Níveis de personalização de IA para empresas: do prompt ao harness

Os níveis de personalização de IA para empresas são quatro. Os prompts moldam como a IA se comporta, o conhecimento fundamenta as respostas no material da própria empresa, as ferramentas permitem que ela aja dentro dos seus sistemas, e o harness (a estrutura de controle ao redor do modelo) governa memória, permissões, aprovações e monitoramento de tudo isso. A maioria dos problemas exige apenas o menor nível que os resolve. O nível certo depende do que a IA precisa saber, fazer e receber de confiança, não de quão ambicioso o projeto parece.

Principais pontos

• A personalização é uma escada, e cada degrau soma capacidade e responsabilidade. Comece pelo menor nível que corrige o problema real.
• Prompts mudam o comportamento, o conhecimento muda a base das respostas, as ferramentas mudam o que a IA pode fazer, e o harness muda com que segurança e confiabilidade ela faz isso ao longo do tempo.
• Respostas erradas sobre a empresa costumam indicar um problema de conhecimento. Ações que faltam indicam um problema de ferramentas. Comportamento imprevisível ou inseguro indica um problema de harness.
• Cada degrau acima precisa de um responsável, de uma forma de medir se funciona e de uma forma de desfazer.
• O erro mais comum é pular níveis: conectar ferramentas antes de organizar o conhecimento, ou liberar acesso antes de existirem regras de aprovação.

Quais são os níveis de personalização de IA?

Pense na escada como quatro perguntas, feitas em ordem.

• Prompts: como a IA deve se comportar, soar e formatar o trabalho?
• Conhecimento: de qual material da empresa ela deve tirar as respostas?
• Ferramentas: o que ela deve poder consultar ou alterar nos seus sistemas?
• Harness: o que a mantém identificável, com memória, com permissões, observada e corrigível?

Os níveis são cumulativos. Um agente que usa ferramentas ainda precisa de boas instruções e de bom conhecimento. Um harness sem uma função que mereça ser governada é apenas custo de gestão. A escada também não é uma nota de maturidade para subir por subir. Uma empresa que responde bem a perguntas internas repetidas no nível dois tomou uma decisão sólida, e isso não é um resultado menor.

Para ver como esses níveis se encaixam em uma estrutura mais ampla, leia Camadas da infraestrutura de IA empresarial: as sete explicadas.

Nível um: o que prompts e instruções conseguem fazer?

Um prompt é a instrução escrita que o modelo recebe antes de começar: a função, o tom, o formato, as regras práticas, o que evitar. É o nível mais barato e o mais rápido de alterar, e por isso toda equipe começa por ele.

Prompts dão conta de bastante coisa quando a tarefa é autocontida. Redigir uma resposta a cliente no estilo da casa, resumir um documento que alguém cola na conversa, transformar anotações soltas em um relatório estruturado: o modelo precisa apenas de direção clara e do material à sua frente.

Os prompts deixam de funcionar quando a resposta depende de fatos que o modelo nunca recebeu. Nenhuma instrução faz um modelo lembrar a sua política de trocas, as condições dos seus fornecedores ou a mudança de processo do trimestre passado. Prompts longos também ficam frágeis. Quando as instruções viram páginas de exceções, pequenas edições causam efeitos colaterais inesperados, e ninguém lembra por que uma regra existe.

Sinais de que você ultrapassou o nível um:

• As pessoas colam o mesmo material de referência em toda conversa.
• As instruções não param de crescer e se contradizem.
• A IA soa correta, mas afirma fatos errados sobre a empresa.
• O resultado muda conforme quem escreveu o prompt.

O alcance e os limites de um pacote de prompt mais arquivos estão em GPTs personalizados para empresas: o que fazem bem e onde param.

Nível dois: como o conhecimento muda o que a IA consegue responder?

O segundo nível dá à IA acesso ao seu próprio material no momento da resposta. A técnica usual é a recuperação (retrieval): o sistema encontra os trechos relevantes nos seus documentos e os coloca diante do modelo junto com a pergunta. O modelo responde a partir dessa evidência, e não de memória.

É aqui que começa a maior parte do valor para o negócio, porque a maioria das perguntas de negócio é sobre o próprio negócio. Qual é a nossa política para entregas atrasadas? Qual versão do checklist de integração está vigente? O que prometemos a este cliente?

