Por Jesús Barrasa, AI Field CTO na Neo4j*
O conceito mais comentado atualmente no mundo da inteligência artificial está ultrapassando o estágio do hype. Os avanços dos agentes de IA estão acelerando o desenvolvimento de sistemas autônomos de negócios, baseando-se no progresso do aprendizado de máquina. Atuando como um “agente” independente, essa tecnologia é capaz de tomar decisões com base em dados multimodais e algoritmos sobre os quais foi construída, além de “aprender” com suas experiências.
Ainda mais empolgante é o fato de que o agente de IA visa executar tarefas de forma autônoma. É essa capacidade de se adaptar, planejar e executar tarefas complexas sem intervenção humana direta que a diferencia das tecnologias anteriores de IA.
No contexto da cadeia de suprimentos, por exemplo, agentes de IA podem monitorar tendências de mercado e padrões históricos de demanda para prever níveis de estoque e planejar formas de evitar rupturas, como automatizar processos de reabastecimento. Os agentes detectam variações nas condições do mercado e ajustam seu comportamento para se tornarem mais eficazes na otimização da cadeia de suprimentos. Por isso, não é surpresa que mais de um em cada quatro líderes (26%) afirme que suas organizações já estão desenvolvendo roteiros estratégicos para o uso do agente de IA.
No entanto, por mais promissor que pareça delegar essas tarefas a um agente de IA, é necessário cautela. Apesar de seu poder autônomo, como garantir que suas ações e resultados sejam confiáveis? Se confiamos nessa tecnologia para executar tarefas sofisticadas sozinha, como garantir que suas decisões estejam realmente fundamentadas na realidade ou na visão da empresa sobre essa realidade? Assim como nossos cérebros usam observação e insumos extras para chegar a conclusões, os agentes de IA precisam contar com diversas fontes e sinais externos para aprimorar suas capacidades de raciocínio.
Essa necessidade pode ser atendida por soluções e plataformas que organizam os dados de forma acessível e recuperável. Veja como:
Os riscos das decisões autônomas
Como vimos, o que diferencia o agente de IA de outros sistemas de IA é sua capacidade de agir de forma autônoma, não apenas conduzir conversas lineares. A complexidade das tarefas que os agentes realizam geralmente exige o uso de múltiplas fontes externas dinâmicas. Como resultado, o risco de erros aumenta. Por exemplo, você pode confiar em um chatbot para atualizar o status de um reembolso, mas confiaria seus dados de cartão de crédito a um agente de IA para que ele reserve um voo?
Fora do campo da IA conversacional, os agentes baseados em tarefas planejam e mudam suas ações conforme o contexto. Eles delegam subtarefas a diferentes ferramentas disponíveis por meio de um processo conhecido como “encadeamento” (em que a saída de uma ação vira a entrada da próxima). Isso permite que tarefas sejam divididas em etapas menores, cada uma exigindo acesso a dados em tempo real e processamento iterativo, simulando a resolução humana de problemas.
O efeito em cadeia das decisões é moldado pelo ambiente monitorado, ou seja, pelas fontes de dados. Assim, a recuperação de dados precisa ser explicável e precisa em cada etapa, por dois motivos: primeiro, os usuários precisam saber por que o agente tomou determinada decisão e de onde veio a informação. É fundamental que confiem que a ação foi a mais eficaz e eficiente. Segundo, precisam ser capazes de otimizar o processo, analisando cada etapa e aprendendo com eventuais falhas.
Para confiar em um agente que execute tarefas sofisticadas com várias etapas de recuperação, o valor dos dados que sustentam esse processo aumenta significativamente.
A chave, portanto, está em disponibilizar dados empresariais confiáveis e acessíveis aos agentes. É por isso que cada vez mais empresas reconhecem o poder das tecnologias de banco de dados em grafos, pelas diversas estratégias de recuperação que oferecem — multiplicando o valor dos dados.
