus documentos.
Seu relacionamento com clientes.
Seu conhecimento operacional.
Por isso, simplesmente escolher um modelo de linguagem mais poderoso não resolve o problema.
A questão passa a ser:
Como fazer com que um modelo de IA consiga trabalhar com o conhecimento da sua empresa?
Não basta ter acesso a um modelo poderoso.
É preciso fornecer ao modelo o contexto certo, no momento certo, para a tarefa certa.
É justamente aí que entram algumas das técnicas que estão moldando as aplicações modernas de IA.
Uma delas é o RAG, ou Retrieval-Augmented Generation.
RAG. Quando a IA passa a trabalhar com o conhecimento da empresa
Uma das formas de conectar a inteligência artificial ao conhecimento de uma organização é por meio do RAG, ou Retrieval-Augmented Generation.
De forma simplificada, o RAG permite que uma aplicação recupere informações relevantes de uma ou mais fontes de conhecimento e as disponibilize como contexto para o modelo antes da geração da resposta.
Podemos pensar nisso como uma prova com consulta.
Em vez de depender apenas do conhecimento que já possui, o sistema pode consultar uma fonte específica para encontrar a informação necessária antes de responder.
Imagine, por exemplo, um funcionário perguntando:
“Qual é o procedimento da empresa para aprovar esse tipo de solicitação?”
A aplicação pode buscar, dentro da documentação interna, o procedimento específico para aquele tipo de solicitação. Essa informação passa a fazer parte do contexto utilizado pelo modelo para gerar a resposta.
A partir desse contexto, o modelo pode construir uma resposta com base nos documentos, políticas e informações da própria empresa.
Isso muda bastante a aplicação da tecnologia.
A empresa deixa de utilizar a IA apenas como uma ferramenta de conhecimento geral e passa a construir uma aplicação capaz de trabalhar com seu próprio conhecimento.
Mas existe uma questão fundamental:
RAG não transforma automaticamente informação ruim em informação boa.
Se a documentação estiver desatualizada, incompleta ou mal estruturada, o sistema poderá recuperar informações inadequadas e gerar uma resposta igualmente problemática.
Por isso, voltamos novamente ao ponto anterior:
os dados continuam sendo fundamentais.
RAG não é simplesmente “colocar os documentos da empresa dentro da IA”.
É construir um sistema capaz de encontrar a informação relevante, fornecer o contexto adequado ao modelo e gerar uma resposta baseada nesse contexto.
E existe ainda um passo além.
Talvez a empresa não queira apenas uma IA que responda perguntas sobre seus processos.
Talvez queira uma IA capaz de agir sobre esses processos.
É aí que entram os agentes de IA.
Da IA que responde para a IA que age
Até aqui, falamos sobre sistemas capazes de consultar informações e utilizar esse conhecimento para responder perguntas.
Mas podemos ir além.
E se, em vez de apenas responder, a inteligência artificial também pudesse executar tarefas?
Imagine um cliente entrando em contato com uma empresa para solicitar a segunda via de um documento.
Em vez de apenas explicar onde encontrar o documento, um agente de IA poderia interpretar a solicitação, consultar as informações necessárias, acessar os sistemas da empresa, realizar a operação e entregar o resultado ao cliente.
Nesse cenário, a IA não está apenas respondendo a uma pergunta.
Ela está realizando uma tarefa.
É nesse contexto que entram os agentes de IA.
De forma simplificada, um agente é um sistema que utiliza um modelo de inteligência artificial para interpretar um objetivo, determinar quais ações são necessárias, utilizar ferramentas e executar essas ações para alcançar esse objetivo.
É aqui que entra um conceito fundamental: as tools, ou ferramentas de integração.
Um modelo de IA, por si só, não possui acesso aos sistemas internos da empresa. Para consultar um CRM, acessar um banco de dados ou executar uma ação em um sistema externo, é necessário conectá-lo às ferramentas e integrações adequadas.
Um agente pode receber acesso controlado a essas ferramentas e utilizá-las conforme as necessidades da tarefa e as regras definidas pela aplicação.
Por exemplo, diante de uma solicitação de um cliente, um agente poderia consultar o CRM, verificar seu histórico, acessar uma base de informações e, caso necessário, utilizar uma API para realizar determinada operação.
Isso também ajuda a entender uma diferença importante entre um chatbot tradicional e um agente de IA.
Um chatbot pode receber uma pergunta e gerar uma resposta:
“Seu pedido está em análise.”
Um agente pode ir além.
Ele pode consultar o sistema da empresa, verificar o status daquele pedido e, seguindo as regras definidas, executar a próxima ação necessária.
A diferença não está simplesmente na capacidade de conversar.
Está na capacidade de interagir com sistemas, utilizar ferramentas e executar ações para alcançar um objetivo.
Essa arquitetura pode ser ainda mais sofisticada. Um agente também não precisa necessariamente executar todo o processo sozinho.
Em aplicações mais complexas, diferentes agentes podem assumir responsabilidades específicas e trabalhar em conjunto. Um agente pode interpretar a solicitação, enquanto outro consulta informações ou executa uma tarefa específica. Em outros casos, um único agente, equipado com diferentes ferramentas, pode ser suficiente.
A arquitetura depende do problema que se pretende resolver.
Também podemos estabelecer guardrails, criando limites para determinar quais ações o agente pode executar, quais informações pode acessar e em quais situações precisa de aprovação.
Em processos mais sensíveis, podemos utilizar o conceito de human in the loop, mantendo uma pessoa responsável por revisar ou aprovar determinadas decisões antes que o sistema execute uma ação.
Esses mecanismos não diminuem o potencial dos agentes.
São justamente eles que permitem levar essa tecnologia para ambientes reais, onde existem processos, responsabilidades e regras de negócio.
No fim, implementar IA não significa simplesmente escolher um bom modelo, conectar algumas ferramentas e colocá-lo para funcionar. É preciso entender o problema, os dados, os processos, as pessoas e o nível de autonomia que aquela aplicação realmente precisa.
A inteligência artificial deixa de ser apenas uma ferramenta que nos ajuda a realizar uma tarefa.
A mudança, portanto, não está apenas no que a IA consegue responder. Está no que ela consegue fazer.
Ela começa a se tornar parte da própria execução do trabalho.
Atendimento, vendas, operações, suporte, análise de documentos e inúmeros outros processos podem passar a contar com sistemas capazes de interpretar objetivos, buscar informações, utilizar ferramentas e executar etapas de um processo.
Estamos começando a sair de uma era em que a IA apenas nos ajuda a fazer para uma era em que a IA também pode fazer por nós.
E essa mudança não significa simplesmente automatizar tarefas. Significa começar a redesenhar a forma como uma empresa trabalha.
A questão agora não é mais se as empresas vão utilizar inteligência artificial, mas como irão incorporá-la às suas operações.
Nos vemos na próxima. O futuro já começou.
Rafael Ribeiro
Colunista de Inteligência Artificial Estratégica.
