Ir para conteúdo
be-human.ai
← Voltar ao blog

Infraestrutura de IA personalizada

Arquitetura independente de modelo: troca segura de IA para empresas

Mantenha memória, ferramentas e permissões fora do modelo para trocar de IA conforme ela melhora, sem refazer seus agentes. Um plano prático para líderes.

Capa tipográfica do Be Human com o título: Arquitetura independente de modelo: troca segura de IA para empresas
Ilustração conceitual criada com IA · Be Human

Uma arquitetura de superinteligência independente de modelo mantém a memória do agente, as ferramentas, as permissões e as regras operacionais da empresa em camadas que a própria empresa controla, e trata o modelo de linguagem como um componente substituível. Como o modelo fica atrás de uma interface definida, a equipe pode migrar depois para um modelo mais forte ou mais barato sem refazer os fluxos, registros e regras de aprovação que o cercam. As seções abaixo explicam onde traçar essa fronteira, como testar um modelo candidato e como conduzir a troca para que o agente continue funcionando para as pessoas que dependem dele.

Principais pontos

  • O modelo é um motor que você pode trocar, por isso o conhecimento e as regras de negócio do agente não podem viver apenas dentro dele.
  • Memória, definições de ferramentas e permissões devem ficar em camadas que você possui, consegue exportar e consegue revisar.
  • Os limites de aprovação devem ser aplicados pelo sistema ao redor, e não pelo julgamento do próprio modelo.
  • Teste cada modelo candidato com o mesmo conjunto de avaliação antes de ele tocar em trabalho real.
  • Mantenha um caminho de volta e um registro escrito de cada mudança, para que a decisão possa ser explicada depois.

Por que o modelo não deve guardar a memória do agente

Muitas primeiras tentativas de criar um agente de IA concentram quase tudo dentro de uma única sessão do fornecedor: as instruções, o histórico de clientes, a lista do que o agente pode fazer e as lições aprendidas com erros passados. Isso funciona até a empresa querer trocar de modelo. Nesse momento, a memória está presa ao formato de um provedor, as instruções foram ajustadas aos hábitos de um modelo e ninguém consegue dizer quais regras são regras de negócio e quais foram apenas uma redação acidental do prompt.

A memória deve ser tratada como dado da empresa, com dono definido. Parte dela é material de referência, como políticas e informações de produtos, que pode ser indexada e recuperada quando necessário. Outra parte é histórico operacional, como casos em aberto, exceções aprovadas e decisões anteriores, que exige regras claras de retenção. Um teste útil: se o modelo deixasse de estar disponível amanhã, sua equipe ainda conseguiria encontrar os registros que o agente usava? Se a resposta for não, a arquitetura depende do modelo mais do que deveria.

As quatro camadas que devem ser separadas

Uma arquitetura prática divide o agente em camadas que mudam em velocidades diferentes. O modelo muda com mais frequência. O arcabouço de execução e os contratos de ferramentas mudam menos. A memória cresce continuamente. As permissões só mudam quando o negócio decide que devem mudar.

  • Modelo: o motor de raciocínio que lê o contexto e propõe o próximo passo, escolhido e substituído conforme a capacidade e o custo mudam.
  • Arcabouço de execução: o código que monta o contexto, chama o modelo, confere as saídas contra um esquema e registra o que aconteceu.
  • Memória: registros aprovados, documentos de referência e resumos, cada um com dono, fonte e regra de retenção.
  • Ferramentas: ações nomeadas, como consultar o status de um pedido ou rascunhar uma solicitação de reembolso, cada uma com entradas tipadas, descrição clara e resultados registrados.
  • Permissões: regras que definem qual papel, canal ou fluxo pode usar qual ferramenta, aplicadas pela camada de ferramentas e não pelo prompt.

Para uma visão mais completa de como essas peças se relacionam, leia a camada de superinteligência explicada por camada. Na troca de modelos, o ponto central é que apenas a camada do modelo deveria mudar sem revisão das demais.