Da confusão à clareza: aproveitando o poder dos grafos no agente de IA
Como o agente de IA toma decisões com base em dados, os insights que embasam essas decisões precisam ser precisos, transparentes e explicáveis — benefícios que os bancos de dados em grafos são especialmente otimizados para oferecer. O Gartner já identifica os grafos de conhecimento como uma capacidade essencial para aplicações de GenAI, como o GraphRAG (Geração Aumentada por Recuperação com Grafos) podendo melhorar significativamente a precisão dos resultados.
A estrutura única dos grafos de conhecimento, formada por “nós” e “arestas”, permite respostas de maior qualidade. Nós representam entidades existentes (como uma pessoa ou local) e as arestas representam os relacionamentos entre elas — ou seja, como estão conectadas. Quanto maior e mais complexa for a estrutura, mais insights antes ocultos podem ser revelados. Essas características são valiosas para apresentar os dados de forma a tornar as tarefas dos agentes mais confiáveis e úteis.
Com o GraphRAG, os usuários percebem que as respostas não apenas se tornam mais precisas, mas também mais ricas, completas e, portanto, mais úteis. Por exemplo, um agente de atendimento ao cliente poderia oferecer um pacote de desconto na banda larga com base em um entendimento completo do cliente — algo possível com o GraphRAG, ao conectar informações antes dispersas. Há quanto tempo o cliente está na empresa? Quais serviços usa? Já fez reclamações?
Para responder a isso, podem ser criados nós representando o cliente e aspectos de sua experiência com a empresa (interações anteriores, uso de serviços, localização), e arestas indicando o serviço mais barato ou adequado. Uma visão fragmentada dos dados poderia levar o agente a oferecer um desconto indevido — gerando prejuízos. Como disse o CEO da Klarna: “Alimentar um LLM com o mundo fracionado e disperso dos dados corporativos resultará em um LLM muito confuso”. O cenário é diferente quando os dados estão conectados em um grafo: a equipe de atendimento ao cliente do LinkedIn, por exemplo, relatou uma redução de 28,6% no tempo médio de resolução por caso desde a adoção do GraphRAG.
Prepare seus dados para a era do agente de IA
Os LLMs que impulsionam os agentes de IA estão evoluindo rapidamente, e os frameworks dos agentes tornam cada vez mais acessível a criação de aplicações sofisticadas e com múltiplas etapas. O próximo passo essencial é tornar seus dados corporativos mais ricos, conectados e sensíveis ao contexto, para que estejam totalmente acessíveis e utilizáveis por esses agentes avançados. Isso desbloqueia todo o valor dos seus dados, permitindo agentes mais precisos, eficientes e explicáveis. É aqui que a integração do agente de IA com os grafos de conhecimento se torna um verdadeiro divisor de águas. Dados conectados fornecem o contexto necessário para que os agentes raciocinem de forma mais inteligente, gerem resultados mais eficazes e entreguem mais impacto.
*O Dr. Jesús Barrasa é AI Field CTO da Neo4j e especialista em grafos de conhecimento e tecnologias semânticas. Ele fez contribuições significativas para a área, sendo coautor do livro da O’Reilly “Building Knowledge Graphs: A Practitioner’s Guide”, lançado em julho de 2023. Antes de ingressar na Neo4j, Jesús trabalhou em empresas de integração de dados como a Denodo e a Ontology Systems (atualmente EXFO), onde adquiriu experiência em primeira mão com muitas implantações bem-sucedidas de integração de dados e grandes projetos de tecnologia de grafos que aprimoraram as operações e a análise de empresas o redor do mundo. A experiência de Jesús está enraizada em seu trabalho de doutorado em Inteligência Artificial e Representação de Conhecimento, no qual ele se concentrou no reaproveitamento automático de dados legados, como grafos de conhecimento. Ele é um líder de pensamento ativo nas comunidades de grafos e semântica, compartilhando regularmente seus insights por meio de palestras, publicações e conteúdo educacional. Ele também é co-apresentador do popular webcast mensal “Going Meta”. Jesús mora em Londres, no Reino Unido.
