Databricks Genie One MCP Está Geralmente Disponível, Colocando o Contexto de Negócios à Frente da Escolha de Agentes
A Databricks disponibilizou amplamente o Genie One MCP em 22 de setembro, após meses de testes beta revelarem um conflito crescente dentro da IA corporativa. As empresas querem muitos agentes especializados, mas esses agentes frequentemente interpretam os mesmos dados de negócios de maneiras diferentes. O Databricks Genie One MCP aborda esse problema ao oferecer aos agentes compatíveis uma rota governada para dados, definições e respostas citadas compartilhados.
O lançamento tem menos a ver com adicionar outro assistente a um mercado já saturado. Trata-se de decidir onde a verdade corporativa deve residir quando os funcionários usam Claude, ChatGPT, Cursor ou um agente interno. A Databricks quer que essa verdade permaneça em sua plataforma de dados, mesmo quando a conversa ocorre em outro lugar.
Essa distinção importa à medida que colegas de trabalho de IA e agentes de programação se espalham pelos departamentos. Um agente pode produzir uma análise fluente enquanto aplica a definição errada de receita, ignora controles de acesso ou usa contexto desatualizado. A Databricks aposta que uma camada semântica governada importa mais do que forçar todos os funcionários a usar uma única interface de IA.
Databricks Genie One MCP Passa do Beta para um Serviço Governado
A mudança central é que o Genie One se tornou um serviço de dados e análises geralmente disponível, que agentes externos podem chamar.
O Genie One MCP está disponível para usuários da Databricks por meio do Unity Gateway. Ele expõe o Genie One via Model Context Protocol, um protocolo aberto para conectar aplicações de IA a ferramentas e fontes de informação.
Os clientes compatíveis incluem Claude, ChatGPT, Cursor e agentes internos personalizados. Um cliente envia uma pergunta de negócios em linguagem natural, enquanto o Genie pesquisa os dados corporativos disponíveis e prepara uma resposta fundamentada. A resposta pode incluir citações e links de volta para suas fontes na Databricks.
O novo serviço usa o nome do Unity Catalog system.ai.genie_one_mcp. Administradores podem usar concessões do Unity Catalog para controlar quem o invoca. As políticas do Unity Gateway podem permitir ou negar chamadas individuais de ferramentas, enquanto os registros de invocação apoiam o monitoramento de uso e auditorias.
Esses controles diferenciam o lançamento de um conector básico de banco de dados. O agente não recebe simplesmente credenciais e começa a escrever SQL irrestrito contra tabelas brutas. Ele pergunta ao Genie One, que interpreta a solicitação usando a governança e o contexto semântico da Databricks.
O serviço expõe várias ferramentas por trás dessa interação. genie_ask inicia uma solicitação e retorna identificadores para a conversa e a resposta. genie_poll_response recupera o progresso, as respostas concluídas e links para fontes de apoio da Databricks.
Operações adicionais permitem que os clientes recuperem resultados de consultas e direcionem trabalhos já em andamento. O agente lida com essas chamadas durante uma conversa, de modo que os usuários geralmente interagem com seu assistente preferido em vez de gerenciar a sequência por conta própria.
Clientes compatíveis também podem renderizar um Genie One MCP App. Os MCP Apps ampliam uma resposta de texto com uma visualização interativa incorporada ao cliente. A Databricks afirma que sua visualização pode exibir progresso, visualizações, respostas finais e citações da Genie Ontology.
Clientes sem MCP Apps ainda recebem resultados em texto. Essa alternativa é importante porque o suporte a MCP varia entre produtos de IA. A Databricks pode expor um serviço sem exigir que todos os clientes implementem os mesmos recursos de interface.
A disponibilidade geral também inicia um prazo de migração. A Databricks descontinuou o endpoint beta anterior em /api/2.0/mcp/genie. Segundo a documentação do servidor MCP, esse endpoint será aposentado em 31 de outubro de 2026.
Portanto, as organizações que usam o endpoint beta devem migrar as cargas de trabalho para o serviço do Unity Gateway. A mudança substitui um endpoint Genie dedicado por um serviço MCP catalogado e governado por controles compartilhados da plataforma.
A exigência de migração dá peso operacional a este anúncio. Não se trata apenas de um novo rótulo para uma prévia inalterada. As equipes precisam atualizar integrações se quiserem manter o acesso após a data de aposentadoria.
