IA Agêntica
Quanto mais agentes, maior o risco de criar novos silos de inteligência
Agentes especializados podem tornar cada domínio mais inteligente. O desafio é garantir que essa inteligência consiga atravessar os limites entre ferramentas, equipes e tecnologias para compreender a operação como um todo.
Quando cada agente conhece apenas uma parte da operação
Nos últimos artigos, tenho discutido como a inteligência artificial começa a modificar uma fronteira importante das operações de TI e Telecom. Primeiro, analisamos o que acontece quando agentes deixam de apenas recomendar e passam progressivamente a participar das decisões. Depois, a partir da jornada de Autonomous Networks do TM Forum, vimos que chegar a níveis mais elevados de autonomia exige muito mais do que simplesmente incorporar agentes mais sofisticados. É preciso preparar a arquitetura, organizar conhecimento e construir contexto para que decisões possam ser tomadas com segurança.
Essa evolução nos leva agora a outro problema, talvez menos evidente. À medida que a IA agêntica se disseminar pelas empresas, dificilmente teremos um único agente responsável por compreender toda a operação. O cenário mais provável é a existência de diversos agentes especializados, desenvolvidos por diferentes fornecedores ou pelas próprias organizações, cada um atuando sobre determinados sistemas, tecnologias, processos ou domínios.
Isso faz bastante sentido. Um agente especializado em Kubernetes pode conhecer profundamente o funcionamento de clusters e containers. Outro pode ser preparado para redes IP, enquanto agentes diferentes atuam sobre cloud, segurança, banco de dados, aplicações, ServiceNow ou plataformas específicas de observabilidade. Em Telecom, essa especialização pode se estender ainda para acesso, transporte, core, OSS, BSS e outros domínios.
O problema aparece quando confundimos a inteligência individual desses agentes com a inteligência da operação como um todo.
Na prática, um incidente pode atravessar diferentes domínios da operação, independentemente da forma como distribuímos responsabilidades entre equipes, ferramentas ou fornecedores. Um problema pode começar em um componente de infraestrutura, produzir sintomas em outro domínio, degradar uma aplicação e finalmente afetar um serviço utilizado pelo cliente. Cada agente pode interpretar corretamente aquilo que está acontecendo dentro de sua especialidade e, ainda assim, nenhum deles compreender sozinho o incidente completo.
De certa forma, esse problema não é novo. As operações convivem há anos com silos de ferramentas, dados e equipes. Monitoramento possui uma visão, observabilidade possui outra, ITSM mantém informações adicionais, sistemas de inventário conhecem parte da topologia e especialistas acumulam conhecimentos que muitas vezes não estão formalmente registrados em nenhum desses ambientes.
A IA pode ajudar a reduzir essa fragmentação, mas existe também o risco de simplesmente reproduzi-la em uma nova camada.
Hoje temos silos de ferramentas e dados. Amanhã podemos ter também silos de inteligência.
Esse risco cresce justamente porque os agentes estão se tornando mais capazes. Quanto melhor um agente desempenhar sua função dentro de determinado domínio, mais fácil será concluir que aquele domínio está suficientemente automatizado. Entretanto, otimizar individualmente cada parte da operação não garante que as decisões tomadas por essas partes sejam coerentes quando analisadas em conjunto.
Imagine que um agente responsável por determinada aplicação identifique degradação e conclua que reiniciar um serviço é a melhor resposta. Ao mesmo tempo, outro agente percebe uma anomalia na infraestrutura que suporta aquela aplicação, enquanto um terceiro identifica uma mudança recente em um componente relacionado. Cada um possui informações relevantes, mas a melhor decisão depende da capacidade de relacioná-las.
A questão deixa então de ser apenas o quanto cada agente sabe e passa a incluir o que os agentes conseguem compreender juntos.
Inteligência distribuída exige contexto compartilhado
A primeira resposta para esse problema costuma ser orquestração. Se teremos muitos agentes, precisamos de mecanismos capazes de coordená-los, definir responsabilidades e permitir que troquem informações.
Isso certamente será necessário, mas coordenação, por si só, não resolve todo o problema.
Dois agentes podem trocar mensagens perfeitamente e continuar interpretando a realidade de maneiras diferentes. Um sistema pode chamar determinado elemento de serviço, outro de recurso e um terceiro utilizar identificadores completamente distintos para representar a mesma entidade. Mais importante ainda, cada agente pode conhecer apenas as relações disponíveis dentro da plataforma ou do domínio ao qual possui acesso.
Para colaborar de forma efetiva, agentes precisam compartilhar mais do que mensagens. Precisam compartilhar significado.
É por isso que conceitos como knowledge plane, ontologias e modelos de conhecimento começam a ganhar relevância na discussão sobre Autonomous Networks.
