A Defesa da Atlan para Criar Valor com IA por Meio do Contexto Empresarial Desvia a Atenção dos Modelos

A Atlan está questionando a abordagem de IA empresarial centrada no modelo, argumentando que mesmo sistemas capazes ainda não têm a compreensão de negócios necessária para realizar um trabalho útil. Criar valor com IA por meio do contexto empresarial, tema de uma matéria de 28 de outubro do MIT Technology Review Insights, coloca essa afirmação sob escrutínio. A questão é se as organizações precisam de outra camada de infraestrutura, de uma gestão melhor do conhecimento já existente ou de ambos.

O argumento chega com seu próprio contexto comercial. A matéria vem da área de conteúdo personalizado da MIT Technology Review, e não de sua redação editorial. Os materiais de conferência da Atlan identificam a pesquisa associada como produzida com a empresa. Essa relação importa ao avaliar um diagnóstico que também sustenta o posicionamento de produto do fornecedor.

O Work IQ da Microsoft oferece uma comparação útil: outro fornecedor está organizando sua estratégia de IA empresarial em torno do contexto de negócios. A tensão central vai além da concorrência entre fornecedores. As organizações querem IA capaz de executar tarefas, mas suas definições, permissões e regras operacionais frequentemente exigem interpretação humana. Comprar acesso a um modelo não resolve essas questões.

Criar Valor com IA por Meio do Contexto Empresarial Vai Além do Modelo

A análise sobre contexto empresarial de 28 de outubro apresenta um problema conhecido de implantação sob a perspectiva preferida da Atlan. As ferramentas de IA podem responder rapidamente, mas interpretar de forma equivocada o negócio que atendem. A cofundadora da Atlan, Prukalpa Sankar, argumenta que uma infraestrutura de contexto pode ajudar a fechar essa lacuna.

Uma camada de contexto é uma infraestrutura que fornece aos sistemas de IA definições de negócios, relações, políticas e outras informações necessárias para interpretar os dados da empresa. O conceito importa porque localizar informações e compreender seu significado empresarial são tarefas diferentes. Um documento pode conter uma resposta sem estabelecer se ela continua sendo a fonte autorizada.

O desenvolvimento é um argumento comercial mais explícito sobre a origem do valor da IA empresarial, e não uma nova descoberta técnica verificada.

Essa distinção mantém a notícia em proporção. O artigo não estabelece que a infraestrutura de contexto, por si só, gera melhores retornos financeiros. Ele propõe uma explicação para implantações decepcionantes e uma direção para abordá-las. Os compradores devem avaliar a explicação separadamente de qualquer implementação específica.

Considere um fluxo de trabalho ilustrativo de vendas. Um assistente encontra o registro de um cliente, resume conversas recentes e redige uma recomendação de renovação. Cada documento recuperado pode estar correto individualmente. Ainda assim, a recomendação pode falhar se o assistente confundir a entidade de faturamento com sua empresa controladora ou ignorar uma exceção aprovada.

Um modelo melhor pode reconhecer a ambiguidade e fazer uma pergunta útil. Uma definição de negócio mantida pode resolver a ambiguidade antes que a geração comece. Essas abordagens se complementam, mas tratam de partes diferentes da falha. Tratar todo erro como um problema de modelo obscurece essa distinção.

Criar valor com IA por meio do contexto empresarial, portanto, muda a conversa de compra. Em vez de perguntar apenas qual sistema produz a resposta mais forte, os compradores precisam perguntar o que torna uma resposta válida dentro de sua organização. Isso inclui quem aprovou a regra subjacente e quando ela foi alterada pela última vez.

A relação de publicação também merece atenção. O evento de pesquisa sobre contexto da Atlan promoveu acesso antecipado a pesquisas produzidas em associação com a empresa. Isso sustenta o tratamento do argumento como uma contribuição ao debate apoiada por um fornecedor. Não justifica descartar o problema subjacente.

A implicação prática é mais restrita do que a ampla narrativa de vendas. O contexto é uma fonte plausível de falhas em IA empresarial, mas sua importância precisa ser estabelecida para cada fluxo de trabalho. As organizações ainda precisam de evidências que conectem a intervenção proposta a uma melhoria mensurável. Sem essa conexão, o contexto se torna outra explicação difícil de testar.

