Superinteligência corporativa: camada que evolui com os modelos

A superinteligência corporativa é a camada compartilhada de memória, ferramentas, permissões, canais e medição que envolve um modelo de IA para que toda a empresa possa usá-lo sob controle humano. Você a constrói mantendo o modelo substituível e deixando fora dele tudo o que pertence à empresa. Quando chega um modelo melhor, você o testa com o seu próprio trabalho e o troca, e a camada inteira melhora sem precisar ser refeita.

Principais pontos

• Trate o modelo como uma peça substituível. Memória, ferramentas, permissões, regras e casos de teste pertencem à empresa e ficam fora dele.
• Mantenha o harness (o ciclo que entrega ao modelo uma tarefa, contexto e ferramentas) pequeno e explícito, e remova os andaimes que só existiam para compensar fraquezas de um modelo mais antigo.
• Aplique permissões e limites de aprovação nos seus sistemas, não nos prompts, para que um modelo mais capaz nunca se torne, por acidente, um agente mais poderoso.
• Monte um conjunto de testes com trabalho real antes de precisar dele. Sem isso, toda atualização vira uma disputa de impressões.
• Libere um novo modelo por função e por canal, com um caminho claro de volta, e registre o que mudou.

O que significa superinteligência corporativa na prática?

A expressão soa grandiosa, então vale defini-la de forma estreita. Aqui, ela não afirma que uma máquina supera as pessoas em tudo. Ela significa o conhecimento, os procedimentos e a capacidade operacional da sua empresa, combinados e disponibilizados a cada função por meio de agentes que atuam dentro de limites e ficam mais capazes à medida que os modelos evoluem.

A imagem útil é a de um motor e um veículo. O modelo é o motor: lê, raciocina, escreve e decide o que tentar a seguir. O veículo é todo o resto: o que o agente sabe sobre a empresa, em quais sistemas pode mexer, quem aprovou o quê, onde as pessoas falam com ele e como você sabe que funcionou. Motores são trocados com frequência. Um veículo moldado em torno das manias de um único motor precisa ser reconstruído a cada troca. Um veículo com encaixe padrão recebe o motor novo e simplesmente vai mais longe.

Para ver o inventário completo das peças, leia sobre as sete camadas da infraestrutura de IA empresarial. Este artigo trata de como juntá-las para que uma atualização se propague por todas.

Por que as atualizações de modelo forçam reconstruções em tantos ambientes?

As reconstruções raramente são causadas pelo modelo em si. Elas vêm de decisões iniciais que, sem alarde, prenderam ativos da empresa a um único modelo. Os suspeitos de sempre:

• Os prompts cresceram até virar instruções longas, ajustadas aos hábitos de um modelo, e por isso um modelo novo as lê de outro jeito e se comporta de outro jeito.
• A memória está num formato específico do fornecedor ou no histórico de conversas, e por isso não consegue ser movida.
• As definições de ferramentas estão enterradas dentro dos prompts, em vez de descritas uma só vez numa interface compartilhada e documentada.
• As permissões dependem do login de uma pessoa, e o agente acaba com o acesso que essa pessoa tinha por acaso.
• Ninguém registrou como é uma boa resposta, então ninguém sabe dizer se o modelo novo é melhor ou apenas diferente.

O último ponto causa o maior estrago. Sem uma forma de medir, as empresas ou congelam num modelo antigo ou trocam e torcem. As duas saídas desperdiçam o ganho que um modelo melhor oferece.

Como estruturar cada camada para que ela sobreviva ao modelo?

Pense em sete camadas com juntas limpas entre elas. Cada junta é um ponto em que uma peça pode mudar sem tocar nas outras.

