Estratégia de dados para superinteligência: o que registrar primeiro

Os dados que valem a pena capturar primeiro são o registro de como a empresa decide e trabalha: as decisões com seus motivos, as exceções e correções que nunca chegam a um manual e os passos de processo que as pessoas realmente seguem. Guarde tudo em formatos simples e portáteis, cada registro com um responsável e um nível de permissão. Um modelo mais capaz vai ler esse material muito melhor do que os modelos de hoje, mas não consegue reconstruir um contexto que nunca foi escrito. Em uma boa estratégia de dados para superinteligência, contexto, origem e controle pesam mais do que volume bruto.

Principais pontos

• Decisões com seus motivos valem mais do que documentos soltos, porque o motivo é a parte que ninguém consegue recuperar depois.
• Exceções, substituições e correções mostram onde o processo escrito e o processo real se separam, então registre-as cedo.
• Mantenha os registros em formatos abertos que pertencem à empresa, cada um com responsável, data, escopo e nível de permissão.
• Guarde os resultados ao lado das decisões, para que um modelo futuro aprenda o que funcionou e não apenas o que foi escolhido.
• Comece com um papel e uma área de decisão, e deixe os dados sensíveis de fora até que as regras de acesso estejam escritas.

Por que capturar os dados da empresa antes de os modelos ficarem mais fortes?

Os modelos vão continuar melhorando em raciocínio, redação, planejamento e uso de ferramentas. O que eles não trazem consigo é o contexto da sua empresa: por que você aceita certos clientes e recusa outros, quais promessas de fornecedores são confiáveis, o que uma aprovação significa de fato no seu financeiro e qual regra tem uma exceção nunca escrita.

Esse contexto vive nas pessoas, em conversas de chat, em caixas de e-mail e em hábitos. E ele se perde. Pessoas mudam de função, conversas expiram, ferramentas são trocadas, e o motivo de uma decisão some mais rápido do que a própria decisão. Capturar esse contexto custa pouco enquanto quem sabe ainda está presente. Recuperá-lo depois custa muito mais, e às vezes é impossível.

É também por isso que a estratégia não depende de adivinhar qual modelo vai vencer. Você não está preparando dados de treinamento para um sistema específico. Está construindo um registro que qualquer modelo capaz, agora ou no futuro, consiga consultar e usar para raciocinar. A orientação da AWS sobre a comparação entre recuperação de informação e ajuste fino (fine-tuning) é uma boa referência: para a maioria das empresas, o primeiro passo e o mais duradouro é manter o conhecimento em uma forma que o modelo possa consultar no momento do trabalho, em vez de incorporá-lo aos pesos do modelo. Isso coloca o peso na qualidade dos seus registros, não na escolha de um modelo em particular. Para a arquitetura mais ampla, veja Superinteligência empresarial e governança de agentes de IA.

Quais registros vale mais a pena capturar primeiro?

Ordene por um único teste: quão difícil será recriar isso depois, e quanto um agente capaz ganharia ao tê-lo? Esta é a ordem que recomendamos, do maior valor para o menor.

• Registros de decisão com motivos: o que foi decidido, quem decidiu, quais opções foram descartadas e por quê, e quais restrições existiam na época.
• Exceções e substituições: toda vez que uma pessoa se afasta do processo padrão, o caso, o motivo e quem aprovou.
• Correções: toda vez que uma pessoa edita, rejeita ou reescreve um trabalho feito por um colega ou por um agente, com uma nota curta sobre o que estava errado.
• Registros de processo como ele é praticado: os passos reais, as passagens de bastão, os responsáveis, as aprovações e as ferramentas de um trabalho recorrente, escritos por quem o executa.
• Registros de resultado: o que aconteceu depois da decisão ou do trabalho, incluindo resultados tardios, reclamações, reversões e novos contatos sobre o mesmo assunto.
• Histórico de interações com clientes e fornecedores: resumos de compromissos, preferências, disputas e como foram resolvidas.
• Definições de referência: glossário, descrições de produtos e serviços, documentos de política, papéis e limites de aprovação, cada um marcado como vigente ou substituído.

Repare no que não está no topo da lista: o arquivo gigante de documentos antigos. Arquivos são úteis mais adiante, mas em sua maioria são fatos sem motivos. Uma pasta de propostas passadas diz ao modelo o que você enviou. Um registro de decisão diz por que você enviou aquela versão àquele cliente, e essa é a parte que se transfere para situações novas.

