Por Antonio Duarte, CEO e cofundador da Nekt.
Durante algum tempo, boa parte da discussão sobre inteligência artificial nas empresas girou em torno de uma pergunta. Qual modelo usar? Fazia sentido. Os avanços eram rápidos, as diferenças de capacidade eram grandes e escolher a tecnologia certa podia representar uma vantagem relevante. Só que as regras dessa corrida mudaram.
Hoje, duas empresas concorrentes podem contratar os mesmos modelos de inteligência artificial. Podem usar Claude, ChatGPT, Gemini ou qualquer outra tecnologia disponível no mercado. À medida que esses modelos ficam mais acessíveis e suas capacidades avançam, é cada vez mais difícil imaginar que a escolha de um deles, sozinha, sustente uma vantagem competitiva por muito tempo.
O que um concorrente não consegue comprar é o contexto acumulado dentro da sua empresa. Esse contexto está nos dados, mas não apenas neles. Está na forma como a companhia define seus indicadores, nas regras que orientam uma operação, nos processos que foram aprimorados ao longo dos anos, nas exceções conhecidas pelo time e no histórico das decisões tomadas. Está, em resumo, na maneira particular como aquela organização aprendeu a operar. É por isso que acredito que engenharia de contexto tende a ganhar espaço na agenda das empresas.
Prompt engineering tratava principalmente de como uma pessoa deveria conversar com um modelo. Engenharia de contexto é um problema organizacional. A questão deixa de ser apenas como formular uma boa pergunta e passa a ser como garantir que um agente tenha acesso às informações corretas, com significado claro, histórico suficiente e permissões adequadas para executar uma tarefa.
Imagine duas empresas usando exatamente o mesmo modelo de IA. Na primeira, o agente recebe documentos soltos, dados desatualizados e algumas instruções escritas manualmente. Na segunda, ele consegue acessar informações de vendas, financeiro, produto e atendimento, entende o significado dos principais indicadores, conhece o histórico daquela operação e sabe quais informações pode ou não utilizar.
O modelo pode ser o mesmo. A capacidade de produzir algo útil para o negócio provavelmente não será.
Isso também ajuda a explicar por que simplesmente conectar IA a uma grande quantidade de dados não resolve o problema. Contexto não é despejar toda a informação disponível dentro de uma janela de conversa.
Dados precisam estar organizados. Clientes que aparecem de maneiras diferentes em sistemas distintos precisam ser reconhecidos como o mesmo cliente. Métricas precisam ter definições compartilhadas. Informações sensíveis precisam respeitar permissões. O agente também precisa saber de onde veio determinada informação e, em muitos casos, como ela mudou ao longo do tempo.
Quanto mais agentes passarem a trabalhar dentro das empresas, mais importante será essa camada de governança. Há ainda outro componente que considero subestimado nessa discussão. A memória. Uma empresa não consegue decidir hoje que deseja possuir três anos de histórico que nunca armazenou. Também não consegue reconstruir imediatamente todas as mudanças pelas quais passaram seus clientes, produtos ou processos. Memória não se compra depois, ela se acumula.
Durante muito tempo, armazenar histórico era útil principalmente para análises. Agora, esse histórico pode se transformar na memória usada por agentes para interpretar o presente. Um agente que enxerga apenas o estado atual de um cliente pode concluir que está tudo bem. Um agente que conhece a trajetória daquela conta pode perceber uma queda progressiva de uso, mudanças no padrão de compra, alterações no relacionamento com a empresa ou sinais semelhantes aos que antecederam cancelamentos anteriores.
Esse processo também cria um efeito cumulativo: uma empresa organiza seus dados, transforma eles em contexto e permite que pessoas e agentes trabalhem a partir dessa base. Esse trabalho gera novas informações, novas definições, novos processos e mais histórico. O contexto da organização fica melhor e passa a servir de base para novas aplicações. É um ativo que tende a crescer com o uso.
Isso é especialmente relevante porque a inteligência artificial começa a permitir que conhecimento antes difícil de escalar seja transformado em processo. Uma empresa de serviços, por exemplo, pode deixar de depender exclusivamente da memória de seus profissionais mais experientes e começar a transformar parte desse conhecimento em regras, dados, integrações e contexto que podem ser reutilizados por toda a operação. Não estamos falando aqui sobre retirar pessoas do processo, mas sim fazer com que aquilo que a organização aprendeu deixe de existir apenas em algumas cabeças.
Nos próximos anos, continuaremos discutindo modelos. Eles ainda terão diferenças importantes de capacidade, custo e desempenho. Mas acredito que a pergunta mais estratégica para muitas empresas será outra. O que o nosso agente sabe sobre nós que o agente do concorrente não sabe? Se a resposta for pouco, trocar de modelo provavelmente não resolverá o problema.
A vantagem estará na capacidade de transformar o conhecimento acumulado pela empresa em contexto confiável, acessível e utilizável. Quanto antes uma organização começar esse trabalho, mais memória terá acumulado quando seus agentes estiverem efetivamente operando partes relevantes do negócio. Se os modelos podem ser comprados por todos, o contexto é algo que precisa ser construído.