A disponibilidade geral não significa que todos os recursos ao redor tenham a mesma maturidade. A renderização interativa depende do suporte do cliente, e alguns recursos mais amplos do Genie One continuam em beta. Os compradores devem avaliar o caminho específico que seus funcionários e agentes automatizados usarão.
Ainda assim, o limite estável do serviço muda a forma como arquitetos podem posicionar o Genie. Agora ele pode ficar por trás de vários agentes voltados aos funcionários, em vez de competir para se tornar a única interface que eles usam.
Por Que os Agentes de IA Precisam de um Contexto de Negócios Compartilhado
Os agentes corporativos normalmente falham por significado inconsistente antes de falharem por falta de inteligência do modelo.
Um modelo pode consultar uma tabela de vendas sem saber quais transações se qualificam como receita reconhecida. Pode encontrar registros de clientes sem entender se churn significa cancelamento, inatividade ou uma pontuação de risco de renovação. Cada resposta pode parecer razoável enquanto usa uma definição diferente.
Esse problema se torna mais difícil quando os departamentos implantam agentes de forma independente. A área financeira pode codificar uma métrica em um prompt, enquanto o marketing copia outra definição para um índice de recuperação. A engenharia pode depender de nomes de tabelas e comentários que descrevem uma estrutura de produto mais antiga.
O contexto manual também se degrada. Um prompt montado durante a implantação raramente se atualiza sozinho quando uma métrica muda ou uma relação de dados é transferida. O resultado é a proliferação de agentes combinada à deriva semântica.
A Genie Ontology é a resposta da Databricks a essa fragmentação. Trata-se de uma camada semântica governada que descreve conceitos de negócios, relações, métricas e ativos de dados relevantes. O Genie usa essas definições ao interpretar solicitações em linguagem natural.
A Databricks afirma que o serviço pode trabalhar com dados estruturados e documentos não estruturados. Essa combinação é importante porque as decisões de negócios raramente dependem apenas de linhas de banco de dados. Políticas, definições, notas de contas e documentos operacionais frequentemente explicam o que os números significam.
A distinção entre acesso e interpretação é essencial. As permissões de dados tradicionais respondem se um usuário pode ler um objeto. O contexto semântico ajuda a determinar quais objetos, relações e cálculos devem responder a uma pergunta específica.
Um agente de programação ilustra essa lacuna. Suponha que um desenvolvedor esteja adicionando telemetria de produto durante uma pull request. O agente pode encontrar vários esquemas de eventos e escolher o mais óbvio com base nos nomes.
Com o Databricks Genie One MCP disponível, esse agente de programação pode pedir as definições atuais do produto e as consultas associadas. Ele pode usar o contexto retornado ao propor mudanças de registro. O desenvolvedor ainda revisa o código, mas a sugestão parte de um significado de negócios acordado.
Essa conexão não transforma um agente de programação em uma fonte inquestionável. Ela oferece ao agente um lugar melhor para fazer perguntas antes de alterar sistemas. Isso é valioso quando a implementação técnica depende de definições que pertencem a áreas fora da engenharia.
O mesmo padrão se aplica a agentes de apresentações. Um gerador de slides pode já entender modelos, branding e preferências de executivos. Ainda assim, ele pode falhar quando os funcionários precisam conciliar várias versões de uma métrica de desempenho antes de preencher os slides.
O Genie pode fornecer números governados e contexto explicativo durante a geração. O agente de apresentações continua responsável pela composição, enquanto a Databricks fornece a camada de interpretação dos dados. Essa separação mantém cada sistema focado em sua força comparativa.
O sucesso do cliente cria outro teste. Uma queda de uso pode indicar insatisfação, sazonalidade, uma migração de conta ou um projeto concluído. Um agente de contato agindo com base na queda bruta corre o risco de enviar uma mensagem irrelevante.
A Databricks descreve um fluxo de trabalho no qual o agente de contato pede ao Genie que investigue o uso e recupere telemetria confiável. O agente pode combinar esse resultado com o contexto do cliente antes de preparar a comunicação. A revisão humana e as permissões de fluxo de trabalho continuam importantes, especialmente antes de contatos externos.
Esses exemplos explicam o que é o Genie One MCP em termos operacionais. Não é um novo modelo de base nem um funcionário autônomo. É uma interface de análises governada que outros agentes podem chamar quando precisam de contexto de negócios.