Exceções e correções ocupam posição alta por uma razão específica. São a fonte mais barata de verdade sobre onde o seu processo documentado falha. Um modelo que lê apenas o procedimento oficial vai repetir o procedimento oficial. Um modelo que também lê as exceções aprende como o seu negócio realmente se comporta.

O que torna um registro utilizável por um modelo futuro?

Um registro é utilizável quando um estranho, pessoa ou máquina, consegue pegá-lo daqui a um ano e agir corretamente com base nele. É um padrão simples, e ele define o formato mais do que qualquer escolha de ferramenta.

• Um responsável: uma pessoa ou função identificada que possa confirmar ou corrigir o registro.
• Uma data e um status: quando foi escrito e se está vigente, em revisão ou substituído.
• Um escopo: a qual equipe, produto, segmento de clientes ou processo ele se aplica.
• Uma fonte: de onde veio a informação, como uma reunião, um chamado ou uma política.
• Um nível de permissão: quem pode ler e quais agentes podem consultá-lo.
• Linguagem simples: frases curtas, termos definidos, sem abreviações de uso pessoal.
• Um vínculo com o resultado: onde o desfecho da decisão ou da ação foi registrado depois.

Dois cuidados. Primeiro, mais não é melhor. As orientações sobre engenharia de contexto para agentes insistem em entregar ao modelo um conjunto pequeno de informações de alto sinal no momento em que ele precisa, e não tudo o que você possui. Um conjunto organizado e atual de registros de decisão vale mais do que uma pilha grande de anotações sem data. Segundo, mantenha os registros em formatos abertos, como texto simples, documentos estruturados ou exportações padrão, para poder levá-los de um sistema a outro. Isso protege a empresa de ficar presa ao armazenamento de um único fornecedor, ponto que tratamos em Como migrar agentes de IA para outro fornecedor, passo a passo.

Qual é o passo a passo para começar a capturar?

Faça isso primeiro para um papel ou uma área de decisão, não para a empresa inteira. Um início estreito produz um padrão que funciona e que você pode copiar.

• Passo um: escolha uma área recorrente em que o julgamento importa, como orçamentos, reembolsos, seleção de fornecedores, triagem de candidatos ou triagem de incidentes.
• Passo dois: nomeie um responsável pela área, com autoridade para dizer o que está correto.
• Passo três: escreva um modelo curto de registro de decisão, com campos para a situação, as opções, a escolha, o motivo, o aprovador e a data.
• Passo quatro: capture no ponto de trabalho. Um registro escrito em dois minutos depois da decisão vale mais do que um relatório escrito um mês depois.
• Passo cinco: crie um registro de exceções. Sempre que alguém se afastar do processo padrão, adiciona uma entrada com o motivo.
• Passo seis: registre os resultados. Programe uma verificação leve, para que cada decisão receba uma nota de resultado quando o desfecho for conhecido.
• Passo sete: defina permissões e retenção. Decida quem e o que pode ler cada tipo de registro, e quando os registros expiram ou são revisados.
• Passo oito: teste a recuperação com perguntas reais. Faça a um agente ou a uma ferramenta de busca dez perguntas que sua equipe realmente faz e marque se a resposta estava correta, baseada em um registro e com o escopo adequado. Materiais de avaliação, como o guia de evals da OpenAI e os textos da Anthropic sobre avaliação de agentes, mostram como transformar essas verificações em testes repetíveis.
• Passo nove: faça cópia de segurança dos registros e teste uma restauração, com um plano claro do que salvar e de como verificar que a restauração funciona.
• Passo dez: revise a cada trimestre, aposente registros desatualizados e passe para a próxima área só quando a primeira estiver confiável.

O teste de recuperação do passo oito é a parte que a maioria das equipes pula. É também a parte que mostra se os registros são de fato utilizáveis, e não apenas armazenados.

Como isso fica na prática? Um cenário ilustrativo

Cenário ilustrativo: uma distribuidora regional quer que um agente ajude a equipe de contas a receber a tratar pedidos de crédito de clientes. A política de crédito escrita tem duas páginas. Na prática, o contador sênior aprova exceções com base no histórico de pagamento, no fluxo de caixa sazonal e na relação com o dono do cliente, e nada disso consta na política.

A equipe começa por uma única coisa: toda exceção de crédito ganha um registro curto, com o pedido, a situação do cliente, a decisão, o motivo e o aprovador. Quando o cliente paga em dia ou com atraso, alguém acrescenta uma nota de resultado de uma linha. Eles também registram cada vez que o rascunho de resposta de um agente é corrigido, com poucas palavras sobre o que estava errado.

