Infraestrutura de IA personalizada
Ciclo de composição da superinteligência: como feedback vira capacidade
Correções, avaliações e memória limpa geram capacidade duradoura quando modelos mais fortes chegam. Um ciclo prático para líderes de operação rodar.

A superinteligência se acumula na empresa quando cada correção, cada resultado de avaliação e cada registro de memória limpa é guardado de um jeito que o próximo modelo consegue usar. A capacidade não fica só no modelo. Ela se acumula nos registros, nos testes e nas permissões ao redor do modelo, de modo que um modelo mais forte que chega depois herda um sistema que já funciona, em vez de começar do zero. As seções abaixo explicam esse ciclo e como rodá-lo de forma intencional.
Principais pontos
- A composição vem de um ciclo: uma correção é registrada, testada, guardada como memória limpa e reutilizada.
- Um modelo mais forte só ajuda se os registros, as avaliações e as permissões ao redor dele estiverem prontos para recebê-lo.
- Avaliações transformam opiniões sobre qualidade em evidência repetível, que você consegue comparar entre versões de modelo.
- Toda correção precisa de um dono, de um motivo e de um lugar na memória, senão continua sendo um conserto pontual.
- Aumente a autonomia em etapas ligadas a evidências do ciclo, não ao entusiasmo por um lançamento novo.
O que é de fato o ciclo de composição
O ciclo tem seis etapas, e cada uma alimenta a seguinte. Primeiro, o agente produz trabalho: uma resposta, um rascunho, a atualização de um chamado ou uma ação agendada. Segundo, uma pessoa verifica e aceita ou corrige. Terceiro, a correção é classificada e registrada com sua origem. Quarto, o caso entra em um conjunto de avaliação fixo, para que a mesma falha possa ser testada de novo. Quinto, o conhecimento corrigido é gravado na memória que o agente lê, com seu dono e a data da última confirmação. Sexto, a próxima rodada de avaliação mostra se a mudança ajudou, e o ciclo recomeça.
A palavra importante é registrada. A maioria das empresas já corrige suas ferramentas de IA o tempo todo, mas faz isso em conversas de chat, em mensagens privadas ou na cabeça das pessoas que perceberam o problema. A correção é real, mas não viaja. No mês seguinte, o mesmo erro aparece, e a mesma pessoa gasta os mesmos minutos para corrigi-lo de novo.
A lógica de observabilidade ajuda aqui. A introdução do OpenTelemetry sobre observabilidade descreve como a telemetria, com traces, métricas e logs, permite que as equipes vejam o que um sistema fez e por quê. Um agente gerenciado precisa do equivalente: um rastro que mostre o que lhe foi pedido, o que ele leu, o que fez e qual pessoa mudou o resultado. Sem esse rastro, não há o que compor. A visão trimestral desse mesmo ciclo está em Revisão trimestral de IA na empresa: manter, corrigir ou encerrar.
Por que modelos mais fortes não se acumulam sozinhos
Um modelo mais novo normalmente raciocina melhor, segue instruções com mais confiabilidade e lida com tarefas mais longas. Esses ganhos são reais. Mas um modelo não consegue saber as exceções de reembolso da sua empresa, a forma de escrever que funciona com um cliente difícil ou o fato de que um fornecedor agora precisa de um prazo de entrega diferente, a menos que esse conhecimento seja fornecido e mantido atualizado.
Sem um ciclo, um modelo mais forte é um motor melhor que ainda precisa ouvir as mesmas coisas de novo. A empresa continua pagando o custo de explicar tudo outra vez. Com um ciclo, o mesmo modelo começa com as correções já absorvidas, as falhas já no conjunto de testes e as permissões já revisadas. A atualização soma ao trabalho acumulado, em vez de substituí-lo.
Isso muda a pergunta que os líderes devem fazer. A pergunta útil não é apenas qual modelo você usa, mas o que a empresa mantém quando o modelo muda. Se a resposta for nada, cada atualização é um recomeço parcial. Se a resposta for um conjunto governado de registros, testes e regras, cada atualização começa de um ponto mais alto que a anterior.