Os Responsáveis pelo Negócio Herdam o Problema de Confiabilidade da IA

O argumento do contexto pressiona tanto os responsáveis pelo negócio quanto as equipes de tecnologia. Se um assistente interpreta mal uma política aprovada, mudar o modelo pode ajudar. Se os departamentos discordam sobre a própria política, a organização precisa resolver essa discordância antes que o software possa aplicá-la de maneira consistente.

A IA empresarial transforma uma gestão negligenciada do conhecimento em uma questão operacional.

Um desenvolvedor de IA pode conectar um repositório de documentos sem ter autoridade para decidir qual política substitui outra. Uma equipe de segurança pode impor restrições de acesso sem decidir como a área financeira define um cliente. Essas responsabilidades se cruzam, mas não pertencem à mesma pessoa.

Isso cria uma carga de implementação diferente daquela de instalar uma interface conversacional. Alguém precisa identificar fontes autorizadas, atribuir responsáveis, documentar exceções e manter essas decisões. O trabalho pode expor divergências que os funcionários antes resolviam por meio de conversas informais. A automação torna essas divergências mais difíceis de deixar sem solução.

Para líderes financeiros, a pressão diz respeito à consistência. Um assistente que responde a uma pergunta sobre receita precisa da definição contábil apropriada, do período de relatório e do escopo organizacional. Uma explicação fluente não compensa a escolha da métrica errada. O responsável pelo negócio precisa disponibilizar e tornar revisável a interpretação pretendida.

Para líderes de atendimento, a pressão diz respeito à aplicabilidade. Um agente, isto é, um sistema de IA que seleciona etapas ou usa ferramentas para concluir um trabalho, precisa de circunstâncias relevantes do cliente. Uma política válida de reembolso pode variar conforme o contrato ou a região. Recuperar a política geral é apenas parte da decisão.

Esses exemplos são ilustrativos, e não resultados relatados por clientes. Eles mostram por que a responsabilidade pelo contexto se torna relevante quando o software deixa de apenas redigir textos e passa a recomendar ações. Um resumo equivocado gera trabalho de correção. Uma ação equivocada também pode criar uma obrigação que outra equipe precisará desfazer.

As equipes de compras enfrentam um desafio relacionado. Uma plataforma de contexto pode prometer definições comuns, mas o contrato não pode garantir que os departamentos concordarão com elas. Os compradores precisam distinguir as responsabilidades do fornecedor das responsabilidades organizacionais. Caso contrário, uma compra de infraestrutura pode ocultar uma decisão operacional inacabada.

Os trabalhadores do conhecimento vivenciam a mesma questão em menor escala. Um arquivo pesquisável ajuda as pessoas a localizar material, enquanto uma base de conhecimento autorizada estabelece qual material deve orientar o trabalho. A distinção entre conhecimento pessoal e de equipe torna-se relevante quando a lembrança individual alimenta decisões compartilhadas.

A resposta de curto prazo deve seguir a falha que está sendo tratada. A falta de material-fonte exige melhor cobertura. Definições conflitantes exigem responsabilidade e resolução. Raciocínio incorreto exige mudanças no modelo ou na aplicação. Reunir essas categorias em uma única pontuação de precisão pode ocultar onde a intervenção é necessária.

Com o tempo, a pressão se desloca para a manutenção. O contexto empresarial muda quando produtos, contratos, equipes e políticas mudam. Uma implantação que apresenta bom desempenho no lançamento pode se tornar não confiável sem qualquer atualização do modelo. Portanto, o argumento do contexto também é uma afirmação sobre responsabilidade operacional contínua.

A Microsoft Mostra por Que o Contexto Está Se Tornando uma Questão de Plataforma

A Microsoft oferece uma comparação concreta porque também descreve o contexto empresarial como infraestrutura compartilhada. Em seu relato de 11 de junho sobre o uso interno do Work IQ, a empresa explica como as informações organizacionais dão suporte a respostas de IA mais relevantes. Ela apresenta o contexto como parte do ambiente que envolve os assistentes.

A Microsoft afirma que o Work IQ se baseia em sinais do ambiente de trabalho e respeita as permissões existentes. Seus exemplos internos incluem conectar informações de reuniões aos participantes e aplicar circunstâncias dos funcionários a orientações. Esses são exemplos relatados pela empresa, e não medições independentes de retornos empresariais. Ainda assim, mostram um fornecedor perseguindo o mesmo problema geral.

A questão competitiva é onde a compreensão de negócios deve residir e quão amplamente ela pode ser reutilizada.

