Mundo 1, fase 4: o que segura as plataformas

Décio Dalke Jr. — Arquiteto de negócios. Sócio-gerente no ecossistema MitUP (mitup.pt).

Série Mundo 1 da IA — fase 4 de 5: fase 1 · fase 2 · fase 3 · fase 4 · fase 5

Na fase 3, o Mario pulou de plataforma em plataforma lá no alto. Tem uma pergunta que nenhum jogador faz: o que segura aquelas plataformas no ar? No jogo, nada. É desenho. Na empresa, alguém precisa ter construído.

A arquitetura de IA de uma empresa é o conjunto de peças que ficam em volta do modelo: o que ele vê em cada momento, onde busca o que não sabe, com que ferramentas age, como se mede se acertou e o que o impede de fazer besteira. É isso, e não o modelo escolhido, que decide se a IA funciona no dia a dia.

Esta fase é sobre essas peças. Quem já montou um sistema de informação vai reconhecer quase todas. A novidade é que agora o sistema conversa.

O que a IA vê em cada momento?

A fase 2 mostrou que o modelo só sabe o que está na frente dele, na janela de contexto. Daí nasce a primeira peça: decidir o que entra nessa janela, e o que fica de fora. A Anthropic chama isso de engenharia de contexto e a descreve como o conjunto de estratégias para escolher e manter a melhor informação na janela a cada momento do trabalho [1]. Repare na mudança de foco: deixa de ser “como eu escrevo o pedido” e passa a ser “o que ela precisa ter na mão para responder bem”.

Já contei na fase 1 o caso das minhas instruções, que foram crescendo até virarem um bloco único e genérico. A solução não foi escrever melhor. Foi separar por papel, para que cada tarefa carregasse só o que precisava. Isso é engenharia de contexto.

Como a IA consulta o que não cabe na janela?

A sua empresa tem mais documentos do que cabe em qualquer janela. A resposta mais comum para isso tem uma sigla feia: RAG, geração aumentada por recuperação. O nome vem de um artigo de 2020 [2], e a ideia é simples. Antes de responder, o sistema busca nos seus documentos os trechos que interessam, coloca esses trechos na janela e só então pede a resposta ao modelo.

É o consultor sem memória da fase 2, agora com um arquivista que separa a pasta certa antes de ele chegar.

O ponto fraco também é simples: a resposta nunca é melhor que a busca. Se o arquivista entrega a versão antiga do contrato, o consultor vai responder com toda a segurança sobre a versão antiga. Por isso a regra que citei na fase 2, “uma informação, uma casa”, não é mania de organização. Com três cópias do mesmo documento, o RAG tem três chances de pegar a errada.

Como a IA passa de responder para agir?

Com ferramentas. Um conector deixa o modelo ler o seu e-mail, criar uma tarefa, consultar uma planilha, mandar uma mensagem. Em novembro de 2024 a Anthropic lançou um padrão aberto para isso, o MCP (Model Context Protocol) [3]. Pegou: a OpenAI anunciou suporte em março de 2025 [4], e no fim de 2025 o padrão foi doado a uma fundação sob a Linux Foundation, com apoio de Google, Microsoft e AWS, entre outros [5].

Para o gestor, a frase que importa é esta: cada conector é uma permissão. Ligar a IA ao e-mail é dar a ela a chave do e-mail. E as chaves podem ser mal usadas por terceiros: pesquisadores mostraram em 2025 que um conector malicioso consegue esconder instruções na própria descrição e levar o agente a vazar dados [6].

Quando vale ter vários agentes trabalhando juntos?

A ideia é sedutora: um agente pesquisa, outro escreve, outro revisa. Às vezes funciona muito bem. A própria Anthropic mostrou que o seu sistema de pesquisa com vários agentes teve desempenho 90% superior ao de um agente sozinho numa avaliação interna, mas gasta cerca de 15 vezes mais tokens que uma conversa comum [7]. Do outro lado, a Cognition, que desenvolve agentes de programação, publicou um texto chamado, sem rodeios, “Não construa multiagentes”: as decisões ficam espalhadas demais, e o contexto não passa inteiro de um agente para o outro [8].

As duas coisas são verdade ao mesmo tempo. A recomendação que a Anthropic dá para quem começa é começar simples e só acrescentar etapas quando o simples não der conta [9].

Na minha operação, vários agentes valem a pena quando cada um tem um papel que não pode ser misturado com o do outro. O caso do contrato, na fase 1, é o exemplo: um advogado do nosso lado, um da parte contrária e um juiz. O que deu errado foi deixar uma revisão só, sem lado definido, escolher o lado sozinha.

Como você sabe que funciona?

Esta é a peça que quase ninguém monta, e é por ela que os projetos caem.

“Testei algumas vezes e pareceu bom” não é teste. O nome que se usa no mercado para o teste de verdade é avaliação (eval): um conjunto de casos com a resposta certa conhecida, que você roda de novo toda vez que muda alguma coisa [10]. Mudou a instrução, trocou o modelo, acrescentou um documento? Roda os casos de novo e compara.

Os melhores casos de teste não se inventam. Saem dos erros que já aconteceram. Na fase 2 eu disse que cada regra do meu método nasceu de alguma coisa que deu errado. É o mesmo movimento: o erro de ontem vira a pergunta que o sistema tem de acertar amanhã.