O trabalho de conhecimento é, em grande parte, trabalho editorial, não técnico. A recuperação devolve o que os seus documentos dizem, incluindo rascunhos desatualizados, contradições e exceções que nunca foram escritas. As tarefas práticas são:

• Decidir quais fontes têm autoridade e quem é o responsável por cada uma.
• Remover ou sinalizar documentos substituídos.
• Definir um ritmo de revisão para que o material não se deteriore.
• Decidir o que a IA deve dizer quando não encontra nada: admitir e encaminhar para uma pessoa.

Uma dúvida frequente nesse ponto é se vale treinar ou ajustar (fine-tuning) um modelo com os dados da empresa. O fine-tuning ajusta hábitos do modelo, como estilo ou padrões de saída especializados. É um caminho ruim para manter fatos atualizados, porque fatos mudam e pesos retreinados são difíceis de corrigir ou auditar. A orientação da AWS sobre comparar recuperação e fine-tuning traça a mesma linha: recuperação para conhecimento que muda, fine-tuning para comportamento consistente em casos restritos. Para a maioria das empresas, o fine-tuning é uma etapa tardia e opcional, não um degrau que todos precisam subir.

Nível três: o que muda quando a IA ganha ferramentas?

Ferramentas transformam um assistente que conversa em um agente que trabalha. Uma ferramenta é uma ação definida que a IA pode executar: buscar no sistema de pedidos, ler uma agenda, criar um rascunho de fatura, atualizar um chamado, enviar uma mensagem. O modelo decide quando acionar a ferramenta, e os seus sistemas executam a ação.

Isso muda o perfil de risco. Uma resposta errada é um incômodo. Uma ação errada é um evento. Por isso o desenho das ferramentas importa tanto quanto a qualidade do modelo. Boas ferramentas são estreitas, bem nomeadas, devolvem erros claros e fazem uma coisa só. Uma ferramenta chamada "atualizar cliente" que altera qualquer campo é um passivo. Uma ferramenta que apenas adiciona uma nota a um chamado é fácil de avaliar. A orientação da Anthropic sobre como escrever ferramentas para agentes diz o mesmo pelo lado da engenharia: ferramentas são uma interface projetada para um modelo, e a clareza delas afeta diretamente o quanto o agente as usa bem.

Uma ordem sensata para introduzir ferramentas:

• Primeiro, ferramentas somente de leitura, para que o agente consulte sem alterar nada.
• Depois, ferramentas de rascunho, em que o agente prepara a ação e uma pessoa confirma.
• Por último, ferramentas de escrita, limitadas a campos, registros e valores específicos.

Cada ferramenta deve ter a própria credencial, com a menor permissão que funcione, e não um login de administrador compartilhado. Para aprofundar o tema das credenciais, veja De quem devem ser as contas e chaves de API do agente de IA?.

Nível quatro: o que é um harness e quando você precisa de um?

O harness é tudo o que existe ao redor do modelo e o transforma em um membro de equipe confiável, e não em uma demonstração esperta. Ele cobre as partes que persistem além de uma única conversa:

• Identidade: uma função nomeada, com propósito definido e lugar na organização.
• Memória: o que o agente retém entre tarefas, onde fica guardado e como é corrigido ou apagado.
• Canais: onde as pessoas falam com ele e quem tem permissão para isso.
• Permissões e limites de aprovação: o que ele pode fazer sozinho, o que exige um sim humano e o que nunca deve fazer.
• Observabilidade: registros e rastros que mostram o que ele viu, decidiu e fez.
• Avaliação: um conjunto permanente de casos de teste que detecta regressões quando qualquer coisa muda.
• Operação: monitoramento, resposta a incidentes e atualizações controladas.

O texto da Anthropic sobre harnesses para agentes de longa duração explica por que essa camada existe: um agente que trabalha em muitas etapas e sessões precisa de estrutura para manter estado, progresso e verificações consistentes, ou acaba se desviando. A orientação mais ampla deles sobre como construir agentes eficazes também recomenda começar simples e acrescentar complexidade somente quando ela claramente ajuda.

Você precisa de um harness quando qualquer uma destas condições é verdadeira: o agente age sobre registros reais, mais de uma pessoa depende dele, ele lida com dados sensíveis, um erro seria caro de reverter, ou ele precisa continuar funcionando depois que a pessoa que o configurou seguir para outro projeto. Muitas empresas chegam a este nível sem perceber, porque um agente conectado a ferramentas e em uso diário já opera sem harness.

De qual nível o seu problema precisa?

Escolha pelo sintoma, não pela tecnologia. Associe o que está dando errado ao menor nível que o resolve.