A abordagem de inteligência do ambiente de trabalho da Microsoft descreve o desenvolvimento do contexto dentro de seu ambiente de trabalho. O argumento da Atlan se concentra em fornecer compreensão de negócios entre sistemas. Essas posições criam perguntas diferentes para os compradores, mesmo quando ambos os fornecedores usam linguagem semelhante.

Para uma organização concentrada em um ambiente de software específico, o contexto incorporado nesse ambiente pode oferecer um ponto de partida natural. Documentos, identidades e registros de colaboração existentes já estão próximos. Ainda assim, o comprador precisa estabelecer quais fontes são abrangidas e se a interpretação resultante se aplica além desse ambiente.

Para uma organização que utiliza diversos sistemas empresariais, a reutilização se torna mais importante. Uma definição mantida para um assistente financeiro não deve divergir silenciosamente da definição usada por um assistente de operações. O contexto compartilhado promete reduzir essa duplicação. O êxito depende dos detalhes de integração e governança.

Não se trata de uma simples disputa entre arquitetura centralizada e distribuída. Uma arquitetura é a disposição dos componentes e de suas responsabilidades. Um serviço central pode distribuir definições desatualizadas, enquanto o contexto específico de uma aplicação pode permanecer preciso dentro de um escopo limitado. A localização, por si só, não determina a qualidade.

A comparação mais útil diz respeito à mudança. Quando uma definição muda, quais aplicações recebem a atualização? Quando o acesso é revogado, quais representações armazenadas deixam de expor a informação? Quando uma resposta é contestada, os revisores conseguem reconstruir a fonte e a regra usadas? Essas perguntas conectam o design da plataforma às consequências operacionais.

A portabilidade também merece atenção. Os compradores devem perguntar se definições aprovadas podem passar entre ferramentas sem perder responsabilidade, histórico de versões ou restrições de acesso. Exportar texto é mais fácil do que preservar sua autoridade. Uma migração que retém as palavras, mas perde a aplicabilidade, pode recriar o problema original.

A comparação entre fornecedores, portanto, sustenta uma avaliação mais ampla sem provar que a abordagem de qualquer um deles é superior. O contexto está se tornando uma responsabilidade de plataforma porque várias aplicações precisam da mesma compreensão de negócios. Isso cria uma oportunidade para infraestrutura compartilhada, ao lado do risco de fazer muitas aplicações dependerem de um erro comum.

Para os compradores, a resposta útil é examinar um fluxo de trabalho que atravesse uma fronteira organizacional real. Uma demonstração limitada a uma coleção organizada de documentos deixa a questão central sem resposta. A evidência relevante é se o contexto permanece consistente quando a informação passa entre departamentos, aplicações e responsáveis pelas decisões.

As Evidências de Recuperação Sustentam uma Afirmação Mais Restrita

A geração aumentada por recuperação, ou RAG, recupera informações relevantes e as fornece a um modelo antes que ele responda. É uma forma consolidada de conectar respostas geradas ao conhecimento externo. Suas limitações ajudam a explicar por que o argumento do contexto empresarial atrai atenção.

A pesquisa da Anthropic de setembro de 2024 oferece um exemplo técnico. Seu método de Recuperação Contextual adiciona informações explicativas aos fragmentos de documentos antes da indexação. O objetivo é preservar o significado que pode se perder quando uma passagem é separada de seu documento original.

A Anthropic relatou uma redução de 49% nas falhas de recuperação ao combinar suas técnicas contextuais, e uma redução de 67% ao adicionar reranqueamento. O reranqueamento é uma segunda etapa de seleção que reordena o material recuperado por relevância. Esses foram resultados das avaliações da empresa, e não medições de retornos financeiros empresariais.

Uma recuperação melhor sustenta o argumento do contexto, mas não comprova que uma plataforma completa de contexto empresarial seja necessária.

A pesquisa sobre recuperação contextual aborda uma falha específica: um sistema deixa de encontrar informações relevantes porque um fragmento não tem o significado que o cerca. Isso é mais limitado do que resolver políticas corporativas conflitantes. Também é mais limitado do que determinar se um usuário tem autoridade para executar uma ação.

A distinção é importante para decisões de compra. Se um assistente de suporte deixa de encontrar respostas porque fragmentos de documentos não têm detalhes identificadores, mudanças na recuperação merecem investigação. Se ele encontra a passagem correta, mas a aplica incorretamente, a falha ocorre em outro ponto. Uma proposta ampla de infraestrutura deve explicar qual falha ela resolve.

