Resultado mais duradouro do seu primeiro agente pode ser dados de origem mais limpos. Planeje e orce para isso

Existe um momento familiar nos pilotos de agentes. Alguém mostra uma resposta errada na tela, a sala começa a discutir o modelo, e então uma pessoa que conhece o processo rastreia a resposta até um registro que ninguém preencheu por dois anos. O modelo fez exatamente o que lhe foi pedido. Os dados lhe disseram algo falso.

Esse momento geralmente termina com um workaround: uma regra no prompt, uma exceção na recuperação, uma nota para “limpar isso depois”. Nossa visão é que deveria terminar de forma diferente. O defeito que o agente encontrou é uma das coisas mais valiosas que o piloto produziu.

Agentes leem o que as pessoas ignoram

Pessoas que trabalham com um sistema por anos aprendem quais campos ignorar, quais status nunca são atualizados e qual cliente tem três registros. Agentes não. Eles leem registros literalmente, em escala, toda vez. Então eles encontram, rapidamente e em público, a dívida de dados que as pessoas tinham contornado silenciosamente.

Quatro sinais de um único dia de publicações tornam o padrão difícil de ignorar:

• A equipe de engenharia de infraestrutura da Microsoft descobriu que seu relatório de liderança gerado por IA era impreciso até que construiu um segundo agente para corrigir os dados de planejamento na fonte. “A IA só pode ser tão precisa quanto os dados que tem diante de si.”
• O guia interno da Microsoft para escolher entre Agent Builder, Copilot Studio e Foundry afirma isso como uma lição: a prontidão dos dados determina a qualidade do agente, porque um agente reflete o conteúdo que pode acessar.
• O agente de suporte da Microsoft perdeu usuários quando ignorou o que eles já haviam tentado. Sua correção foi em parte sobre tom, e em parte sobre carregar contexto, que são dados que não haviam sido capturados ou repassados.
• O Google e a Databricks ambos moveram definições de negócio para mais perto dos agentes, e definições conflitantes são a primeira coisa que essa camada expõe.

Duas saídas, e a maioria dos programas guarda uma

Todo agente em seus primeiros meses produz duas coisas: respostas, e uma lista de razões pelas quais algumas respostas estavam erradas. A maioria dos programas guarda a primeira e joga a segunda fora em workarounds. Achamos que a segunda lista merece ser tratada como um entregável por direito próprio.

Registre toda resposta errada por causa raiz. Modelo, recuperação, dados, definição ou processo. Sem essa divisão, todo defeito parece um problema de modelo e recebe uma correção no prompt. Defendemos que a recuperação precisa de sua própria medição; dados e definições também.

Encaminhe defeitos de dados para o dono do sistema, não para o time de IA. O agente de higiene da Microsoft faz exatamente isso: ele diz ao dono do registro o que está faltando e como corrigir no sistema de registro. O time de IA não pode corrigir um cadastro de fornecedores, e não deveria tentar.

Não deixe o agente encobrir lacunas. Um agente que preenche um campo ausente com texto plausível esconde o defeito e torna a próxima resposta pior. Prefira agentes que dizem “este campo está vazio” a agentes que adivinham bem.

Meça o reparo. Taxas de completude e consistência para os registros dos quais o agente depende, acompanhadas ao longo do tempo. Esses números sobrevivem ao agente, e ajudam toda ferramenta, modelo e fornecedor futuro que lê os mesmos dados.

Coloque no orçamento dos dois lados

O reparo de dados é trabalho real feito por pessoas que já têm empregos, então pertence ao business case como um custo. Também pertence lá como valor, porque um registro mais limpo serve a todo processo que o lê, não apenas ao agente. Esse é o tipo de valor que argumentamos que horas economizadas não conseguem capturar: ele precisa de um dono e de uma métrica, decididos antes do go-live.

Em indústrias reguladas, isso é menos novo do que parece. Empresas de ciências da vida já inspecionam a integridade dos dados como disciplina, e bancos já fazem reconciliação. Um agente que expõe registros incompletos está produzindo achados que essas equipes sabem como processar. O risco está apenas em ignorá-los.

Nossa expectativa, e é uma visão e não um fato: as organizações que mais tirarão proveito de seus primeiros agentes não serão as que tiveram as melhores primeiras respostas. Serão as que trataram as respostas erradas como uma auditoria de seus dados, e corrigiram o que ela encontrou.