E quando perguntamos sobre o pipeline de vendas, ele responde com base em probabilidades estatísticas (lembra, o LLM é uma grande calculadora estatística), não com base no que realmente acontece nos nossos sistemas.

Esse é o problema central dos LLMs em ambientes corporativos: eles são poderosos, mas cegos ao contexto do negócio.

A questão que precisamos responder, então, é direta: o que determina a qualidade do que um LLM entende sobre uma organização?

A resposta está em dois conceitos que a engenharia de dados conhece bem, e que agora a era dos agentes de IA está resgatando com urgência: modelos semânticos e ontologias.

O que é um modelo semântico?

Um modelo semântico é uma representação estruturada do significado dos dados de um negócio. Importante saber que ele não armazena os dados brutos, em vez disso, define o que esses dados significam. Ou seja, quais são as entidades do negócio, quais métricas importam, como elas se relacionam e quais regras as governam.

Pense nele como um dicionário vivo do negócio. Nesse dicionário, cliente ativo tem uma definição precisa. Margem operacional é calculada de uma única forma. Pedido em aberto não se confunde com pedido em processamento. Todos na organização, e todos os sistemas, falam a mesma coisa.

Quando um sistema de IA opera sobre um modelo semântico, ele não precisa adivinhar o que estes termos significam. Ele acessa essas definições confiáveis, específicas da organização, e raciocina a partir delas. Mas isso por si só não é suficiente, precisa dar um passo além. É ai que entra a ontologia.

O que é ontologia?

Uma ontologia, no contexto de IA, é uma estrutura que organiza conhecimento de forma hierárquica e semântica, definindo relações claras entre conceitos, entidades e suas propriedades. Ela funciona como um mapa conceitual que ajuda os sistemas a entender não apenas o que algo é, mas como se relaciona com outros elementos do conhecimento.

A diferença em relação a um simples glossário é fundamental. Um glossário diz o que algo é. Uma ontologia diz como tudo se conecta e por quê. No sentido de ciência da computação, uma ontologia é uma descrição da estrutura de dados: classes, propriedades e relações dentro de um domínio de conhecimento.

Com isso, se o modelo semântico define o o quê alguma coisa é (as entidades, métricas e regras), a ontologia define o como se relaciona e por quê. A lógica que conecta cliente a pedido, pedido a produto, e produto a categoria… A ontologia codifica o raciocínio sobre o domínio, não apenas o vocabulário.

Lembro na época do mestrado que fiz uma disciplina onde estudamos modelos semânticos e ontologia, utilizando este material de Stanford.

A Web Semântica – A visão certa na hora errada

Essa ideia não é nova… A ideia da Web Semântica surgiu em 2001, onde o artigo intitulado “The Semantic Web”, escrito por Tim Berners-Lee, James Hendler e Ora Lassila, foi publicado na revista impressa Scientific American.

A visão era ambiciosa e daria às pessoas a capacidade de criar repositórios de dados na Web, construir vocabulários e escrever regras para operar com esses dados, usando tecnologias como RDF, SPARQL, OWL e SKOS.

Se tiver curiosidade, leia o material de Stanford que compartilhei, ele ensina a usar o Protégé-2000 e criar ontologias no padrão OWL com exemplo de vinhos.

Máquinas não iriam apenas exibir conteúdo, elas iriam compreendê-lo. Mas a Web Semântica não pegou como esperado. A ideia nunca decolou de verdade.

O calcanhar de Aquiles foi a manutenção… manter ontologias atualizadas era trabalhoso e caro (bom, ainda é!). A complexidade técnica era alta demais para adoção em massa.

Os padrões eram rígidos e o ecossistema de ferramentas, imaturo. A real é que a visão estava correta, mas o momento não era apropriado.

Hoje, os LLMs têm o poder computacional de processamento para dar vida à visão de Berners-Lee lá de 2001. Mas precisam de modelos semânticos e ontologias para raciocinar com precisão dentro de um contexto específico. A Web Semântica estava à frente do seu tempo. Os agentes de IA são a infraestrutura que ela sempre esperou.