Um exemplo contratual ilustrativo torna a separação mais clara. Uma passagem diz que um cliente se qualifica para uma exceção, mas o nome do cliente aparece em uma página anterior. Preservar essa relação pode melhorar a recuperação. Determinar se a exceção continua válida exige informações adicionais sobre datas, aditivos e autoridade.

Assim, um sistema pode recuperar informações com precisão e ainda produzir a recomendação comercial errada. Por outro lado, um fluxo de trabalho com fontes restritas e bem mantidas pode ter desempenho adequado sem um serviço extenso de contexto compartilhado. A intervenção apropriada depende da tarefa real, de seus requisitos de informação e das consequências de suas falhas.

A criação de valor com IA por meio do contexto empresarial deve ser avaliada por essa cadeia de dependências. A cobertura das fontes afeta o que o sistema consegue encontrar. A interpretação das fontes afeta o que ele entende. As regras de decisão afetam o que ele recomenda. Os controles de ação afetam o que ele pode executar. A melhoria em uma parte não comprova automaticamente melhoria em toda a cadeia.

Esse raciocínio também muda a forma como as demonstrações devem ser interpretadas. Uma resposta bem-sucedida prova que uma configuração específica lidou com uma pergunta específica sob condições específicas. Ela não comprova confiabilidade geral entre departamentos. Os compradores precisam de evidências que incluam entradas ambíguas, políticas alteradas e fontes conflitantes.

O argumento técnico mais forte identificará a falha original, a intervenção de contexto e a diferença resultante. Manter o modelo e a tarefa comparáveis ajuda a isolar o que mudou. Relatar o sucesso da recuperação separadamente da precisão das decisões torna o resultado mais fácil de interpretar e evita que um ganho restrito se transforme em uma alegação mais ampla.

Mais Contexto Pode Espalhar a Resposta Errada Mais Longe

A visão cética começa com um problema direto: o contexto de negócios pode estar errado. Uma definição compartilhada pode estar desatualizada, incompleta ou ser contestada. Fornecê-la de forma consistente pode fazer com que as respostas concordem, embora continuem incorretas. A concordância é uma evidência útil de consistência, mas não é evidência suficiente de verdade.

Uma camada de contexto pode distribuir autoridade sem estabelecer que essa autoridade é justificada.

Isso importa quando as organizações convertem conhecimento informal em regras mantidas. Funcionários experientes às vezes sabem quando um processo documentado não se aplica a uma situação. Codificar esse julgamento exige decidir quais exceções são legítimas. Extrair automaticamente uma afirmação de uma conversa não resolve se ela deve se tornar política.

Um participante de uma reunião pode descrever uma solução temporária. Outro funcionário pode repetir uma prática desatualizada. Um documento de projeto pode registrar uma proposta abandonada. Cada fonte contribui com informações, mas cada uma tem um grau diferente de autoridade. Tratá-las como equivalentes cria um problema de governança antes mesmo de a geração começar.

Há também uma limitação no nível do modelo. O perfil de risco de IA generativa do NIST descreve a confabulação — conteúdo falso ou incorreto gerado com confiança — como um risco característico. Também observa que explicações e citações geradas podem induzir usuários ao erro. Material-fonte relevante não elimina a necessidade de avaliar as respostas.

A análise do NIST apoia uma interpretação cautelosa da tese do contexto. Informações melhores podem lidar com conhecimento ausente sem garantir raciocínio correto. Um sistema pode aplicar incorretamente uma regra válida ou apresentar uma inferência incerta com confiança excessiva. A qualidade do contexto e a confiabilidade da resposta exigem escrutínios relacionados, porém distintos.

As permissões criam outro ponto de pressão. A capacidade de um funcionário de ler um documento não autoriza necessariamente um sistema automatizado a agir com base em seu conteúdo. Um serviço de contexto precisa ter uma relação clara com os controles que governam as ações posteriores. Caso contrário, informações precisas podem sustentar uma decisão não autorizada.

O caso financeiro também permanece incerto. Manter definições, resolver disputas, verificar permissões e analisar falhas consome tempo das equipes. Parte desse trabalho pode melhorar processos existentes além da IA. Ainda assim, os compradores devem considerá-lo ao avaliar a economia da implantação.

Uma organização pode obter respostas melhores enquanto aumenta o trabalho total necessário para produzi-las. Outra pode reduzir o esforço de revisão o suficiente para justificar uma manutenção substancial. A comparação relevante inclui todo o fluxo de trabalho, em vez da velocidade visível de geração. Trata-se de uma exigência analítica, não de um resultado relatado no artigo-fonte.