Depois de alguns meses, a empresa tem um conjunto compacto e atual de casos. Um contador recém-chegado consegue lê-los. Um agente consegue buscar os casos passados mais próximos quando um pedido chega e propor um rascunho citando os precedentes, deixando a aprovação com o contador sênior. Quando um modelo mais forte for adotado mais tarde, os mesmos registros melhoram as respostas dele de imediato, porque os motivos e os resultados foram guardados de uma forma que não depende de nenhum modelo específico.

Nada neste cenário exigiu um data lake, uma plataforma nova ou um projeto grande. Exigiu um modelo de registro, um responsável e um hábito.

O que deixar de fora ou tratar com cuidado?

Capturar mais nem sempre é mais seguro ou mais sensato. Alguns materiais precisam de regras antes de chegar perto de um agente.

• Credenciais e segredos: nunca guarde senhas, tokens ou chaves dentro dos registros. O acesso pertence a um sistema controlado de segredos.
• Dados pessoais: capture apenas o que a finalidade exige e verifique onde são armazenados e processados. Nosso guia de avaliação de segurança de fornecedor de IA lista as perguntas a fazer, inclusive sobre onde os dados ficam.
• Material sigiloso ou confidencial: pareceres jurídicos, assuntos de conselho e avaliações de funcionários precisam de regras de acesso explícitas, ou devem ficar fora do escopo.
• Rascunhos não revisados e especulações: marque-os como rascunho, ou deixe-os de fora, para que o modelo não trate um palpite como política.
• Qualquer coisa com consentimento ou termos contratuais pouco claros: resolva isso antes.

Uma estrutura de gestão de riscos ajuda a organizar essas decisões. O NIST AI Risk Management Framework oferece um vocabulário simples para mapear, medir e gerenciar riscos, e vale tanto para escolhas de dados quanto para modelos. Manter as permissões dos agentes mais estreitas do que os registros que você guarda é um bom padrão, revisado em intervalos definidos, com uma revisão periódica de permissões feita passo a passo.

Como uma abordagem gerenciada trata isso?

A Be Human trata a captura de registros como parte da definição de um papel, não como um projeto de dados separado. Em um primeiro trabalho, combinamos um papel útil, as decisões e os processos que ele toca, a memória e as ferramentas de que precisa, os limites de aprovação e um critério de sucesso observável. Depois ajudamos a montar os registros de decisão, exceção e resultado desse papel, mantemos tudo em formatos portáteis que pertencem à empresa e aplicamos permissões para que cada agente recupere apenas o que o seu papel permite. Na operação gerenciada, a recuperação é testada em verificações recorrentes, registros desatualizados são sinalizados aos seus responsáveis e as mudanças passam por aprovação humana. Para uma visão mais ampla, veja Como preparar a empresa para IA superinteligente hoje.

Perguntas frequentes

Precisamos limpar todos os nossos dados antes de começar? Não. Limpar tudo primeiro é a forma mais comum de esse esforço travar. Comece com um papel, capture novas decisões e exceções à medida que acontecem e limpe o material antigo só quando uma pergunta real precisar dele.

Devemos fazer ajuste fino de um modelo com os nossos dados? Para a maioria das empresas, não como primeiro passo. Manter registros bem organizados e com permissões, que o modelo possa consultar no momento do trabalho, é mais fácil de atualizar, mais fácil de auditar e mais fácil de remover, e acompanha a empresa quando ela troca de modelo. O ajuste fino pode ser considerado depois, para comportamentos específicos e estáveis, quando os registros e as avaliações já estiverem de pé.

Quem deve ser o responsável pelos registros? Um responsável de negócio identificado, em cada área, deve cuidar da correção do conteúdo, e um responsável técnico deve cuidar de armazenamento, acesso e cópias de segurança. Separar os dois evita duas falhas: registros corretos, mas inacessíveis, e registros acessíveis, mas errados. Revise os responsáveis sempre que alguém mudar de função.

Como saber se o esforço de captura está funcionando? Teste com perguntas reais da sua equipe e verifique se as respostas estão corretas, baseadas em um registro específico e limitadas ao que quem perguntou pode ver. Observe também se as pessoas adicionam registros sem ser cobradas, pois o hábito é o melhor sinal de que o modelo de registro se encaixa no trabalho. Se os testes de recuperação falharem, corrija os registros antes de trocar o modelo.

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