Transformar correções em memória durável
Nem toda correção merece virar memória. Um erro de digitação em um rascunho é ruído. Uma regra de que certo tipo de contrato sempre exige revisão jurídica é conhecimento durável. Separe as correções em poucos grupos antes de gravar qualquer coisa: correções factuais, em que o agente tinha uma informação errada; exceções de política, em que uma regra tem uma condição; preferências de estilo; e erros de ferramenta, em que o agente usou o sistema ou o campo errado. Cada grupo tem um destino diferente. Correções factuais vão para o documento de origem, não para uma nota paralela. Exceções de política vão para uma regra com a condição escrita por extenso. Erros de ferramenta costumam pertencer à descrição da ferramenta ou às suas permissões, e não à memória.
Cada entrada de memória deve trazer três coisas: uma fonte, um dono e a data da última confirmação. Sem fonte, ninguém consegue checar. Sem dono, ninguém consegue aposentar a informação. Sem data, uma informação desatualizada parece tão atual quanto uma informação recente. A memória também precisa de remoção. Um ciclo que só acrescenta acaba enchendo o contexto do agente de contradições, e o agente fica menos confiável à medida que recebe mais informação. Por isso os registros limpos vêm antes dos agentes. A higiene de registros que sustenta tudo isso está em Quais dados da empresa conectar primeiro a um agente de IA.
Avaliações que sobrevivem a uma troca de modelo
Uma avaliação é um conjunto de tarefas realistas, cada uma com uma condição de sucesso clara, executado sempre do mesmo jeito. As mais úteis vêm do seu próprio trabalho. Reúna algumas dezenas de casos reais em que o agente acertou e em que errou, e escreva o que seria um resultado correto antes de alguém olhar a saída nova.
O artigo de engenharia da Anthropic sobre avaliações de agentes de IA enquadra a avaliação em tarefas medidas contra critérios definidos, que é o ponto de partida certo. A questão não é se a saída soa bem. A questão é se ela cumpriu a condição que você definiu. Para um assistente de orçamentos, essa condição pode ser que o desconto nunca ultrapasse a faixa aprovada, que a data de entrega venha do calendário atual e que o rascunho sinalize qualquer código de produto faltando.
Rode o mesmo conjunto antes e depois de cada troca de modelo e antes de cada atualização relevante de memória. Quando a pontuação mudar, leia os casos que mudaram, e não apenas o total. Um modelo novo pode corrigir três falhas e, discretamente, quebrar um caso de política que ninguém pensou em testar. O AI Risk Management Framework do NIST trata a medição e a revisão como trabalho contínuo ao longo da vida de um sistema de IA, e essa postura faz sentido para um dono de negócio, mesmo sem um programa formal de risco.
Um plano passo a passo para começar o ciclo
Comece pequeno o suficiente para que uma pessoa consiga rodar o ciclo toda semana. Não tente capturar cada interação no primeiro dia.
- Escolha um agente e um fluxo de trabalho em que os erros sejam visíveis e o custo de uma resposta errada seja conhecido.
- Registre cada correção humana por duas semanas, com a saída original, a saída corrigida e um motivo curto.
- Agrupe as correções em correções factuais, exceções de política, preferências de estilo e erros de ferramenta.
- Atribua cada correção factual e cada exceção de política a um dono nomeado, que a confirma ou a aposenta.
- Transforme os casos confirmados em um conjunto de avaliação fixo, com uma condição de sucesso escrita para cada caso.
- Atualize a memória apenas a partir de entradas confirmadas, rode de novo o conjunto de avaliação e compare os casos que mudaram.
- Revise as permissões após qualquer mudança que amplie o que o agente pode ler ou gravar, e registre a revisão como descrito em Revisão trimestral de permissões de agentes de IA: checklist prático.