• Modelos: uma escolha configurada, não arquitetura. Mantenha um único ponto de roteamento onde você define qual modelo atende qual tarefa, de modo que um modelo mais forte cuide do trabalho difícil e um mais leve cuide da rotina. O artigo sobre como escolher modelo de IA para empresa trata dessa decisão.
• Harness: o ciclo em volta do modelo. Ele recebe uma tarefa, monta o contexto, chama ferramentas, confere o próprio trabalho e sabe quando parar. As notas de engenharia da Anthropic sobre como construir agentes eficazes e sobre harnesses para agentes de longa duração defendem padrões simples e combináveis. Revise o harness a cada atualização e apague as etapas de que o novo modelo não precisa mais.
• Memória: o conhecimento da empresa guardado em registros simples, próprios e legíveis, como políticas, glossários, anotações de clientes e decisões passadas, com uma recuperação que você controla. Separe conhecimento estável, notas de trabalho e contexto de cada tarefa. O conhecimento recuperado se atualiza sem retreinar e circula entre modelos, o que não acontece com comportamento ajustado por fine-tuning.
• Ferramentas: ações estreitas e bem descritas sobre os seus sistemas, definidas uma única vez. O Model Context Protocol é uma forma aberta de descrever ferramentas para que modelos e clientes diferentes reutilizem as mesmas definições. Escreva nomes claros, descrições claras e mensagens de erro curtas e úteis.
• Permissões: aplicadas pelos sistemas que o agente acessa, não por instruções dadas ao modelo. Dê a cada função de agente uma identidade própria, acesso com privilégio mínimo e etapas de aprovação para ações que gastam dinheiro, contatam pessoas de fora ou alteram registros. As orientações de autorização da OWASP valem para agentes tanto quanto para pessoas.
• Canais: onde as pessoas falam com o agente, como uma caixa de entrada compartilhada, um espaço de chat ou uma fila de chamados. Mantenha o adaptador do canal separado do raciocínio, para que um modelo novo não mude a forma como as pessoas trabalham com o agente e para que você possa ativá-lo primeiro em um só canal.
• Observabilidade: um registro consistente de cada tarefa, com o pedido, o contexto usado, as chamadas de ferramentas, as aprovações, o resultado e o custo. Use um formato neutro em relação a fornecedores, para que o registro sobreviva a uma troca de modelo e permita comparar o antes e o depois.

O padrão é o mesmo em todos os casos. Tudo o que a empresa precisa manter fica guardado em um formato que ela controla, e tudo o que o modelo fornece é acessado por uma junta estreita e documentada.

Qual é o passo a passo para construir a camada?

Comece pequeno e completo, em vez de amplo e raso. Uma função construída do jeito certo ensina onde ficam as juntas.

• Passo um: escolha uma função com resultado visível, como um coordenador de operações que concilia pedidos ou um líder de suporte que redige respostas. O guia para priorizar casos de uso de IA na empresa ajuda a afunilar, mas escolha apenas uma.
• Passo dois: descreva a função em linguagem simples, incluindo o que ela pode fazer sozinha, o que exige aprovação e o que ela nunca deve fazer.
• Passo três: leve o conhecimento de que a função precisa para documentos próprios e legíveis, e nomeie um responsável por cada um.
• Passo quatro: descreva cada ferramenta uma só vez, com entradas, saídas e mensagens de falha, e conecte apenas o que a função precisa.
• Passo cinco: dê ao agente uma identidade própria e acesso restrito, com aprovações para as ações de maior consequência.
• Passo seis: monte um conjunto de testes com tarefas reais e resultados esperados. Inclua casos difíceis, casos ambíguos e casos em que a resposta certa é recusar ou escalar. A orientação da Anthropic sobre como avaliar agentes é uma boa referência: avalie resultados e ações, não só a redação.
• Passo sete: ative o rastreamento e o custo por tarefa desde o primeiro dia, para ter uma linha de base.
• Passo oito: libere para um grupo pequeno, revise os registros toda semana e amplie apenas quando as evidências sustentarem.

Depois que a primeira função funciona, a segunda sai mais barata, porque memória, ferramentas e observabilidade já são compartilhadas.

Como fica uma atualização quando a camada é construída assim?

Este é um cenário ilustrativo, não um caso real. Uma distribuidora regional opera um agente de operações que concilia pedidos de compra com as confirmações dos fornecedores e sinaliza divergências para uma pessoa aprovar.

