s
INTELIGÊNCIA ARTIFICIAL

Quem será o dono do dicionário da IA?

Fornecedores avançam sobre a camada que define como agentes interpretam dados e regras de negócio. A disputa envolve interoperabilidade, dependência tecnológica e controle das decisões automatizadas.

Dois agentes de Inteligência Artificial consultam os mesmos dados de um cliente. Um conclui que ele está inadimplente porque há uma fatura vencida. O outro considera que está em dia porque existe um acordo de renegociação em vigor. Os dois podem ter acesso a informações corretas e chegar a conclusões diferentes. A divergência pode estar nas definições e regras que utilizam para interpretar os dados. À medida que as empresas entregam decisões aos agentes, estabelecer essas definições passa a ser tão importante quanto disponibilizar as informações.

É nesse ponto que entram as ontologias, um conceito antigo da computação que ganha relevância com a IA agêntica, em que sistemas executam tarefas com autonomia. Uma ontologia é um modelo que define os elementos de determinado domínio, suas características e as relações entre eles. No ambiente corporativo, pode estabelecer o que caracteriza um cliente inadimplente, como uma fatura se relaciona com um contrato, em quais condições um pagamento é considerado concluído e quem pode autorizar uma exceção. Essas definições ajudam sistemas diferentes a interpretar os mesmos dados de maneira consistente. A ontologia funciona como uma espécie de dicionário dos conceitos e relações do negócio, embora possa ir além das definições, permitindo inferências e verificações lógicas.

A distinção importa porque os grandes modelos de linguagem conhecem conceitos gerais, mas não necessariamente as regras específicas de uma empresa. Um agente pode consultar o ERP, acessar o CRM e recuperar cláusulas contratuais sem identificar corretamente como essas informações se relacionam. Recuperar informações por meio de RAG (técnica que busca documentos para embasar as respostas do modelo) ou consultar bancos de dados não resolve automaticamente essa lacuna. Uma ontologia oferece uma estrutura formal para representar conceitos e relações e, dependendo de sua implementação, verificar determinadas condições antes de uma decisão. Não elimina a possibilidade de erro, mas reduz a necessidade de o agente inferir sozinho o significado dos dados.

CADASTRE-SE GRÁTIS PARA ACESSAR 5 CONTEÚDOS MENSAIS

Já recebe a newsletter? Ative seu acesso

Ao cadastrar-se você declara que está de acordo
com nossos Termos de Uso e Privacidade.

Cadastrar

Essa camada começa a ganhar importância na competição pela infraestrutura corporativa de IA. Em 5 de novembro de 2026, a Neo4j apresentou uma especificação de código aberto para grafos de ontologia, destinada a representar conceitos e relações de negócio em formato legível por máquinas. Foi criada para a plataforma da empresa, mas tem a interoperabilidade com outros sistemas como objetivo declarado. Em 12 de novembro, a Palantir anunciou a disponibilidade geral do Ontology SQL. O recurso permite consultar objetos e relações de sua plataforma Ontology usando SQL, linguagem amplamente adotada na análise de dados, e publicar essas consultas como funções reutilizáveis por outras aplicações. A Oracle anunciou, em 27 de outubro, recursos para gerar ontologias com auxílio de IA, a partir de esquemas de bancos de dados, modelos semânticos, documentação e APIs. Segundo a Oracle, especialistas deverão revisar e aprovar as ontologias geradas. A empresa prevê disponibilizar os recursos nos 12 meses seguintes ao anúncio. As iniciativas têm arquiteturas e propostas distintas, mas apontam para um interesse comum: tornar o conhecimento sobre o funcionamento das empresas acessível aos agentes.

O movimento recupera parte das ambições da Web Semântica, proposta que ganhou força nas décadas de 1990 e 2000 e buscava tornar as informações compreensíveis também para máquinas. Em apresentação na AI Engineer World’s Fair, Frank Coyle, professor da Universidade da Califórnia em Berkeley, defendeu a combinação de modelos probabilísticos de linguagem com mecanismos de raciocínio simbólico, que aplicam regras e definições explícitas. Tecnologias como RDF e OWL, desenvolvidas para representar conhecimento e suas relações, voltam a ser consideradas na construção de agentes. A combinação é conhecida como IA neurossimbólica. Seu objetivo é aproveitar a flexibilidade dos modelos de linguagem sem depender exclusivamente de suas inferências para interpretar regras.

