A camada que falta na IA agenica

A maioria dos sistemas de agentes atuais trata o contexto principalmente como histórico de conversas, documentos recuperados ou resultados de similaridade vetorial. Essa abordagem funciona razoavelmente bem para tarefas conversacionais, mas os sistemas operacionais exigem um tipo de gerenciamento de contexto fundamentalmente diferente.

Em ambientes reais, as decisões dependem não apenas das informações obtidas, mas também de:

• relações entre entidades,
• estrutura organizacional,
• eventos temporais,
• cadeias de propriedade, 
• decisões anteriores,
• restrições ativas,
• e estado operacional em constante evolução [1]. 

Um cliente não é apenas um documento. Uma empresa não é apenas um bloco de texto. Um evento regulatório não é simplesmente mais um resultado de busca. Sistemas operacionais exigem um modelo de estado em constante evolução. É aqui que a distinção entre memória e contexto operacional se torna crucial.

A memória armazena informações. O contexto operacional mantém o estado do sistema.

Na prática, isso significa que o sistema deve manter e atualizar continuamente estruturas como entidades, relacionamentos, cadeias temporais de eventos, vinculações de políticas e histórico de execução. Essa é uma das razões pelas quais as abordagens baseadas em grafos estão se tornando cada vez mais importantes em sistemas de agentes.

Um grafo não é útil apenas para recuperação de informações. Ele fornece uma representação em tempo de execução do estado operacional. Em vez de tratar o contexto como fragmentos de texto isolados, o sistema pode raciocinar sobre entidades conectadas, relacionamentos em evolução, dependências temporais e caminhos de propagação contextual. Isso muda completamente o papel do grafo. O grafo deixa de ser uma camada de armazenamento e se torna:

• memória contextual,
• representação operacional do estado,

• e contexto de execução para sistemas de decisão.

  

  À medida que os sistemas de agentes se movem em direção a operações autônomas, essa distinção torna-se cada vez mais importante. Porque a execução autônoma requer não apenas recuperação de informações, mas também gerenciamento contínuo do estado contextual[4].

Imagine um agente de disputas lidando com uma solicitação de estorno. O cliente alega que uma transação foi fraudulenta. A transação foi feita a partir de um dispositivo confiável. O comerciante tem uma baixa pontuação de risco. À primeira vista, o caso parece simples. Mas a transação ocorreu logo após uma redefinição de senha incomum, o cliente trocou de dispositivo recentemente e a política antifraude do banco exige escalonamento quando vários indícios fracos aparecem simultaneamente em um curto período de tempo.

Neste ponto, a política não pode permanecer um PDF. Ela deve se tornar parte da base do raciocínio.

Em um sistema de agentes operacionais, as políticas não devem ser recuperadas apenas como texto depois que o LLM já tiver formulado uma resposta. Elas devem restringir ativamente a execução: bloqueando certas ações, acionando escalonamentos, alterando caminhos de aprovação, exigindo evidências adicionais ou impedindo a resolução automatizada. Essa ideia está intimamente relacionada a abordagens anteriores de planejamento baseadas em políticas, onde a execução é continuamente moldada por restrições, objetivos e condições ambientais, em vez de lógica isolada de conclusão de tarefas [6].

É aqui que o contexto operacional baseado em grafos se torna crucial.

O gráfico representa o estado da disputa: cliente, conta, transação, comerciante, dispositivo, evento de redefinição de senha, indicadores de fraude, decisões anteriores, regras de política e histórico de execução. As políticas são então conectadas a este gráfico como restrições executáveis, não como documentos isolados. De muitas maneiras, isso se assemelha à evolução de ambientes de execução multiagente, onde entidades inteligentes se coordenam por meio de um estado operacional continuamente compartilhado, em vez de trocas de mensagens isoladas [4].

Uma camada de raciocínio pode operar sobre este grafo usando mecanismos baseados em regras ou em lógica, derivados de sistemas anteriores de programação lógica e bancos de dados dedutivos [8]. Por exemplo, uma regra semelhante ao Datalog pode expressar que uma disputa deve ser escalada se uma transação contestada seguir uma redefinição de senha, envolver um novo dispositivo e exceder um limite de risco — uma abordagem conceitualmente alinhada com sistemas clássicos de raciocínio dedutivo e mecanismos de lógica de banco de dados [9].