No fim, por que Modelos Semânticos e Ontologias melhoram os LLMs?

Modelos de linguagem são ótimos em gerar texto fluente, mas frequentemente produzem  informações incorretas, inexistentes ou inconsistentes porque dependem apenas de padrões estatísticos aprendidos durante o treinamento, isso é conhecido como alucinação!

Ontologias corrigem isso fornecendo uma bússola conceitual que ancora as respostas do modelo em estruturas de conhecimento verificadas, reduzindo possíveis alucinações e trazendo coerência lógica nas respostas geradas.

Dá para melhorar ainda mais o contexto e o grounding com RAG, mas isso fica para uma próxima publicação!

Sem contexto semântico, o LLM responde com base em probabilidade, e ele escolhe a próxima palavra mais provável sem saber o que o termo significa dentro do seu negócio. Com modelos semânticos e ontologias, acontece algo diferente. O LLM passa a operar sobre o mesmo vocabulário compartilhado que os humanos da organização usam.  O nome técnico desta característica é grounding semântico.

O resultado prático é direto e apresenta menos ambiguidade, menos alucinações, respostas mais consistentes… e por fim, os negócios se beneficiam por projetos que realmente entendem o negócio que estão servindo.

Para finalizar, como você pousa isso nos seus projetos?

É exatamente aqui que o Microsoft IQ entra como solução concreta para esse desafio!

O Microsoft IQ é a camada de inteligência em nível empresarial da stack da Microsoft, que trás um entendimento compartilhado e atualizado continuamente da sua organização onde o Copilot e cada  outro agente herdam por padrão.

Ele se baseia nos comportamentos já presentes em todo o seu ambiente Microsoft: como as pessoas trabalham no Microsoft 365, como o negócio é modelado no Fabric e o conhecimento distribuído entre seus dados, aplicativos e até a web.

É importante destacar que o Microsoft IQ não é um modelo de IA nem um LLM. Isso é uma camada de solução que aplica modelos de IA a cenários reais de negócios ao combinar insights, fluxos de trabalho, governança e contexto empresarial confiável. Enquanto os LLMs geram inteligência, o Microsoft IQ se concentra em transformar essa inteligência em resultados mensuráveis para os negócios.

O Microsoft IQ é composto por quatro camadas integradas. Cada uma resolve uma dimensão diferente do problema de contexto:

Work IQ — A inteligência de quem trabalha

O Work IQ fornece uma compreensão dinâmica de como os funcionários trabalham, com contexto sobre pessoas, colaboração e fluxos de trabalho. Em outras palavras, ele entende como as pessoas trabalham no dia a dia, analisando suas reuniões, documentos, e-mails, decisões (claro, considerando e herdando a questões de segurança inserida por padrão nas ferramentas da Microsoft utilizada na gestão da empresa) e transforma esse fluxo em contexto estruturado para os agentes. Um agente de vendas que opera sobre o Work IQ sabe, por exemplo, que o cliente foi contatado na semana passada, que houve uma reunião de follow-up, e que a proposta ainda está aguardando resposta.

Fabric IQ — A Base semântica do negócio

O Fabric IQ é a camada que mais diretamente materializa o conceito de modelo semântico. O Fabric IQ fornece a base semântica compartilhada do seu negócio, alinhando dados, entidades e regras para que os agentes raciocinem de forma consistente e tomem decisões precisas e contextuais. Os agentes entendem as entidades empresariais, suas relações, propriedades, ações e regras.

O ponto de partida é prático e imediato. Por exemplo, o Power BI responde por mais de 90% dos modelos semânticos em produção da empresa. Os usuários podem inicializar uma ontologia diretamente desses modelos com apenas alguns cliques, acelerando o tempo para obtenção de valor ao reutilizar instantaneamente lógica e definições confiáveis.

Isso significa que, para a maioria das organizações, a base semântica já existe. Ela só precisa ser conectada aos agentes.

Foundry IQ — O conhecimento institucional governado

O Foundry IQ fornece conhecimento institucional coletado sobre o contexto de políticas, documentos corporativos e bases de dados de conhecimento reutilizáveis. Ele transforma documentos,  manuais, políticas internas, contratos, bases de conhecimento, tudo vira conhecimento governado e reutilizável.