Esse modelo se assemelha a uma base de conhecimento de engenharia bem mantida, mas adiciona computação governada sobre dados corporativos. A tarefa mais difícil continua sendo manter materiais-fonte e definições confiáveis por trás de qualquer um dos sistemas.
A Verdadeira Disputa É Contexto Compartilhado Versus Silos de Agentes
A Databricks não está tentando vencer em todas as interfaces de assistentes; ela está tentando controlar o contexto governado que existe abaixo delas.
Essa estratégia reconhece como as organizações realmente adotam IA. Os funcionários escolhem interfaces diferentes para programação, análise, redação e operações. As equipes centrais de tecnologia raramente eliminam essa diversidade ao declarar um assistente universal.
Em vez disso, uma plataforma pode fazer com que esses assistentes dependam de uma camada comum de contexto. Nesse modelo, Claude e Cursor podem continuar sendo produtos diferentes enquanto consultam as mesmas definições de negócios. O usuário mantém seu fluxo de trabalho preferido, e a empresa preserva o controle sobre a interpretação dos dados.
Essa abordagem pressiona duas rotas existentes. A primeira incorpora definições de negócios separadamente dentro de cada agente. A segunda permite que um modelo de uso geral inspecione esquemas brutos e gere seu próprio SQL.
A modelagem por agente oferece controle local, mas multiplica a manutenção. Cada prompt, coleção de recuperação e conector se torna outro lugar onde as definições podem divergir. As atualizações exigem coordenação entre responsáveis que podem usar fornecedores e ciclos de lançamento diferentes.
A geração direta de SQL evita parte da configuração duplicada. No entanto, o acesso ao esquema não revela todas as regras de negócios. Uma coluna chamada revenue não pode explicar a política de reconhecimento, exclusões, tratamento de moeda ou o período de relatório aprovado.
A Databricks argumenta que a Genie Ontology produz respostas melhores porque resolve esses detalhes antes de gerar análises. A empresa também oferece suporte a ativos confiáveis, que são consultas parametrizadas ou funções SQL revisadas por um autor de agentes.
Quando o Genie usa um ativo confiável, a resposta se baseia em lógica verificada em vez de gerar todo o cálculo do zero. Isso cria um ponto de controle mais forte para perguntas recorrentes e sensíveis.
Os Genie Agents também oferecem suporte a instruções, consultas de exemplo e benchmarks. As instruções descrevem terminologia ou regras de domínio. As consultas de exemplo fornecem respostas de referência, enquanto os benchmarks medem a precisão das respostas sem se tornarem contexto oculto para elas.
O modo de agente adiciona análise em várias etapas. Ele pode dividir uma solicitação complexa em subtarefas, emitir várias consultas SQL e retornar um relatório com conclusões e visualizações. A documentação de conceitos do Genie Agent deixa claro que esses controles atendem a propósitos diferentes.
O MCP transforma esses recursos em um serviço acessível por outros agentes. O protocolo padroniza a conversa entre cliente e servidor. Ele não padroniza a qualidade das definições de negócios por trás do servidor.
Essa diferença é onde a Databricks busca vantagem. Muitos fornecedores conseguem expor uma ferramenta via MCP. Menos já governam um grande patrimônio de dados empresariais com permissões, linhagem, modelos semânticos e sistemas de auditoria.
A estratégia também reduz a pressão sobre a Databricks para dominar a atenção dos funcionários. Um desenvolvedor pode permanecer em um ambiente de desenvolvimento integrado. Um analista pode trabalhar no ChatGPT, enquanto outro funcionário usa o Claude.
A GetYourGuide oferece apoio inicial a essa ideia. O gerente de engenharia Fenny Sanyoto disse que as equipes usam Genie One, Claude Cowork e ambientes de desenvolvimento. A empresa valoriza uma integração que forneça respostas consistentes e governadas em todas essas ferramentas.
Essa declaração é um endosso de cliente, não uma prova independente de ampla precisão. Ainda assim, ela captura o desafio da adoção. As empresas não precisam apenas de modelos melhores; precisam de respostas consistentes entre os modelos que já estão entrando no trabalho.
O Genie One MCP para agentes de IA, portanto, compete mais diretamente com o contexto fragmentado do que com um assistente específico. Seu sucesso depende de as empresas preferirem uma autoridade semântica centralizada a comportamentos de agentes otimizados localmente.