Cenário ilustrativo: um assistente de orçamentos em uma instaladora regional
Este é um cenário ilustrativo, não o relato de um cliente. Uma instaladora de porte médio usa um agente para redigir orçamentos a partir da tabela de preços e das anotações dos projetos. Nas primeiras semanas, o gerente de operações continua corrigindo as mesmas poucas coisas. O agente aplica um desconto que o diretor comercial aprovou apenas para projetos com várias obras. Ele usa uma lista de materiais desatualizada. Deixa de fora a etapa de licença para um dos municípios.
Em vez de corrigir cada orçamento em uma conversa de chat, a equipe registra cada correção com o motivo. A condição do desconto vira uma regra de política com o escopo escrito. A lista de materiais é substituída por uma única fonte atual, com um dono nomeado. A etapa de licença vira uma verificação obrigatória no fluxo. Cada uma das três entradas ganha um caso de teste no conjunto de avaliação. Depois, quando a empresa passa para um modelo mais forte, a equipe roda o conjunto antes de tudo. O modelo novo corrige um problema de formatação sem relação com o caso, mas interpreta mal o escopo da regra de desconto em um dos casos. O teste pega o erro antes que qualquer orçamento seja enviado, e a regra é corrigida em um só lugar.
A lição não é que o modelo era fraco. As correções valeram a pena porque foram registradas em um formato que podia ser verificado de novo.
Como a abordagem gerenciada da Be Human roda o ciclo
A Be Human desenha e opera a camada que sustenta esse ciclo: a identidade do agente, a memória, os canais, as ferramentas, as permissões e o contexto operacional, mantidos sob o controle da empresa. Em um projeto gerenciado, a equipe monta o registro de correções, as fontes de memória e seus donos, o conjunto de avaliação e os limites de aprovação. Avaliações recorrentes, manutenção das integrações e revisão de permissões passam então a fazer parte da operação. Quando um modelo muda, o conjunto de avaliação roda antes que a mudança chegue à produção, e alterações de memória ou de permissões seguem um caminho registrado de solicitação e aprovação, para que a empresa veja o que o agente sabe e o que ele tem permissão para fazer.
Se você quer identificar a primeira tarefa que vale entregar a um agente, faça o diagnóstico gratuito de IA da Be Human.
Perguntas frequentes
O que é um ciclo de composição da superinteligência? É o ciclo em que correções, resultados de avaliação e memória limpa são registrados, testados e reutilizados, para que cada modelo mais forte que chega comece a partir do conhecimento acumulado da empresa. O ciclo transforma conserto pontual em capacidade duradoura, guardada nos registros e nos testes da própria empresa. Sem ele, cada atualização de modelo ainda exige as mesmas explicações outra vez.
Um modelo melhor torna esse ciclo desnecessário? Não. Um modelo melhor aprimora o raciocínio e a confiabilidade, mas não conhece suas exceções, aprovações ou fontes atuais, a menos que isso seja fornecido e verificado. O ciclo decide quanto da atualização você de fato mantém. Rode o seu conjunto de avaliação antes de adotar qualquer modelo novo para confirmar que o ganho é real no seu trabalho.
Com que frequência a empresa deve revisar avaliações e memória? Revise as correções toda semana na primeira fase e depois passe para um ritmo mensal constante, quando as falhas mais comuns já estiverem resolvidas. Rode o conjunto completo de avaliação antes de cada troca de modelo e de cada atualização relevante de memória. Mantenha cada revisão curta e registrada, para que possa ser auditada depois.
Quem deve ser dono do ciclo em uma empresa pequena? Um líder de operações deve ser responsável pelo resultado, com um dono nomeado para cada fonte de memória e para cada regra. Esse dono não precisa ser técnico, mas precisa conseguir confirmar se uma informação continua verdadeira. Um operador externo pode cuidar do monitoramento e da manutenção, enquanto as decisões sobre o que a empresa sabe permanecem com uma pessoa nomeada dentro do 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.