Um agente de atendimento que opera sobre o Foundry IQ não “inventa” uma política de devolução. Ele consulta o documento autorizado e responde com precisão. O Foundry provê o grounding de forma nativa, indo além de um RAG programático.

Web IQ — A inteligência em tempo real

Por fim, o quarto pilar é o Web IQ. Ele garante que os agentes não fiquem limitados ao conhecimento interno da empresa. O Web IQ fornece contexto novo e real, consumindo de toda a internet, incluindo páginas da Web, notícias, imagens e vídeos.

Com latência baixa e com ótima eficiência de tokens, ele busca completar as respostas com o menor custo calculado.

Um agente de análise competitiva, por exemplo, combina o modelo semântico do negócio via Fabric IQ com notícias em tempo real via Web IQ e entrega insights que nenhuma das duas fontes, isoladamente, conseguiria oferecer.

Pra finalizar

Modelos semânticos e ontologias são, digamos, estruturas de dados compartilhados que permitem à LLMs e AI Agents a raciocinar com precisão dentro de um negócio. Sem essa estrutura, o agente mais sofisticado do mundo ainda responderá de forma genérica. Não porque ele é ruim, mas porque ele simplesmente não sabe o que seus dados significam.

O Microsoft IQ é a materialização concreta dessa visão no ecossistema corporativo moderno, reunindo os quatro IQ em uma camada de inteligência unificada, e nativa, para seu negócio.

Pra encerrar, posso dizer que empresas que investirem hoje em definir bem seus modelos semânticos terão agentes mais inteligentes, mais precisos e mais confiáveis amanhã. Um LLM sem contexto é apenas um gerador de texto muito bem treinado, e não um parceiro de negócio.

Imagem de capa feito no M365 com o prompt: Crie uma imagem de capa para um blogpost técnico com visual moderno, técnico e sofisticado. Fundo azul petróleo com elementos em azul elétrico, laranja elétrico e rosa elétrico. Os elementos visuais devem remeter a grafos de conhecimento, redes semânticas, nós e conexões, fluxos de dados estruturados e ontologia visual (hierarquia de conceitos interligados). Inclua de forma discreta referências visuais às quatro camadas do Microsoft IQ: Work IQ, Fabric IQ, Foundry IQ e Web IQ. A composição deve transmitir estrutura, conhecimento profundo, precisão técnica e visão estratégica.

O post Modelos semânticos, ontologia e LLMs – a fundação do contexto da GenAI apareceu primeiro em Diego Nogare.

Há um movimento de parte do mercado que segue abandonando modelos de interação passiva em favor de equipes coordenadas de agentes. Processos esses que gerenciam ciclos de vida inteiros de aplicações, desde a concepção até a manutenção.

O principal motivo para essa mudança refletir nos projetos reside na capacidade desses sistemas de reduzir o tempo de entrega de meses para dias. Essa mudança trás vários benefícios, mas o que gosto de destacar é que especialistas foquem na estratégia e na arquitetura. A parte operacional, e muitas veze repetitiva, é realizada por ferramentas especializadas nestas tarefas.

Da lógica determinística à fluidez da GenAI

O desenvolvimento de software tradicional sempre se baseou em uma lógica determinística, onde entradas específicas geram saídas previsíveis através de regras rígidas. De maneira análoga, os projetos de dados evoluíram para organizar grandes volumes de informação, buscando padrões claros para suportar decisões de negócio. Contudo, a introdução de ferramentas de Inteligência Artificial mudou essa dinâmica, movendo a computação para um campo onde a flexibilidade dos dados substitui as regras engessadas nas camadas de negócios.

Fazendo uma rápida linha do tempo, há poucos anos, interagimos com chatbots passivos. Estes eram limitados a fluxos de perguntas e respostas pré-programadas que frequentemente frustravam o usuário por sua falta de contexto. Mais recentemente, surgiram os chatbots conversacionais, que trouxeram maior fluidez na linguagem natural e uma interação mais humana.