Essa escolha introduz questões organizacionais. Uma definição central pode reduzir contradições, mas as equipes precisam concordar sobre quem é responsável por ela. A governança pode evitar desvios, mas retardar mudanças se os processos de aprovação se desconectarem do trabalho real.
O design vencedor equilibrará consistência e autonomia de domínio. A Databricks pode fornecer a infraestrutura de políticas e distribuição. Os clientes ainda precisam criar modelos de responsabilidade que mantenham as definições atualizadas sem transformar cada atualização de métrica em um projeto de plataforma.
A Governança É a Vantagem, mas Também É o Teste
Um gateway governado reduz o risco dos agentes, mas não pode garantir que os dados subjacentes ou a lógica de negócios estejam corretos.
As permissões do Unity Catalog se aplicam a cada solicitação, portanto os resultados devem refletir o acesso autorizado do usuário. A Databricks recomenda OAuth em nome do usuário, no qual o serviço atua usando a identidade individual dele.
Esse modelo oferece suporte a links de origem e responsabilização no nível do usuário. Service principals também são compatíveis com cargas de trabalho automatizadas, mas exigem uma definição cuidadosa de escopo. Uma identidade de automação com privilégios amplos pode recriar o risco que os controles no nível do usuário buscavam reduzir.
O Unity Gateway adiciona políticas de serviço em torno das chamadas de ferramentas. Os administradores podem restringir quais operações MCP um usuário ou carga de trabalho pode invocar. A plataforma também registra as chamadas para análise de uso e auditoria.
Esses são controles relevantes porque uma solicitação de agente não é uma busca passiva. Ela pode acionar interpretação semântica, geração de SQL, execução de consultas e entrega de resultados. Cada etapa pode expor informações ou consumir recursos se for mal configurada.
No entanto, o limite de segurança não valida todas as conclusões. Um agente perfeitamente autorizado ainda pode usar uma definição desatualizada. Ele também pode selecionar a fonte errada entre várias opções permitidas.
A Genie Ontology reduz esse risco apenas quando os responsáveis a mantêm. Ativos confiáveis ajudam quando as equipes revisaram lógicas importantes. Benchmarks ajudam as equipes a detectar falhas, mas apenas quando as perguntas de teste representam o uso real.
O serviço também tem limites de tamanho de resultado. A Databricks afirma que suas ferramentas principais de consulta e polling truncam os resultados para proteger a janela de contexto do modelo. Os agentes podem solicitar resultados mais completos por meio de outra ferramenta, embora saídas muito grandes continuem sujeitas a limites.
O truncamento é razoável, mas afeta a interpretação. Um agente que examina um resultado parcial pode deixar de perceber casos de cauda longa ou supor que a amostra visível representa todo o conjunto de dados. As aplicações devem tratar esquemas, contagens de linhas e indicadores de completude como parte da validação da resposta.
O polling cria outro detalhe de implementação. Os clientes devem aguardar a conclusão de uma solicitação de polling antes de enviar outra. Uma orquestração mal projetada pode criar carga desnecessária ou lidar inadequadamente com uma resposta ainda em andamento.
As visualizações interativas também variam conforme o cliente. Um usuário que trabalha em um cliente com MCP Apps pode ver visualizações e citações de ontologia dentro da conversa. Um cliente apenas de texto recebe menos contexto sobre como a resposta foi produzida.
Essa diferença pode afetar a confiança. Um gráfico com definições vinculadas incentiva a verificação, enquanto uma resposta textual concisa pode parecer mais certa do que as evidências justificam. As equipes devem testar a experiência completa do usuário, não apenas a invocação bem-sucedida da ferramenta.
Os administradores também devem distinguir leitura de ação. O Genie One MCP principal responde a perguntas sobre dados, mas as organizações conectam cada vez mais agentes a ferramentas que podem enviar mensagens ou atualizar sistemas. Um insight fundamentado ainda pode levar a uma ação prejudicial se a próxima ferramenta não tiver verificações de aprovação.
Considere o exemplo de contato com clientes. O Genie pode identificar corretamente uma queda significativa no uso. O agente de contato ainda poderia escolher um destinatário, tom ou ação inadequados.