O LLM pode interpretar o caso, explicar a decisão e interagir com os usuários, mas a condição da política em si é avaliada deterministicamente sobre o grafo.

Nessa arquitetura, o mecanismo gráfico torna-se o substrato operacional, enquanto a camada de raciocínio avalia restrições, obrigações, permissões e dependências sobre o estado atual. Essa separação entre raciocínio probabilístico e execução restrita também ecoa modelos de agentes anteriores baseados em BDI, onde o comportamento inteligente emerge não apenas de objetivos, mas também de crenças, intenções, obrigações e restrições de execução continuamente mantidas (Rao & Georgeff, 1995).

A mudança fundamental 

Isso permite que um agente de resolução de disputas autônomo raciocine não apenas sobre o que aconteceu, mas também sobre o que é permitido, exigido, bloqueado ou escalado em cada etapa da execução.

Quando o contexto se torna um estado operacional em constante evolução e as políticas se transformam em restrições executáveis, o próximo desafio é a própria execução da decisão.

Nessa etapa, o problema deixa de ser a recuperação de informações e passa a ser o controle de decisões em tempo de execução. A maioria dos sistemas de agentes atuais ainda opera como sistemas de geração de ações: recuperam o contexto, raciocinam sobre ele, geram uma ação e executam o resultado. Mas os sistemas operacionais exigem uma camada adicional entre o raciocínio e a execução: um pipeline de decisão com restrições.

Essa distinção é crucial porque os ambientes operacionais raramente contêm uma única ação válida. Em vez disso, eles contêm:

• ações viáveis,
• ações proibidas,
• ações intensificadas,
• ações adiadas,
• e ações permitidas condicionalmente.

O papel do sistema, portanto, não é apenas gerar ações, mas também filtrá-las e validá-las continuamente sob restrições de tempo de execução. Um pipeline simplificado se parece cada vez mais com isto: 

Isso altera o papel de vários componentes na pilha. O grafo deixa de ser usado apenas para recuperação de informações e passa a representar o estado operacional do sistema em tempo de execução. 

As políticas deixaram de ser documentação estática. Elas se tornaram restrições executáveis ​​em tempo de execução, avaliadas durante a geração de decisões. O planejador não se limita mais a sequenciar tarefas. Ele passa a ser responsável por gerar ações operacionalmente viáveis ​​sob restrições ativas.

Essa distinção é importante porque muitas falhas operacionais não se originam da falta de informação, mas sim da seleção de ações inválidas em condições variáveis.

Por exemplo:

• Uma ação pode violar um limite de autoridade.
• conflito com uma regra de conformidade ativa,
• acionar uma sequência de processo inválida,
• ou criar riscos operacionais subsequentes.

Nesses casos, o problema não é uma falha de inteligência, mas sim uma falha de restrição. É por isso que o planejamento com restrições se torna cada vez mais importante em sistemas autônomos.

Em vez de executar diretamente as ações geradas, o sistema deve:

• avaliar a viabilidade,
• podar caminhos inválidos,
• Aplicar restrições de tempo de execução,
• detectar conflitos,
• e gerar caminhos de execução alternativos quando necessário.

Conceitualmente, isso aproxima os sistemas de agentes modernos dos sistemas de planejamento clássicos do que das arquiteturas tradicionais de IA conversacional.

Abordagens como:

• GraphPlan,
• sistemas de satisfação de restrições,
• busca heurística,
• Variantes A*,
• e algoritmos de replanejamento dinâmico

Tornam-se relevantes novamente quando os sistemas operam sob condições de tempo de execução em constante mudança.

No entanto, diferentemente dos planejadores clássicos, os sistemas operacionais modernos também contêm interpretação semântica probabilística, entradas não estruturadas, contexto gráfico em evolução e políticas que mudam dinamicamente.

Como resultado, a arquitetura emergente não é puramente simbólica nem puramente probabilística. Ela se torna um modelo de execução híbrido onde os LLMs interpretam, os grafos mantêm o estado operacional, as restrições definem os limites de execução e os planejadores geram ações viáveis ​​dentro desses limites.

Essa separação é importante porque permite que os sistemas autônomos permaneçam flexíveis sem perder o controle operacional. O objetivo não é eliminar a inteligência probabilística.