• A saída está certa no conteúdo, mas errada no tom, no tamanho ou no formato: nível um.
• A saída é fluente, mas errada sobre seus produtos, políticas ou histórico: nível dois.
• A saída está certa, mas as pessoas ainda copiam resultados para outros sistemas à mão: nível três, começando por ferramentas somente de leitura.
• O agente funciona nos testes, mas ninguém sabe dizer o que ele fez na semana passada, quem aprovou ou o que acontece se ele falhar: nível quatro.
• O agente se comporta de forma diferente a cada mudança e ninguém sabe dizer se melhorou: nível quatro, especificamente avaliação.

Cenário ilustrativo: uma distribuidora quer um assistente para a equipe de atendimento ao cliente. No nível um, um bom prompt corrige o tom das respostas, mas o assistente inventa condições de troca. No nível dois, a equipe conecta a política de trocas vigente e as condições de envio, e as respostas inventadas param, com um explícito "não encontrei essa informação" nos casos sem cobertura. A equipe ainda consulta o status dos pedidos à mão, então, no nível três, adiciona uma consulta de pedidos somente de leitura. Mais tarde, alguém propõe deixar o assistente conceder pequenos créditos de cortesia. Esse é o momento do nível quatro: um limite de valor, uma aprovação humana acima dele, um registro de cada crédito e um conjunto de testes que roda antes de qualquer mudança entrar no ar. Nada na história exigiu os quatro níveis no primeiro dia.

Antes de decidir, descreva a função em termos simples. Exemplos de funções para agentes de IA em empresas: seis papéis mostra como fazer isso, e Critérios de sucesso para piloto de agente de IA: como definir ajuda a decidir como você saberá que o nível escolhido é suficiente.

Como a Be Human trabalha com essa escada?

A Be Human projeta, implementa e opera infraestrutura de IA personalizada para empresas. O primeiro projeto define uma função útil, o conhecimento e as ferramentas de que ela precisa, seus limites de aprovação e um critério de sucesso observável. Essa etapa de escopo é o que posiciona o trabalho na escada: se uma configuração de nível dois resolve o problema, o projeto fica ali. Quando ferramentas ou um harness completo se justificam, a Be Human os constrói e depois os opera, com monitoramento, avaliações recorrentes, manutenção de integrações, revisão de permissões e melhorias controladas, remotamente e em português ou inglês. A empresa mantém o controle das aprovações e dos acessos o tempo todo.

Que erros as empresas cometem nessa escada?

Os padrões se repetem o bastante para receberem nome.

• Pular o conhecimento. A equipe conecta ferramentas a um modelo que ainda erra sobre o negócio, e agora os erros têm consequências.
• Tratar o harness como acabamento opcional. Regras de aprovação, registros e testes entram depois do primeiro incidente, e não antes da primeira ação.
• Personalizar no prompt o que pertence à base de conhecimento. Políticas copiadas para as instruções envelhecem em silêncio.
• Dar acesso amplo por conveniência. Uma única credencial poderosa poupa uma tarde e cria um risco permanente.
• Não medir nada. Sem uma linha de base e um critério de sucesso, ninguém sabe dizer se um nível mais alto melhorou alguma coisa.

Um bom hábito é tratar cada subida na escada como um piloto com saída prevista. As etapas e o que cada uma precisa provar estão em Por que pilotos de IA não saem do papel e como levá-los à produção.

Perguntas frequentes

Precisamos dos quatro níveis? Não. Muitas implantações úteis param em prompts mais conhecimento. Você acrescenta ferramentas quando o trabalho exige ação nos seus sistemas, e um harness quando as ações do agente importam o bastante para exigir controle, evidência e continuidade.

O fine-tuning é um nível à parte? É melhor visto como um caminho lateral. O fine-tuning molda comportamento ou estilo consistente em casos restritos, enquanto a recuperação cuida de fatos que mudam. A maioria das empresas avança mais melhorando primeiro as fontes de conhecimento e as ferramentas.

Como saber se estamos no nível errado? Olhe para as falhas. Tom errado aponta para os prompts, fatos errados apontam para o conhecimento, cópia manual aponta para as ferramentas, e comportamento inexplicado ou inseguro aponta para o harness. Se você não consegue descrever as falhas, comece reunindo uma dúzia de exemplos reais.

Podemos subir na escada depois sem recomeçar do zero? Sim, se os níveis inferiores forem mantidos em ordem. Documentos com responsável definido, ferramentas estreitas e regras de aprovação escritas seguem valendo. Uma mudança em um agente em operação ainda deve ser testada e reversível, para que cada degrau seja revisado antes de chegar às pessoas que dependem dele.

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