Enquanto isso, projetos de Machine Learning consolidaram o paradigma probabilístico, focando em prever resultados com base em estatísticas e dados históricos. Atualmente, a IA Generativa representa o ápice desse interesse, sendo a tecnologia mais procurada por sua capacidade de criar conteúdo inédito e complexo.

Aplicações reais e a hierarquia da IA

A IA Generativa expandiu as fronteiras do possível, permitindo aplicações que vão desde a automação de revisões jurídicas até a criação de plataformas de B2B2C complexas. Para navegar nesse novo ecossistema, é fundamental distinguir as diferentes categorias de ferramentas disponíveis no mercado atual.

• Um Assistente de IA atua como um colaborador que sugere melhorias ou completa tarefas simples sob demanda direta;
• Já um Agente de IA possui maior autonomia, sendo capaz de planejar e executar fluxos de trabalho completos para atingir um objetivo;
• A evolução natural desse conceito nos leva à IA Multiagente, onde diferentes especialistas digitais trabalham em paralelo, coordenados por um orquestrador central;
• Por fim, a IA Agêntica descreve sistemas de longo prazo que operam por dias ou semanas, mantendo a coerência e adaptando-se a falhas sem intervenção constante.

Conhecer essa estrutura de ferramentas permite que engenheiros atuem como orquestradores, focando em “o que” construir, enquanto a IA cuida do “como” implementar. Esta mudança de papel aumenta o volume de entrega e permite que empresas corrijam pequenas falhas que antes seriam ignoradas por falta de tempo.

Já falei disso outras vezes, mas nunca é demais relembrar. A IA é uma ferramenta, trate ela como tal. Dependendo do tipo de projeto que está desenvolvendo, é fundamental ter um Human-in-the-Loop para “aprovar” ou “rejeitar” uma determinada ação que a ferramenta tomou. Volto a falar destas questão de risco mais pra frente neste texto.

A Importância das métricas e do ROI

Para que esses projetos agênticos tragam resultados positivos, a implementação de métricas de acompanhamento rigorosas são prioridades estratégicas. Não basta medir apenas a velocidade de execução, as organizações precisam avaliar a autonomia do agente e a precisão de suas decisões.

Um estudo da Harvard Busines Review (que está referenciado no relatório da Anthropic) mostrou que, embora a IA seja usada em 60% do trabalho, a taxa de delegação total (% de quanto os devs delegam para IA fazer) ainda é baixa, variando entre 0% e 20%. Isso reforça a necessidade de métricas que quantifiquem a eficácia da colaboração humano-IA e o tempo economizado por interação.

A atenção deve estar voltada para a criação de sistemas de controle de qualidade que identifiquem vulnerabilidades antes que elas cheguem à produção. Empresas que ignoram essa etapa correm o risco de criar gargalos técnicos ou introduzir falhas de segurança críticas em seus sistemas.

Monitorar o volume de tarefas “totalmente delegadas” versus tarefas “colaborativas” ajuda a ajustar as expectativas de produtividade do time. Inclusive, recomendo a leitura deste outro material da Anthropic, Measuring AI agent autonomy in practice.

Preocupações críticas de segurança e supervisão humana

Voltando ao ponto dos riscos, a implementação de agentes exige uma postura de segurança em primeiro lugar, dado que a tecnologia possui natureza de uso duplo. O mesmo agente que automatiza defesas pode, se mal configurado, ser explorado por atacantes para escalar ameaças em velocidade de máquina.

Além disso, a supervisão humana não deve ser negligenciada, mas sim escalada através de sistemas de revisão automatizados. O objetivo é fazer com que a expertise humana conte onde ela é mais valiosa: em decisões estratégicas e casos de complexos.

Outra preocupação essencial é evitar que a autonomia dos agentes crie uma “caixa preta” organizacional, onde ninguém compreende as decisões tomadas pelo sistema. Agentes sofisticados devem ser projetados para reconhecer incertezas e pedir ajuda quando o impacto nos negócios for elevado. Sem esse guardrail, o risco operacional pode anular os ganhos de produtividade obtidos com a automação.