Um novo modelo fica disponível. A equipe não anuncia isso aos funcionários. Ela executa o modelo contra o conjunto de testes guardado, em uma cópia de homologação da camada. Ele lida melhor com e-mails confusos de fornecedores, mas também tenta chamar a ferramenta de pedidos com mais disposição do que o modelo antigo. A camada de permissões bloqueia as chamadas extras, porque o pedido continua exigindo aprovação, e os registros mostram exatamente onde o comportamento foi diferente. Uma instrução do harness é ajustada, e uma etapa de contorno criada para o modelo antigo é removida.

O novo modelo passa então a atender um canal, a caixa de entrada compartilhada de compras, por uma semana. Os registros e as taxas de aprovação são comparados com a linha de base. Ele é promovido para aquela função, e o modelo anterior continua configurado como alternativa. Memória, ferramentas e permissões não mudaram. Para a mecânica da etapa de liberação, veja como operar um agente de IA no dia a dia.

O que verificar antes de promover um novo modelo?

Use esta lista como guia de decisão. Promova somente quando cada item tiver uma resposta que você consiga mostrar.

• Ele iguala ou supera a linha de base no conjunto de testes, incluindo os casos que devem ser recusados ou escalados?
• Apareceu alguma chamada de ferramenta, pedido de aprovação ou mensagem externa que o modelo antigo não produzia, e cada uma delas era esperada?
• As permissões ainda bloqueiam tudo o que deveriam, verificado tentando as ações bloqueadas em homologação?
• O custo por tarefa concluída é aceitável, e o tempo de resposta é aceitável para quem espera?
• É possível voltar ao modelo anterior com rapidez, e isso já foi testado ao menos uma vez?
• As instruções do harness foram simplificadas onde o novo modelo permite, em vez de apenas acrescidas?
• A mudança está registrada, com quem a aprovou e quais evidências viu?

As permissões merecem um ritmo próprio, além das atualizações. Uma revisão programada, como a descrita na revisão trimestral de IA na empresa, encontra acessos que cresceram sem alarde conforme funções e ferramentas mudaram.

Como a abordagem gerenciada da Be Human trata as atualizações de modelo?

A Be Human projeta, implementa e opera essa estrutura para empresas. O primeiro trabalho define uma função útil, a memória e as ferramentas de que ela precisa, seus limites de aprovação e um critério de sucesso observável. Na operação gerenciada, quando surge um novo modelo, a Be Human o executa contra o conjunto de avaliação da função, revisa permissões e registros, propõe eventuais mudanças no harness para aprovação do responsável e libera em etapas, com uma alternativa de retorno preparada. A empresa mantém memória, definições de ferramentas e registros em um formato que consegue ler e levar consigo.

Perguntas frequentes

Precisamos do modelo mais novo para isso funcionar? Não. A camada tem valor com o modelo que passar nos seus testes hoje. O objetivo dela é fazer com que adotar um modelo melhor seja uma decisão de rotina e de baixo risco, e não um projeto, para que você avance quando as evidências sustentarem e espere quando não sustentarem.

Por que não simplesmente fazer fine-tuning de um modelo com os dados da empresa? O fine-tuning prende o conhecimento da empresa a um único modelo e precisa ser repetido quando o modelo muda. A recuperação a partir de registros próprios mantém o conhecimento atualizado e portátil. O fine-tuning ainda pode ajudar em comportamentos ou estilos específicos, mas trate-o como um complemento opcional, depois que memória e testes estiverem de pé.

Com que frequência devemos revisar o harness? Revise a cada troca de modelo e sempre que os registros mostrarem uma falha repetida. Muitas instruções e verificações existem para compensar uma fraqueza específica. Quando a fraqueza some, a instrução vira ruído, e removê-la faz parte da atualização.

Quem deve ser o dono da camada dentro da empresa? Defina um responsável de negócio para cada função, que decide o que o agente deve fazer e aprova os limites, e um responsável técnico por ferramentas, acessos e observabilidade. Um patrocinador nomeado acima deles mantém as decisões andando. Se você opera com um parceiro, garanta que o contrato diga quem é dono da memória, das definições e dos registros.

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