A maioria das arquiteturas de IA em uso hoje responde com base no que o modelo memorizou no treinamento. Quando o processo de negócio depende de dado atual, específico e interno da empresa, esse modelo erra com confiança. A resposta parece certa. O formato está correto. O dado é inventado. Esse é o problema central de arquitetura de IA em produção.
Subcapability 04 de 05 · Inteligência Artificial
Arquitetura de IA
RAG, agentes e MCP: a arquitetura que move IA do experimento para produção com dado verificável e ação rastreável.
O que está em jogo
IA em produção com dado inventado é risco operacional com interface de linguagem natural. A maioria das arquiteturas de IA em uso hoje responde com base no que o modelo memorizou no treinamento, sem mecanismo para garantir que a resposta está fundamentada no dado real da empresa. O erro chega ao processo de negócio com aparência de fato verificado.
O que é, na prática
Como atuamos
RAG sobre dado interno
Implementamos RAG sobre as bases de dado da empresa, para que o modelo responda com base em documento real e recuperável. Cada resposta pode ser rastreada até a fonte, o dado privado permanece na empresa e a atualização de conteúdo não exige retreinamento do modelo.
Agentes com escopo definido
Desenhamos agentes para processos com múltiplas etapas sequenciais, com delimitação explícita do que o agente executa de forma autônoma e do que exige aprovação humana antes de avançar. Cada ação é registrada para auditoria.
Integração via MCP
Conectamos agentes aos sistemas e ferramentas da empresa via Model Context Protocol, o padrão aberto que padronizou a forma de dar contexto e acesso a agentes. Com MCP em uso, adicionar um novo sistema ao alcance de um agente cai de semanas para dias.
Engenharia por especificação
Implementamos o padrão de desenvolvimento guiado por especificação para engenharia com IA: o time descreve a intenção e o comportamento esperado, a IA implementa, o engenheiro revisa e aprova antes de qualquer execução em produção.
Decisão de construir ou comprar
Definimos o critério de construir versus comprar para cada componente da arquitetura de IA, usando commodity onde o mercado resolve e construindo onde há diferenciação real de negócio, sem acumular dependência de fornecedor onde a empresa precisa de controle.
Ganhos mensuráveis
O que muda no resultado quando essa subcapacidade amadurece.
Taxa de respostas rastreáveis até fonte de dado verificável
RAG sobre dado interno eleva a proporção de respostas que podem ser auditadas e rastreadas ao documento de origem, reduzindo o risco de alucinação que chega ao processo de negócio com aparência de fato.
Tempo de integração de novo sistema ao ecossistema de agentes
MCP padroniza a conexão de agentes a sistemas. Com o protocolo em uso, integrar um novo sistema ao alcance de um agente reduz de semanas de desenvolvimento customizado para dias de configuração.
Percentual de ações de agente com aprovação humana em pontos de alto impacto
Arquitetura com pontos de aprovação definidos antes da execução garante controle sem eliminar a automação. O humano aprova onde o impacto é alto. O agente executa onde o critério já está claro.
Velocidade de ciclo de entrega com engenharia assistida por IA
Desenvolvimento guiado por especificação encurta o ciclo de implementação ao separar a geração de código da responsabilidade pela revisão. O engenheiro mantém accountability sobre o que vai para produção.
Perguntas frequentes
Qual a diferença prática entre RAG e ajuste fino do modelo com dado da empresa?
Ajuste fino, ou fine-tuning, incorpora padrões do dado da empresa no modelo durante o treinamento. RAG busca o dado no momento da consulta e fundamenta a resposta no documento recuperado. A diferença operacional é que RAG atualiza com o dado atual sem retreinar o modelo, a resposta pode ser rastreada até a fonte, e o dado privado permanece sob controle da empresa, sem ser enviado ao fornecedor do modelo durante o treinamento.
O que é MCP e por que virou o padrão de integração de agentes?
MCP é o Model Context Protocol, um protocolo aberto que define como agentes de IA se conectam a ferramentas, sistemas e fontes de dado de forma padronizada. Adotado pelos principais fornecedores de modelos a partir de 2025, o MCP reduziu o custo de integração porque elimina o desenvolvimento de conector customizado para cada par de agente e sistema.
Quando faz sentido usar agentes de IA em vez de automação tradicional?
Quando o processo tem múltiplas etapas que dependem de julgamento variável, envolve acesso a sistemas diferentes e pode ser descrito com critério claro de sucesso e de falha. Automação tradicional executa regra fixa. Agente executa processo que exige leitura de contexto em cada etapa. O que define se o agente é seguro é a clareza sobre o que ele pode fazer sem aprovação humana.
Como garantir que o agente não executa ação fora do escopo esperado?
Com delimitação de ações possíveis, pontos de aprovação humana antes de ações de alto impacto e log completo de cada ação executada. O agente opera dentro de um conjunto definido de capacidades. Ações que superam o limiar de impacto definido exigem confirmação antes de executar. O log de auditoria é o que permite responder a qualquer incidente sem depender de memória de quem operou o sistema.
Dado precisa estar pronto antes de implementar RAG?
A qualidade do dado é o que determina a qualidade da resposta. RAG sobre dado fragmentado, sem estrutura ou desatualizado produz respostas tão imprecisas quanto um modelo sem recuperação. O trabalho de preparação de dado, estruturação, limpeza e indexação, precede a implementação do sistema de recuperação. Dado imaturo é a principal razão pela qual projetos de RAG não entregam em produção o que demonstraram no piloto.
Outras subcapabilities desta capability
Governança de IA
Governança que converte IA de risco acumulado em capacidade escalável.
Adoção por Times de Negócio
Times de jurídico, financeiro e comercial usando IA com guardrails, sem esperar TI e sem expor dado sensível.
Valor e Portfólio de IA
Portfólio de iniciativas de IA priorizado por retorno real, custo, receita, margem, não por entusiasmo de demonstração.
Operação e Confiabilidade de IA
Modelos em produção com ciclo de vida completo: versionamento, monitoramento, retreino e supervisão de comportamento.
Quer clareza sobre onde investir primeiro?
Diagnóstico completo de capacidades de tecnologia com roadmap de evolução conectado ao resultado financeiro.