O impacto na sociedade e no mercado

A IA vai tomar meu emprego? Bom, já falei disso algumas vezes. Te convido a ler o que penso sobre o assunto aqui neste post.

A transição para sistemas agênticos não é apenas uma mudança de ferramenta, mas uma reconfiguração da economia do desenvolvimento de software. Projetos que antes eram inviáveis devido ao alto custo de manutenção ou débito técnico acumulada, agora tornam-se factíveis através do trabalho autônomo de agentes.

Isso democratiza o acesso à tecnologia, permitindo que área de negócios que são especialistas de domínios como jurídico, marketing e vendas construam suas próprias soluções sem depender exclusivamente de equipes de engenharia, que muitas vezes, estão atolados até o pescoço em demandas represadas.

Para os desenvolvedores, o impacto é uma evolução forçada para o papel de arquiteto e orquestrador. A capacidade de aprender novos contextos em horas, em vez de semanas, permite uma alocação de talentos muito mais dinâmica e resiliente.

Na sociedade, isso se traduz em serviços digitais mais eficientes, como triagens em poucas horas e respostas jurídicas quase em tempo real. A medição de sucesso, contudo, dependerá de como as empresas gerenciam o paradoxo da colaboração: usar a IA para o trabalho tático enquanto preservam o julgamento humano para o que realmente importa.

Não precisamos de agentes para “tudo”, mas sim para as tarefas que escalam nossa capacidade de resolver problemas reais. O grande desafio de negócio não é a substituição do capital humano, mas a superação da ineficiência operacional que consome o tempo estratégico das lideranças.

Pense nisso!

Imagem de capa feita utilizando Google Nano Banana, com o prompt: Crie uma imagem com qualidade de foto 4k, de retrato suave, com iluminação de estúdio. A composição deve ter uma aura de orquestra contendo 7 robôs regida por um ser humano. O humano e os robôs estão vestidos apropriadamente, só que ao invés de tocarem instrumentos os robôs estão realizando tarefas em uma linha de produção. Todos robôs estão conectados por fios em um computador a frente do regente humano. A foco é explicar a ideia de IA Agêntica

O post Agentes de IA em 2026 – A evolução da programação e autonomia apareceu primeiro em Diego Nogare.

Os pilares da criação

Os Foundational Models são como os grandes tabuleiros ou as estruturas pré-montadas de LEGO, treinados com quantidades absurdamente gigantescas de dados para executar diversas tarefas. Além disso, a capacidade de serem multi-modal significa que podem trabalhar com texto, imagens, áudio e vídeo simultaneamente, criando experiências ainda mais ricas.

Tipos de modelos GenAI

O panorama dos modelos GenAI divide-se principalmente em três categorias:
– Modelos Proprietários: Desenvolvidos por empresas, como o GPT-4 da OpenAI, geralmente com acesso via APIs e maior controle de qualidade;
– Modelos Open Source: Código e pesos abertos, permitindo personalização e inovação comunitária, como o Llama da Meta;
– Modelos Open Science: Foco na pesquisa e colaboração acadêmica, promovendo transparência e avanço do conhecimento.

Desafios e responsabilidades

À medida que a GenAI evolui, e já era de se esperar, surgem desafios significativos. A governança sobre quem controla e como se usa essa tecnologia é um destes desafios. Igualmente, a segurança dos dados e a prevenção de abusos são preocupações crescentes. Por isso, é fundamental mitigar o viés nos dados de treinamento, para que os modelos não perpetuem ou amplifiquem preconceitos existentes.

Esta compreensão básica de GenAI é, na minha visão, o ponto de partida para qualquer profissional que almeje utilizar isso no dia a dia. Seja desenvolvendo novas aplicações, otimizando processos ou mesmo criando arte, o domínio desses conceitos permite navegar e contribuir ativamente para a próxima era da inovação tecnológica.

Prepare-se para montar seu próprio futuro com os blocos da GenAI: qual será sua primeira criação?

O post [Micro-blog] A moda é GenAI e aqui estão os conceitos essenciais para você começar apareceu primeiro em Diego Nogare.