Há diferenças importantes entre as tecnologias envolvidas. Uma taxonomia organiza categorias. Uma ontologia descreve conceitos, relações e, em alguns modelos, restrições formais. Um grafo de conhecimento conecta entidades e pode usar uma ontologia para organizar seu significado. Esses recursos funcionam em conjunto, mas não são intercambiáveis. Um grafo que conecta dados não garante, por si só, que um agente compreenda as condições em que determinada relação é válida. Da mesma forma, um diagrama de caixas e setas não constitui necessariamente uma ontologia capaz de sustentar verificações lógicas.

A questão estratégica está em quem controla essa representação. Uma empresa pode definir suas próprias regras de negócio e utilizar tecnologias abertas para disponibilizá-las aos agentes. A especificação da Neo4j, por exemplo, permite representar ontologias em arquivos de texto estruturado (JSON ou YAML), com controle de versões e referências a padrões externos. Também pode adotar uma plataforma proprietária que reúne dados, relações e lógica operacional em um ambiente integrado, como a Ontology da Palantir. A segunda opção pode facilitar a implementação, mas exige examinar a portabilidade dos modelos, a possibilidade de utilizar diferentes fornecedores e o grau de dependência criado pela arquitetura. Se o significado de cliente ativo, risco aprovado ou pedido concluído estiver formalizado em uma camada difícil de transportar, trocar de plataforma poderá exigir mais do que migrar bancos de dados. Poderá envolver reconstruir parte da representação do negócio. Essa é uma hipótese de risco tecnológico, cujo alcance depende das características de cada solução.

Mas formalizar o significado dos dados não garante que as decisões sejam corretas. Em estudo divulgado em 27 de outubro de 2026, Michal Orzechowski, Rund Tawfiq e Tomasz Kosciolek avaliaram três tipos de ontologia como verificadores das respostas de agentes que consultam grafos de conhecimento: as curadas por especialistas, as geradas por modelos de linguagem e as derivadas dos próprios dados. No UniProt, base de informações sobre proteínas, o verificador baseado na ontologia curada identificou 18,9% das respostas incorretas, mas também sinalizou indevidamente 16,8% das corretas. A combinação dessa ontologia com outra derivada dos dados elevou a detecção de erros para 19,5%, enquanto os alarmes falsos chegaram a 17,8%. Acrescentar mecanismos de verificação não produziu, nesse experimento, um ganho proporcional de confiabilidade. Para uma empresa, isso significa avaliar a supervisão automatizada em duas direções: quantos erros identifica e quantas respostas corretas classifica indevidamente como erradas.

Uma ressalva técnica é decisiva para interpretar os resultados. Os pesquisadores usaram regras formais da linguagem OWL (os axiomas) como critérios de validação sob a hipótese de mundo fechado. Nela, a falta de uma informação pode ser tratada como erro. A semântica padrão da OWL adota a hipótese de mundo aberto, em que a ausência de um dado significa apenas que ele é desconhecido. O estudo, ainda sem revisão por pares, não demonstra que ontologias formais sejam inadequadas para agentes. Mostra que a confiabilidade depende também de como as definições são interpretadas e aplicadas. Uma regra correta pode produzir verificações equivocadas quando utilizada fora das condições para as quais foi concebida. E uma regra errada, mesmo formalizada de maneira consistente, pode orientar decisões erradas em escala.