As ferramentas merecem uma interface padronizada. O Model Context Protocol descreve uma forma aberta de aplicações de IA se conectarem a ferramentas e fontes de dados externas, o que reduz o trabalho de conexão sob medida que cada modelo exigiria. Seja qual for o protocolo ou interface interna adotada, o contrato da ferramenta deve estar escrito na documentação da empresa, e não apenas na configuração de um fornecedor.

Como fazer a troca de modelo com segurança, passo a passo

A troca altera o motor, por isso deve seguir a mesma disciplina de qualquer mudança em um processo em operação. Os passos abaixo partem do pressuposto de que as quatro camadas já estão separadas. Se não estiverem, separá-las é a primeira tarefa, pois todas as etapas seguintes dependem disso.

  • Registre o papel do agente, as ferramentas aprovadas e os limites de aprovação em um único documento que não cite o modelo.
  • Congele as fontes de memória que o agente usa, registrando a versão ou a data de vigência de cada documento de referência.
  • Execute o modelo atual e o candidato sobre o mesmo conjunto de avaliação com tarefas reais, com contexto e ferramentas idênticos.
  • Compare os resultados pela conclusão das tarefas, pelo uso correto das ferramentas, pelo tratamento de pedidos proibidos e pelo comportamento de escalonamento, e não apenas pela fluência das respostas.
  • Confirme que o candidato não consegue chamar nenhuma ferramenta fora das regras de permissão, mesmo quando o texto de entrada pede isso.
  • Direcione primeiro o tráfego de baixo risco para o candidato, com o modelo anterior pronto para assumir imediatamente.
  • Registre a decisão, as evidências e os passos de reversão no histórico de mudanças antes de ampliar a implantação.

Cenário ilustrativo: trocar o modelo por trás de um agente de atendimento

Cenário ilustrativo: uma empresa de serviços usa um agente que responde perguntas rotineiras sobre agendamentos e rascunha respostas para um colaborador enviar. A equipe descobre que um modelo mais novo lida de forma mais confiável com documentos longos de política. Em um desenho bem separado, a troca toca apenas a configuração do modelo no arcabouço de execução. Os documentos de política continuam no repositório de memória, com donos nomeados, a ferramenta de consulta de agendamentos mantém seu esquema, e a regra de que o agente não pode emitir reembolsos continua nas permissões da ferramenta. O conjunto de avaliação, montado a partir de chamados passados que a equipe já havia revisado, mostra onde o novo modelo é melhor e onde ele rascunha respostas que quebram uma política. A equipe mantém o modelo antigo como alternativa durante um período de revisão e depois o desativa pelo histórico de mudanças.

Em um desenho emaranhado, a mesma equipe descobriria que a instrução sobre reembolsos existia apenas em um prompt longo, que a ferramenta de agendamento era descrita de maneira diferente para cada modelo e que o histórico antigo de conversas não podia ser lido pelo novo. A troca viraria então uma reconstrução, e não uma mudança de configuração.

Como testar um modelo candidato antes de ele tocar no trabalho?

Testar um modelo é diferente de demonstrá-lo. Uma demonstração mostra a melhor resposta para uma pergunta amigável. Uma avaliação mostra o que o agente faz nos casos comuns, complicados e proibidos que o negócio realmente enfrenta. Monte o conjunto a partir de tarefas passadas anonimizadas, inclua os casos em que a equipe corrigiu o agente e acrescente um grupo de pedidos que o agente deve recusar ou encaminhar. O guia de avaliações da OpenAI e os materiais da Anthropic sobre avaliação de agentes descrevem esse hábito de testar com tarefas realistas, e não com prompts isolados.

Avalie cada execução por resultados que um líder de finanças ou operações consegue acompanhar: se a tarefa foi concluída corretamente, se alguma chamada de ferramenta ficou fora da permissão, com que frequência uma pessoa precisou corrigir a saída e quanto custou executar cada tarefa concluída. O custo deve entrar na mesma disciplina de economia unitária de qualquer operação, em que o gasto é lido por unidade de trabalho útil e não por requisição. Mantenha o conjunto de avaliação sob controle de versão. Ele é o registro da empresa sobre o que é um bom resultado, e deve sobreviver a qualquer troca de modelo.