Criar valor com IA usando contexto empresarial também exige aceitar limites. Quando um conflito de políticas permanece sem solução, um assistente útil deve expor o conflito. Quando a autoridade não está clara, ele deve encaminhar a decisão adequadamente. Um sistema que sempre produz uma resposta confiante pode ocultar justamente a incerteza organizacional que a infraestrutura de contexto deveria revelar.

A posição cética, portanto, não exige rejeitar o investimento em contexto. Ela exige uma alegação mais específica sobre o que esse investimento muda. Um fornecedor deve identificar quais erros se tornam menos frequentes, quais responsabilidades permanecem com o cliente e quais modos de falha persistem. Isso torna a proposta testável.

As Próximas Evidências Devem Conectar Contexto ao Trabalho Concluído

Nos próximos meses, os sinais mais úteis estarão relacionados a evidências de implantação, e não a novo vocabulário. A discussão de outubro estabelece uma proposição clara: a compreensão dos negócios merece mais atenção ao lado da capacidade dos modelos. O próximo passo é determinar onde essa proposição produz benefícios mensuráveis.

A tese do contexto se fortalece quando o conhecimento empresarial mantido melhora o trabalho concluído em condições variáveis.

O primeiro sinal é uma comparação documentada dentro de um fluxo de trabalho real. Os compradores devem procurar resultados que mostrem o que aconteceu antes e depois de uma intervenção de contexto definida. A comparação deve incluir erros de fonte, erros de decisão, correções humanas e tarefas concluídas. Um resultado que isole a melhoria fortaleceria o argumento.

Uma demonstração que ofereça apenas respostas selecionadas e bem-sucedidas deixaria a incerteza central intacta. O mesmo ocorreria com uma comparação que altere simultaneamente o modelo, a interface, a coleção de fontes e o processo de revisão. Essas mudanças podem melhorar o produto, mas tornariam difícil separar a contribuição do contexto empresarial.

O próximo sinal é um comportamento confiável após uma mudança de negócio. Uma política revisada, uma permissão revogada ou um cliente renomeado cria um ponto útil de observação. O sistema adota a mudança em todas as aplicações afetadas? Ele retém histórico suficiente para explicar respostas anteriores? Um comportamento consistente sustentaria o argumento em favor de infraestrutura compartilhada.

Contradições persistentes enfraqueceriam esse argumento. Se cada aplicação ainda precisa de reparo manual, a camada comum proposta não eliminou a manutenção duplicada. Se informações desatualizadas permanecem em repositórios derivados, a organização precisa entender como as correções se propagam. A qualidade da configuração inicial não pode responder a essas questões.

O sinal final é a carga operacional total. As organizações devem examinar se os revisores gastam menos tempo corrigindo resultados após contabilizar a manutenção do contexto. Também devem acompanhar se os casos não resolvidos chegam às pessoas certas. Uma redução no trabalho visível de revisão significa pouco se o trabalho oculto de preparação cresce mais rapidamente.

Esses sinais não dependem de um fornecedor específico vencer. Microsoft, Atlan e desenvolvedores de aplicações podem contribuir com evidências por meio de abordagens diferentes. A distinção útil está entre alegações sobre capacidades disponíveis e observações sobre uso sustentado. Os compradores precisam de ambas, mas não devem confundi-las.

Para os trabalhadores do conhecimento, a relevância imediata é prática. Um assistente que sabe onde as informações estão pode reduzir o tempo de busca. Um assistente que entende quais informações se aplicam pode apoiar uma decisão. O valor dessa compreensão adicional depende de os usuários poderem inspecioná-la, contestá-la e mantê-la.

Comece com um fluxo de trabalho em que uma resposta incorreta gere retrabalho identificável. Analise as falhas com as pessoas responsáveis pela política subjacente, em vez de tratar toda correção como um problema de prompting. Separe informações ausentes de definições conflitantes, erros de raciocínio e ações inadequadas. Em seguida, examine se o investimento de contexto proposto aborda essas falhas específicas. Para o trabalho individual, um sistema de conhecimento pessoal mantido pode ajudar a organizar material relevante, enquanto decisões compartilhadas ainda exigem autoridade compartilhada. Criar valor com IA usando contexto empresarial torna-se uma proposição crível quando essa distinção resiste à implantação. Peça ao próximo fornecedor que mostre como seu sistema lida com uma regra alterada, uma fonte contestada e uma decisão que ele deveria deixar sem resolução.