Existe ainda uma dificuldade que ajudou a limitar as ambições originais da Web Semântica: manter as ontologias atualizadas. Empresas alteram políticas comerciais, criam produtos, renegociam contratos e mudam critérios de risco. Uma definição válida hoje pode deixar de valer amanhã. A IA pode ajudar a identificar relações e sugerir atualizações. A Oracle, por exemplo, descreve um processo em que a plataforma monitora o uso das ontologias pelos agentes e recomenda atualizações, que especialistas revisam e aprovam. Mas isso não resolve automaticamente quem tem autoridade para aprová-las. Também não substitui controles de acesso, mecanismos de autorização e supervisão humana. O problema ganha outra dimensão quando agentes passam a executar operações: uma inconsistência que antes afetava um relatório pode agora influenciar pagamentos, concessões de crédito ou decisões sobre fornecedores.

A justificativa econômica para investir nessa camada também merece exame. No ensaio Monetizing The Ontology: Turning Information Into Decision Advantages, publicado por Vin Vashishta em 17 de novembro de 2026, o autor questiona projetos de modelagem de informação cujo retorno depende exclusivamente de futuras aplicações de IA. Para ele, apresentar a ontologia como pré-requisito da IA adia o retorno do investimento. Seu argumento é que compreender melhor as relações do negócio pode gerar valor imediato ao reduzir incertezas nas decisões humanas. Para as empresas, isso sugere começar por decisões recorrentes, identificar quais definições e relações determinam seus resultados e medir se a modelagem melhora sua qualidade. Construir uma ontologia corporativa abrangente, sem casos de uso e critérios de avaliação claros, pode criar mais uma camada de complexidade e custo.

A movimentação dos fornecedores ainda não permite concluir quem dominará esse mercado, nem se prevalecerão padrões abertos, plataformas proprietárias ou arquiteturas híbridas. Mas já coloca uma escolha na agenda de CIOs, CDOs e conselhos. A agenda inclui quatro decisões: quem define os conceitos e as regras que os agentes utilizam, quem pode alterá-los, como são verificados e o que acontece quando dois sistemas discordam. Essas escolhas afetam a capacidade da empresa de auditar, corrigir e substituir seus sistemas de IA. Ao entregar a um fornecedor a camada que organiza o significado dos dados, uma organização pode também transferir parte do controle sobre a maneira como seus agentes interpretam o negócio. O risco é descobrir essa dependência apenas quando precisar mudar uma regra, contestar uma decisão ou trocar de plataforma.

Quem será o dono do dicionário da IA?

Inteligência Artificial

Quem será o dono do dicionário da IA?

Fornecedores avançam sobre a camada que define como agentes interpretam dados e regras de negócio. A disputa envolve interoperabilidade, dependência tecnológica e controle das decisões automatizadas.

Casa própria em terreno alugado: o Brasil e a IA

Inteligência Artificial

Casa própria em terreno alugado: o Brasil e a IA

No Beyond AI 2026, Carolina Bocuhy, do Banco BV, lembrou à plateia que GPT é também uma sigla da economia e propôs uma pergunta incômoda: o Brasil vai conseguir capturar valor com IA para além da energia e mineração?

O agente escolhe a loja. Outros controlam o caminho

Tendências

O agente escolhe a loja. Outros controlam o caminho

OpenAI, Sierra e Amazon avançam sobre pagamento, acesso e dados de produtos. A disputa é por quem define as condições das compras feitas por agentes de IA.

Correias no teto, a IA, e o organograma que ainda não mudou

Inteligência Artificial

Correias no teto, a IA, e o organograma que ainda não mudou

No Beyond AI 2026, Pedro Waengertner, CEO da ACE Ventures, mostra como empresas de software usam a IA para reformular suas estruturas e provoca: para as demais, está na hora de desaprender o organograma antigo

Nvidia: lições de governança

Inteligência Artificial

Nvidia: lições de governança

A saída de Jensen Huang expôs fragilidades na sucessão e na supervisão do CEO, apesar dos mecanismos formais de governança da Nvidia.

Com a saída de Jensen Huang, como fica o

Inteligência Artificial

Com a saída de Jensen Huang, como fica o "Banco Central" da IA?

O afastamento do fundador e CEO da Nvidia pode retirar o amortecedor que impedia o mercado de testar a fragilidade da bolha.