Mantendo as permissões fora do modelo

As permissões são a parte mais propensa a enfraquecer durante a troca de um modelo, porque um modelo novo pode seguir instruções de outra forma. O padrão seguro é deixar o modelo propor uma ação e deixar a camada de ferramentas decidir se essa ação é permitida para este usuário, canal e fluxo. As verificações de autorização pertencem ao código, aplicadas da mesma forma como um sistema as aplica a uma pessoa. As orientações de autorização do OWASP são uma referência útil para essa separação. O OWASP Top 10 para aplicações com LLM também inclui a injeção de prompt entre os principais riscos, por isso as ações permitidas ao agente nunca devem depender do que um e-mail ou documento recebido pede que ele faça. O NIST AI Risk Management Framework oferece um vocabulário comum para mapear e medir esses riscos à medida que o sistema muda.

Revise o conjunto de permissões em uma agenda fixa e confira cada ferramenta contra o limite de aprovação que o negócio definiu por escrito. Um ponto de partida prático é o método passo a passo para revisar permissões.

Como a Be Human mantém o limite no lugar

A Be Human projeta e opera esse tipo de estrutura em camadas para empresas que querem que seus agentes sobrevivam a qualquer modelo específico. O primeiro projeto define um papel útil, a memória e as ferramentas que esse papel precisa, os limites de aprovação e um critério de sucesso observável. Na operação gerenciada, a equipe mantém atualizados os registros das fontes de memória e dos contratos de ferramentas, executa avaliações recorrentes quando um novo modelo é considerado, revisa permissões, trata incidentes e aplica mudanças controladas com registro escrito. O objetivo é que a troca de modelo se torne uma decisão operacional que o cliente pode revisar, e não uma reconstrução que depende da memória de um único fornecedor sobre como o agente foi configurado.

Se você quer identificar a primeira tarefa que vale a pena entregar a um agente dentro desse tipo de estrutura, faça o diagnóstico gratuito de IA da Be Human.

Perguntas frequentes

Uma arquitetura independente de modelo significa evitar escolher um fornecedor de modelo? Não. Você ainda escolhe um fornecedor para cada tarefa, e pode usar mais de um. A diferença é que a escolha é reversível, porque a memória, as ferramentas e as permissões pertencem à empresa e ficam fora da sessão do fornecedor.

Com que frequência devemos considerar uma troca de modelo? Considere a troca quando o seu próprio conjunto de avaliação mostrar que um candidato tem desempenho melhor nas suas tarefas, ou quando mudarem custo, tratamento de dados ou exigências de política. Anúncios sozinhos não são motivo para alterar o comportamento em produção. Cada candidato deve conquistar seu lugar pelo mesmo teste usado para o modelo atual.

Podemos trocar de modelo sem treinar ou ajustar um modelo existente? Muitas vezes, sim. Quando a memória é recuperada em tempo de execução e as ferramentas são definidas em contratos próprios, a mudança normalmente acontece no arcabouço de execução e na avaliação. O ajuste fino é uma decisão separada, com custos e exigências de dados próprios, e não deve ser o caminho padrão para uma troca de modelo.

O que devemos perguntar a um fornecedor antes de assumir um compromisso? Pergunte se a memória e as definições de ferramentas podem ser exportadas em formato aberto, se as permissões são aplicadas fora do modelo e se os registros de cada ação do agente ficam disponíveis para a sua equipe. Essas respostas mostram se a arquitetura é da empresa ou alugada. Para uma lista mais ampla, veja como reduzir a dependência de fornecedor em agentes de negócio.

Seu próximo passo

Descubra primeiro onde um agente de IA cabe na sua empresa.

Faça o diagnóstico gratuito de IA da Be Human. Algumas perguntas sobre o seu trabalho mostram qual tarefa entregar primeiro a um agente, o que ele precisa saber e onde uma pessoa aprova.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.

Menos tarefas. Mais espaço para você.

Traga o trabalho para o qual falta tempo.

Agende uma conversa e teste 7 dias grátis um agente de IA personalizado ↗Ou faça o diagnóstico gratuito de IA →