Os limites de aprovação devem, portanto, acompanhar todo o fluxo de trabalho. A governança de dados protege a entrada analítica. A governança operacional controla se um agente redige, recomenda ou executa a próxima etapa.
A disponibilidade geral sinaliza que a Databricks considera o serviço pronto para uso em produção. Isso não verifica de forma independente a alegação mais ampla da empresa de fornecer respostas consistentes em todos os clientes. A precisão variará conforme a qualidade dos dados, a cobertura da ontologia, o tipo de pergunta e a orquestração dos agentes.
As avaliações mais robustas compararão resultados entre clientes usando os mesmos usuários e permissões. Elas devem testar perguntas comuns, perguntas ambíguas, dados restritos, definições incompletas e prompts adversariais.
As equipes também devem medir divergências, e não apenas a conclusão de tarefas. Se dois agentes chamam o mesmo serviço, mas resumem um resultado de forma diferente, o contexto compartilhado resolveu apenas parte do problema. Os modelos dos clientes ainda moldam a resposta final.
O Databricks Genie One MCP fornece um plano de controle confiável para esses testes. Seu valor virá da consistência e rastreabilidade observadas, não apenas da presença do MCP.
O Genie One MCP para Agentes de IA Muda a Decisão entre Desenvolver ou Comprar
As equipes agora podem separar o agente voltado ao funcionário do sistema que interpreta os dados empresariais.
Anteriormente, uma organização que desenvolvia um agente personalizado frequentemente enfrentava um projeto de integração crescente. Os engenheiros precisavam de conectores, autenticação, descoberta de esquemas, contexto para prompts, geração de SQL, formatação de resultados e monitoramento.
Cada novo agente podia repetir grande parte desse trabalho. Um assistente de apresentações e um assistente de suporte poderiam ambos precisar de dados de receita, mas implementar caminhos distintos de acesso e interpretação.
O serviço de disponibilidade geral oferece outra arquitetura. A Databricks gerencia a interface de análise e a camada de governança. As equipes de aplicação desenvolvem o fluxo de trabalho, a experiência do usuário e as ações em torno da resposta.
Essa divisão pode encurtar o desenvolvimento quando os dados relevantes já estão sob a governança da Databricks. Ela também reduz o número de componentes que consultam diretamente tabelas sensíveis.
A contrapartida é a dependência. Um agente que depende de system.ai.genie_one_mcp herda a disponibilidade, a semântica, os limites e as mudanças de produto da Databricks. A aposentadoria, em outubro, do endpoint beta mostra que até integrações gerenciadas exigem planejamento de migração.
As equipes devem isolar o serviço por trás de um limite claro de aplicação. Devem registrar identificadores de solicitação, links de origem, status de conclusão e erros. Esses registros ajudam os operadores a diferenciar uma falha de modelo de um problema de consulta, permissão ou transporte.
Também devem decidir quando usar o servidor amplo do Genie One e quando usar um Genie Agent selecionado. A Databricks recomenda o servidor MCP do Genie Agent quando as análises precisam permanecer em um único domínio selecionado.
Um ponto de entrada amplo oferece suporte à descoberta em todo um workspace. Um agente específico de domínio pode oferecer instruções, benchmarks e ativos revisados mais rigorosos. A escolha correta depende de a amplitude ou a interpretação previsível importar mais.
A escolha deve seguir o risco, não a conveniência. Uma pergunta geral de negócios pode se adequar ao serviço amplo. Um cálculo regulado ou uma métrica executiva pode merecer um agente selecionado com lógica confiável e testes dedicados.
Esse padrão muda a forma como os compradores comparam assistentes. A qualidade do modelo continua importante, mas o acesso ao contexto governado se torna uma decisão separada. Uma empresa pode trocar o cliente enquanto preserva o serviço que fornece o significado empresarial.
O MCP ajuda porque reduz o custo dessa separação. O protocolo fornece aos clientes e servidores uma forma compartilhada de descrever e invocar ferramentas. Ainda assim, a compatibilidade não elimina comportamentos específicos de cada cliente, trabalho de autenticação ou diferenças na experiência do usuário.
As empresas devem evitar tratar o suporte ao protocolo como portabilidade sem ressalvas. Um cliente pode exibir visualizações interativas, enquanto outro retorna apenas texto. Os clientes também podem diferir na seleção de ferramentas, no comportamento de repetição e na sumarização.
