Nos últimos dois anos, a adoção da inteligência artificial deu passos consideráveis nos diversos setores. As organizações mais maduras já não estão apenas a discutir pilotos ou provas de conceito. Estão a operacionalizar soluções, a selecionar casos de uso com impacto real, a integrar IA nos processos e, igualmente importante, a criar mecanismos de governo, controlo e IA Responsável. Esta dimensão é crítica, sem governo, a IA fica confinada à experimentação e não pode escalar com confiança.

A nova realidade traduz-se no cenário verdadeiramente agentic. Ao contrário de um chatbot tradicional, um agente além de interpretar contexto e responder a questões, tem de escolher ferramentas, consultar multiplos sistemas, cruzar informação, executar passos intermédios e devolver uma resposta ou recomendação, podendo também executar ações com um grau de autonomia previamente definido. Vários agentes podem colaborar, cada um com competências específicas, sob uma camada de orquestração e controlo.

É aqui que a relação entre IA e dados muda substancialmente. Os agentes passam a interagir diretamente com fontes de informação, modelos analíticos, catálogos, glossários, dashboards, bases de dados e aplicações. Podem responder a perguntas que antes exigiam reporting tradicional, “porque caiu a margem?”, “quais os principais drivers deste desvio?”, “que clientes explicam esta variação?”, “que dados suportam esta decisão?”.

Muito mais do que responder a perguntas, estes agentes podem também atuar sobre o ecossistema, validar permissões antes de consultar dados, acionar workflows, abrir pedidos quando falta acesso ou contexto, chamar ferramentas especializadas, simular cenários, propor recomendações e encaminhar decisões de maior risco para validação humana. Ou seja, o paradigma agentic aproxima análise, decisão e execução controlada no mesmo fluxo, e o reporting tradicional deixa de ser a única porta de entrada para a análise aos dados.

Esta é talvez a mudança mais relevante, a IA deixa de ser apenas uma interface de consulta e passa a ser uma interface de operação, sempre sujeita a políticas, permissões, rastreabilidade e aprovação humana quando o risco o exige.

Esta evolução é poderosa. Além de permitir a automatização e otimização de inúmeras atividades, abre portas a novos modelos de operação e à criação de novos serviços. Mas também cria um risco novo, um agente pode estar errado de forma muito convincente. Pode escolher a tabela errada, usar uma definição desatualizada, ignorar uma regra de negócio, combinar fontes incompatíveis, acionar o workflow errado ou recomendar uma ação com base em contexto insuficiente. E quanto melhor for a narrativa, mais difícil pode ser detetar o erro.

Num cenário agentic, o erro pode propagar-se não apenas por informação errada, mas também por ações incorretas. O governo da IA não pode ser uma camada de controlo que quase por magia tente evitar erros. No novo paradigma tem de começar no desenho das soluções, nos dados que as alimentam, nas permissões que devem respeitar e nos mecanismos que determinam quando uma ação pode, ou não, ser executada.

Por isso, ligar agentes a dados e esperar que “a IA descubra” não é estratégia. Durante anos, muitas organizações aceitaram a lógica de despejar dados num repositório pouco curado, partindo do princípio de que um data scientist saberia mais tarde encontrar valor. Num mundo em que agentes exploram dados e podem apoiar decisões ou desencadear ações em nome de utilizadores de negócio, o risco é elevado. Um data lake sem modelação, ownership, lineage e semântica clara induz os agentes em más decisões.

E o mesmo raciocínio aplica-se aos sistemas transacionais, aplicações core e workflows de negócio. Agentes que procuram informação e interagem com diferentes sistemas, sem uma indicação clara de como esses sistemas se relacionam, podem introduzir erros graves na operação. O desafio deixa de ser apenas saber onde está o dado, passa também por saber o que significa, quem o pode usar, em que processo se insere, que dependências tem e que ação pode legitimamente suportar.

A nova vaga de self-service analytics exige, paradoxalmente, um regresso à disciplina da modelação. Não como nostalgia dos data warehouses rígidos, mas como condição para escalar IA com segurança. Precisamos de modelos de dados limpos, métricas governadas, glossários vivos, lineage ponta a ponta e uma camada semântica consumível por máquinas. Os agentes precisam de aceder aos dados e de compreender o seu significado, o seu contexto e os limites da sua utilização.

Também a Enterprise Architecture passa a ter um papel mais operacional e passa a funcionar como fonte de verdade em runtime. Processos, aplicações, dados, capacidades, políticas e agentes devem estar ligados num grafo vivo, consultável pelas próprias soluções de IA. Só assim um agente consegue saber que processo está em causa, que sistema suporta a informação, que dados pode consultar, que ferramentas pode usar e que controlos deve respeitar.

As ontologies ganham aqui uma importância muito prática. É essencial construir ontologias por domínio, associadas a casos de uso concretos, que clarifiquem conceitos, relações e regras. Devemos pensar na ontologia como o mapa que impede o agente de se perder nos dados e nos processos. Sem esse mapa, o agente reconhece palavras; com ele, começa a compreender contexto, dependências e caminhos válidos para chegar a uma resposta ou executar uma ação.

Neste novo paradigma a confiança tem de começar a ser desenhada logo na arquitetura. Cada resposta relevante deve poder indicar fontes usadas, frescura dos dados, filtros aplicados, permissões consideradas, regras de negócio utilizadas e nível de confiança. Cada ação relevante deve poder ser reconstruída: que agente a propôs, que ferramenta utilizou, em nome de quem atuou, que política foi aplicada e que aprovação existiu, quando necessária.

Num cenário de IA Responsável têm de existir validações adversariais, testes contínuos, monitorização de drift, intervenção humana proporcional ao risco e mecanismos de explainable AI, que funcionem como camada transversal, desde o desenho dos dados até à resposta final, desde a seleção de ferramentas até à execução controlada nos sistemas, de acordo com a ratreabilidade exigida no AI Act.

Para lá chegar, é preciso fazer o trabalho menos visível, mas mais determinante, modelar dados, governar conceitos, estruturar semântica, desenhar controlos, gerir identidade, auditar interações e integrar a arquitetura empresarial no funcionamento real dos agentes.

A próxima fase da IA nas organizações será permitir que agentes compreendam contexto, consultem fontes, interajam com sistemas e apoiem a execução de forma segura, governada, explicável e alinhada com os objetivos do negócio. Quanto mais autónoma for a IA, mais disciplinada tem de ser a organização que lhe dá contexto.

Este artigo foi publicado no âmbito do projeto Transformar Portugal, em parceria com a EY.