Contexto em IA: termo é vendido por diferentes abordagens e gera desafios para empresas
O conceito de "contexto" tornou-se central no uso da inteligência artificial pelas empresas, mas diferentes.
O conceito de "contexto" tornou-se central no uso da inteligência artificial pelas empresas, mas diferentes.
O crescente uso do termo 'contexto' no mercado de IA
Nas recentes conferências e lançamentos do setor de tecnologia, o termo "contexto" destacou-se nas discussões sobre inteligência artificial (IA). Isso ocorre porque, embora os modelos atuais de IA gerem respostas rápidas e confiantes, eles não têm compreensão aprofundada das regras específicas e operações das empresas. "Contexto" refere-se ao conjunto integrado de informações relevantes que o sistema utiliza para agir de acordo com a realidade do negócio.
Por exemplo, um agente de atendimento ao cliente auxiliado por IA que precisa autorizar um reembolso deve considerar a política de devolução da empresa, o histórico do cliente, informações detalhadas sobre o produto e as regras que permitem exceções. Qualquer ausência ou imprecisão em uma destas informações pode levar a decisões erradas, que embora soem seguras, podem causar perdas financeiras significativas para a empresa.
Abordagens variadas para prover contexto e seus desafios
No mercado tecnológico, várias soluções se apresentam como fornecedoras de "contexto confiável" para IA, mas o que cada fornecedor entende por contexto varia conforme sua proposta. Uma abordagem comum baseia-se na definição antecipada do contexto, por meio da padronização e documentação clara dos termos de negócio em um repositório centralizado, conhecido como camada semântica. Essa camada garante que termos como "cliente ativo" ou "receita líquida" tenham uma definição unificada em toda a organização, eliminando divergências dispersas em diferentes relatórios e painéis.
Empresas tradicionais em análise de dados, como Qlik, ThoughtSpot e Domo, assim como grandes provedores de nuvem, já comercializam versões dessa camada semântica, agora destacando-a como base para aplicações de IA.
Outra estratégia mais recente envolve a construção de ontologias empresariais, que são modelos que mapeiam as relações entre clientes, pedidos, produtos e contratos, permitindo que o software navegue pelo negócio sem suposições. A Palantir destaca-se por ter construído seu negócio baseado nessa abordagem de ontologia, modelando integralmente a operação da empresa antes de aplicar IA. Essa abordagem melhora a confiabilidade da IA, já que o sistema consulta definições previamente estabelecidas, eliminando apostas. Entretanto, a construção manual dessas ontologias exige tempo e investimento elevados, e tende a ser uma das primeiras áreas a sofrer cortes em momentos de restrição orçamentária.
Métodos ágeis de recuperação de dados e suas limitações
Outro grupo de fornecedores aposta na recuperação dinâmica de informações em tempo real, sem a necessidade de modelagem prévia da empresa. Nessa abordagem, conhecida como geração aumentada por recuperação, a IA busca documentos, chamados de tickets e registros no momento da consulta, identificando o que parecer relevante e usando para responder.
Essa forma apresenta vantagens em velocidade, já que dispensa o longo trabalho de modelagem antecipada. O papel do chamado "context engineer" (engenheiro de contexto) é definir o que a IA pode acessar e quando. Essa agilidade atrai organizações que buscam fazer testes rápidos e aplicações simples.
Porém, essa abordagem tem restrições. Como o modelo não entende profundamente o funcionamento da empresa, pode criar conexões erradas, inventar informações e falhar em tarefas que requerem múltiplos passos de raciocínio. Para atividades cotidianas simples, essa abordagem costuma funcionar adequadamente desde que haja supervisão humana para corrigir erros. Já para operações críticas, confiar exclusivamente nesse método implica riscos e pode resultar em prejuízos.
Importância dos metadados, governança e segurança na qualidade do contexto
Além de definir e acessar o contexto, a qualidade, governança e segurança dos dados são essenciais para garantir a confiabilidade da IA. Fornecedores que atuam em infraestrutura ressaltam a necessidade de localizar, classificar e disponibilizar dados corretos com alta velocidade para alimentar os modelos de IA.
Aqui, os metadados — informação que descreve os dados, como data da compra, método de pagamento, e status de garantia — são importantes para encontrar e validar os registros, embora por si só não definam o significado empresarial real. Esse significado depende da harmonização das definições e termos usados pela companhia.
Empresas especializadas em governança e qualidade de dados, como Informatica, Collibra e Atlan, apontam que agentes de IA que atuam com dados desatualizados, incorretos ou acessados indevidamente podem tomar decisões equivocadas, além de expor a empresa a problemas regulatórios. Portanto, acompanhar a linhagem dos dados, sua qualidade e as permissões de acesso é indispensável, especialmente à medida que soluções de IA avançam rumo à automação de decisões empresariais.
Vantagens competitivas das grandes plataformas de dados
Grandes provedores de plataformas de dados, incluindo Snowflake, Databricks, Oracle, Google Cloud, Microsoft Azure e AWS, dispõem de vantagens importantes ao já armazenar amplos volumes de dados corporativos. Isso permite que criem soluções integradas para construir o contexto de forma dinâmica, usando desde ontologias até grafos de conhecimento — representações em tempo real das entidades da empresa e suas relações, que podem ser consultadas pela IA.
Por exemplo, o Microsoft Copilot integra dados sobre pessoas, arquivos e compromissos para fornecer o contexto necessário; a Salesforce conecta dados do cliente diretamente aos agentes inteligentes; e a ServiceNow utiliza grafos de conhecimento para otimizar seus processos internos. Essa integração torna o uso da IA mais prático para os usuários, mas é importante que as empresas mantenham a propriedade e o controle da camada que define o significado real desses dados para evitar dependência excessiva dos fornecedores.
Informações editoriais
Fonte: Forbes
Tiago Oliveira
Responsável pela curadoria editorial da TECSOCIETY, com foco em tecnologia, inteligência artificial, segurança digital, automação e games para leitores brasileiros.
Ver perfil editorial