Um piloto útil deve, portanto, incluir mais de um cliente. Ele deve fazer perguntas idênticas sob permissões idênticas e então comparar as fontes selecionadas, os cálculos, as citações e a redação final.
Os desenvolvedores devem incluir casos de falha. Podem revogar acesso, renomear um ativo, alterar uma definição de métrica ou fornecer uma solicitação ambígua. O teste deve revelar se o fluxo de trabalho falha com clareza ou inventa um atalho aparentemente confiante.
O lançamento também afeta a competição entre plataformas de dados. Provedores de nuvem, fornecedores de analytics e plataformas de inteligência de negócios querem se tornar a camada de contexto confiável por trás dos agentes. O MCP torna suas capacidades mais fáceis de expor e mais fáceis de comparar pelos clientes.
A Databricks entra nessa disputa com uma ampla presença em dados e governança. Seu desafio é provar que respostas apoiadas por ontologia permanecem precisas em organizações variadas. Uma plataforma robusta não produz automaticamente um modelo semântico completo.
Os clientes devem investir em definições, gestão e testes. Se ignorarem esse trabalho, o MCP poderá distribuir contexto inconsistente com mais eficiência. A centralização amplifica tanto a qualidade quanto os erros.
Três Sinais Mostrarão se a Aposta Funciona
O próximo teste é verificar se as organizações adotam um único serviço de contexto governado entre agentes sem criar um novo gargalo.
O primeiro sinal é a migração para o serviço Unity Gateway antes de 31 de outubro de 2026. Migrações tranquilas indicariam que os usuários beta consideram que vale a pena manter o novo modelo de governança. Atrasos ou problemas de compatibilidade enfraqueceriam a alegação de que uma interface pode atender clientes de agentes diversos.
O segundo sinal é a consistência mensurável entre Claude, ChatGPT, Cursor e aplicações internas. Os clientes devem relatar se perguntas idênticas produzem cálculos, citações e interpretações alinhados. Evidências de benchmarks reproduzíveis importariam mais do que demonstrações refinadas.
O terceiro sinal é a adoção operacional além do chat de analytics. A Databricks destaca apresentações, contato com clientes e fluxos de trabalho de desenvolvedores porque esses cenários conectam análise ao trabalho real. O uso em produção mostraria se o contexto governado melhora decisões fora da própria interface da Databricks.
Observe as salvaguardas em torno desses fluxos de trabalho tão atentamente quanto os números de adoção. As implantações mais informativas documentarão limites de aprovação, falhas de permissão, resultados incompletos e processos de correção. O sucesso deve incluir recusas seguras e tratamento rastreável de erros.
A Databricks também precisa mostrar que o contexto centralizado permanece atualizado. Os clientes precisam de ferramentas práticas de responsabilidade para atualizar definições, revisar ativos confiáveis e monitorar regressões em benchmarks. Caso contrário, o serviço corre o risco de se tornar mais uma camada autoritativa na qual os funcionários deixam de confiar silenciosamente.
Os fornecedores de clientes também têm um papel. Um suporte melhor a MCP App preservaria gráficos, detalhes de progresso e citações em mais interfaces. Uma renderização fraca poderia reduzir um resultado analítico governado a um parágrafo sem suporte.
No fim, o lançamento separa duas questões que as organizações frequentemente combinam. Qual agente um funcionário deve usar e qual sistema deve definir a verdade do negócio? A Databricks argumenta que as empresas podem responder a essas perguntas de forma independente.
Essa é uma direção sensata para ambientes de IA heterogêneos. Ela preserva a escolha do usuário ao mesmo tempo que coloca permissões e semântica de dados por trás de um serviço comum. A incerteza restante é se a governança pode continuar responsiva à medida que as definições de negócio mudam.
As equipes que avaliam o Databricks Genie One MCP devem começar com uma pergunta de alto valor que já gere discordância. Testem-na em vários clientes, funções e condições de dados. Em seguida, examinem os cálculos e as fontes, não apenas a fluência da resposta.
Se a mesma lógica governada sobreviver a esse teste, expandir o serviço se torna mais fácil de justificar. Se os resultados ainda divergirem, determinem se a falha está nos dados, na ontologia, nas permissões ou na interpretação do cliente. Esse diagnóstico é mais útil do que adicionar outro agente e esperar que um modelo mais novo resolva a discordância.