O objetivo é impedir que o raciocínio probabilístico controle diretamente a execução operacional sem camadas de validação determinísticas ao seu redor.

Quando o contexto operacional, as restrições de execução e o planejamento restrito se tornam parte do próprio ambiente de execução, a execução autônoma deixa de ser um simples problema de orquestração. O sistema opera continuamente em um estado operacional em constante mudança: as entidades evoluem, os relacionamentos mudam, as restrições são ativadas ou expiram e a viabilidade da execução se altera ao longo do tempo.

Nessas condições, a execução não pode mais depender exclusivamente das saídas geradas. O sistema deve reavaliar continuamente o contexto, validar as restrições, adaptar os planos e manter a consistência operacional em meio a condições variáveis.

Isso se torna ainda mais crítico à medida que os sistemas de agentes evoluem de fluxos de trabalho de curta duração para operações de longa duração e orientadas a objetivos. Nesses ambientes, os objetivos persistem, múltiplos agentes interagem, os limites organizacionais importam e os caminhos de execução evoluem dinamicamente durante a execução.

Como resultado, o planejamento deixa de ser uma tarefa pontual e se torna um processo operacional contínuo. É aqui que o estado operacional baseado em grafos, as políticas executáveis ​​e o planejamento com reconhecimento de restrições começam a convergir para uma nova arquitetura de tempo de execução para sistemas autônomos.

E, com o tempo, essa arquitetura provavelmente introduzirá uma nova geração de artefatos operacionais:

• metas persistentes inspiradas por abordagens de engenharia de requisitos orientadas a objetivos, como KAOS [10],
• funções e responsabilidades organizacionais executáveis ​​semelhantes à modelagem organizacional orientada a funções de Gaia para sistemas multiagentes [11],
• estruturas de coordenação adaptativas semelhantes a abordagens MAS organizacionais, como MOISE+ [12],
•  e padrões organizacionais de tempo de execução para sistemas multiagentes de longo horizonte explorados em pesquisa de lógica organizacional e sistemas multi-organizacionais adaptativos [13][14].

A próxima geração de sistemas de IA empresariais poderá, portanto, ser definida não pela quantidade de ações que consegue gerar, mas sim pela confiabilidade com que consegue manter um comportamento coordenado e orientado a objetivos sob restrições em constante mudança.

1. Hogan, A., Blomqvist, E., Cochez, M., et al. Grafos de conhecimento. ACM Computing Surveys, 2021.

2. Edge, D., et al. Do local ao global: uma abordagem GraphRAG para sumarização focada em consultas. arXiv, 2024.

3. Nii, HP. O Modelo Blackboard de Resolução de Problemas e a Evolução das Arquiteturas Blackboard. Revista AI, 1986.

4. Wooldridge, M. Uma Introdução aos Sistemas Multiagentes. Wiley, 2009.

5. Ferber, J. Sistemas Multiagentes: Uma Introdução à Inteligência Artificial Distribuída. Addison-Wesley, 1999.

6. Myers, KL. Rumo a uma estrutura para planejamento e execução contínuos. AAAI, 1999.

7. Rao, AS, Georgeff, MP Agentes BDI: da teoria à prática. ICMAS, 1995.

8. Ceri, S., Gottlob, G., Tanca, L. Programação Lógica e Bancos de Dados. Springer, 1990.

9. Abiteboul, S., Hull, R., Vianu, V. Fundamentos de Bancos de Dados. Addison-Wesley, 1995.

[10]. van Lamsweerde, A. (2001). Engenharia de Requisitos Orientada a Objetivos: Um Tour Guiado.

[11] Wooldridge, M., Jennings, NR, & Kinny, D. (2000). A metodologia Gaia para análise e projeto orientados a agentes.

[12] Hannoun, M., Sichman, JS, Boissier, O., & Sayettat, C. (2000). MOISE: Um modelo organizacional para sistemas multiagentes.

[14] Dignum, V., & Dignum, F. (2018). O papel dos modelos organizacionais em sistemas de agentes.

[15] Tamersoy, M., Ekinci, EE, Erdur, RC, & Dikenelli, O. (2017). Um modelo de requisitos para sistemas multi-organizacionais adaptativos. SASO 2017.