Como você impede que a IA faça besteira?

Pedindo não adianta. Uma instrução do tipo “nunca faça X” é um pedido, e o modelo pode não seguir, ou ser convencido a não seguir. A OWASP, referência em segurança de software, lista o “excesso de autonomia” entre os principais riscos das aplicações com IA e recomenda duas coisas: dar a cada ferramenta só a permissão mínima necessária, e fazer a checagem de autorização no sistema de destino, em vez de deixar o modelo decidir se pode [11].

Em outras palavras: o limite tem de estar fora do agente. O caso do WhatsApp, na fase 3, é isso na prática. O agente parou de usar o agente pago porque o acesso foi retirado e o processo passou para trás de um portão que decide o que ele pode fazer sozinho.

Instruções, RAG ou fine-tuning: por onde começar?

É a pergunta que todo gestor acaba fazendo quando a IA não entrega o que devia. As três saídas resolvem problemas diferentes:

Se o problema é…	Comece por…	Por quê
Ela não entendeu o que você queria	Melhorar as instruções e o contexto	É o mais barato e o mais rápido de testar
Ela não sabe os fatos do seu negócio	RAG (buscar nos seus documentos)	Os fatos ficam na fonte, atualizados e com a origem ao lado
Ela sabe, mas não faz do jeito certo, em volume	Fine-tuning (ajuste fino do modelo)	Ensina formato, estilo e comportamento repetido

A documentação da OpenAI sobre otimização de modelos diz que só o trabalho nas instruções pode ser tudo o que você precisa [12]. E a pesquisa aponta na mesma direção para os fatos: num estudo comparando as duas técnicas para ensinar conhecimento novo ao modelo, o RAG foi melhor que o fine-tuning de forma consistente [13].

A minha leitura, a partir do que vejo no mercado e não de um dado medido: para a maioria das empresas, o fine-tuning raramente é o primeiro passo. Quando a IA erra fatos, o fine-tuning costuma ser a resposta errada para a pergunta certa. A fase 5 abre esse motor e mostra por quê.

Nenhuma peça desta fase aparece na tela. Por isso são as primeiras a ser cortadas do orçamento, e as primeiras a fazer falta.

Plataforma que ninguém construiu não aguenta o primeiro pulo.

Perguntas rápidas

O que é RAG, em uma frase? É fazer o sistema buscar nos seus documentos os trechos relevantes antes de o modelo responder, para que a resposta se apoie nos seus dados e não na média do mundo.

O que é MCP? Um padrão aberto, lançado pela Anthropic em 2024, para ligar modelos de IA a ferramentas e dados (e-mail, arquivos, sistemas). Hoje é adotado por vários fornecedores.

Vale a pena usar vários agentes? Quando cada agente tem um papel que não pode se misturar com o dos outros, sim. Para o resto, comece com um só: vários agentes custam bem mais e são mais difíceis de auditar.

Fine-tuning ensina fatos novos à IA? Mal. Serve melhor para formato, estilo e comportamento. Para fatos do seu negócio, o caminho mais seguro é RAG.

Referências

1. Anthropic — Effective context engineering for AI agents, 29/09/2025. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents — acesso em 20/09/2026.
2. Lewis, P. et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. https://arxiv.org/abs/2005.11401 — acesso em 20/09/2026.
3. Anthropic — Introducing the Model Context Protocol, 25/11/2024. https://www.anthropic.com/news/model-context-protocol — acesso em 20/09/2026.
4. TechCrunch — OpenAI adopts rival Anthropic’s standard for connecting AI models to data, 26/03/2025. https://techcrunch.com/2025/03/26/openai-adopts-rival-anthropics-standard-for-connecting-ai-models-to-data/ — acesso em 20/09/2026.
5. Model Context Protocol — MCP joins the Agentic AI Foundation, 09/12/2025. https://blog.modelcontextprotocol.io/posts/2025-12-09-mcp-joins-agentic-ai-foundation/ — acesso em 20/09/2026.
6. Invariant Labs — MCP Security Notification: Tool Poisoning Attacks, 01/04/2025. https://invariantlabs.ai/blog/mcp-security-notification-tool-poisoning-attacks — acesso em 20/09/2026.
7. Anthropic — How we built our multi-agent research system, 13/06/2025. https://www.anthropic.com/engineering/multi-agent-research-system — acesso em 20/09/2026.
8. Cognition — Don’t Build Multi-Agents, 12/06/2025. https://cognition.com/blog/dont-build-multi-agents — acesso em 20/09/2026.
9. Anthropic — Building effective agents, 19/12/2024. https://www.anthropic.com/engineering/building-effective-agents — acesso em 20/09/2026.
10. Husain, H. — Your AI Product Needs Evals, 29/03/2024. https://hamel.dev/blog/posts/evals/index.html — acesso em 20/09/2026.
11. OWASP — LLM06:2025 Excessive Agency (Top 10 for LLM Applications 2025). https://owasp.org/www-project-top-10-for-large-language-model-applications/2_0_vulns/LLM06_ExcessiveAgency.html — acesso em 20/09/2026.
12. OpenAI — Model optimization (documentação da API). https://developers.openai.com/api/docs/guides/model-optimization — acesso em 20/09/2026.
13. Ovadia, O. et al. — Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, 2023/2024. https://arxiv.org/abs/2312.05934 — acesso em 20/09/2026.