Como vimos no artigo anterior, o knowledge plane busca transformar dados fragmentados em conhecimento contextualizado e reutilizável pela inteligência artificial. O TM Forum vem destacando essa necessidade como parte da evolução das redes autônomas, permitindo que diferentes sistemas e agentes possam compreender o ambiente, raciocinar sobre as informações disponíveis e coordenar decisões entre diferentes domínios.
Para que isso seja possível, é necessário também representar de forma estruturada aquilo que a organização conhece sobre sua própria operação. É nesse ponto que entram os modelos de conhecimento e as ontologias. De forma simplificada, um modelo de conhecimento organiza os principais elementos de determinado domínio e as relações existentes entre eles. Uma ontologia acrescenta uma definição mais formal e compartilhada dessas entidades, relações e significados, criando um vocabulário comum que pode ser interpretado por diferentes sistemas e agentes.
Em uma operação de Telecom, por exemplo, isso pode ajudar diferentes inteligências a compreender que determinados recursos de rede suportam um serviço, que esse serviço atende determinados clientes e que uma alteração em um componente pode produzir efeitos em outros elementos relacionados. Em vez de cada agente interpretar essas relações apenas a partir das informações disponíveis em sua própria plataforma, passa a existir uma referência compartilhada sobre o que os elementos representam e como se relacionam.
Esse ponto se conecta diretamente a uma distinção que venho explorando ao longo desta série. Conhecimento técnico e contexto operacional não são a mesma coisa.
O conhecimento técnico de um agente pode ser extremamente sofisticado e, em grande medida, reutilizável entre organizações. O funcionamento do Kubernetes, de uma plataforma de cloud ou de determinado protocolo de rede não muda completamente de uma empresa para outra. O que muda é a maneira como essas tecnologias estão combinadas em cada ambiente, quais componentes dependem uns dos outros, quais serviços utilizam determinada infraestrutura, o que foi alterado recentemente e quais relações são relevantes naquele momento.
Esse contexto pertence à operação.
É por isso que simplesmente colocar vários especialistas digitais para conversar não garante uma visão sistêmica. Se cada um recebe apenas a visão oferecida por sua ferramenta, podemos terminar com uma arquitetura composta por agentes extremamente competentes, mas que continuam enxergando apenas fragmentos diferentes da mesma realidade.
O desafio passa a ser construir uma base contextual que permita relacionar essas perspectivas. Alarmes, eventos, métricas, mudanças, topologia, inventário, tickets e outras informações deixam de ser apenas dados provenientes de plataformas distintas e passam a fazer sentido quando conseguimos estabelecer as relações existentes entre eles.
Essas relações podem vir de diferentes fontes. Algumas podem ser descobertas dinamicamente pela análise dos dados, enquanto outras representam conhecimento determinístico sobre o ambiente: um componente depende de outro, determinado recurso suporta um serviço, dois elementos possuem uma relação conhecida ou determinada sequência de eventos possui significado operacional específico.
Essa combinação é particularmente importante porque nem todo conhecimento necessário para operar um ambiente precisa ser inferido pela inteligência artificial. Muitas relações já são conhecidas pela organização e podem ser explicitamente representadas, tornando o contexto mais confiável e reduzindo a necessidade de cada agente reconstruir sozinho aquilo que a empresa já sabe sobre sua própria operação.
O resultado desejado não é fazer com que todos os agentes se tornem iguais ou tenham acesso indiscriminado a todas as informações. A especialização continuará sendo importante. O objetivo é permitir que diferentes formas de inteligência consigam trabalhar a partir de uma compreensão suficientemente consistente das relações que atravessam seus domínios.
Quanto mais especializados forem os agentes, maior será a necessidade de uma visão compartilhada da operação.
Essa questão ganha ainda mais importância em ambientes heterogêneos. Uma grande organização dificilmente utilizará agentes de um único fornecedor. Plataformas de observabilidade poderão oferecer seus próprios agentes, fornecedores de cloud terão outros, ferramentas de ITSM incorporarão capacidades agênticas e modelos corporativos poderão conviver com soluções desenvolvidas internamente.
Nesse cenário, prender o conhecimento operacional a cada agente individualmente cria não apenas um problema técnico, mas também estratégico. Se toda a compreensão sobre determinada parte da operação estiver embutida em uma plataforma específica, trocar a tecnologia pode significar perder parte do contexto que foi construído ao longo do tempo.
O desafio não é ter mais agentes, mas fazê-los compreender a mesma operação
Essa perspectiva muda a forma como podemos pensar a arquitetura das futuras operações agênticas. Em vez de imaginar um grande agente central capaz de conhecer tudo, podemos ter múltiplos especialistas trabalhando sobre diferentes domínios, mas apoiados por mecanismos que permitam compartilhar o contexto necessário quando uma decisão atravessa esses limites.
É uma arquitetura mais próxima da própria forma como organizações complexas funcionam. Especialistas continuam existindo porque conhecimento profundo é necessário, mas incidentes mais complexos exigem que diferentes áreas consigam construir uma compreensão comum do problema antes de decidir.
A diferença é que estamos começando a reproduzir essa dinâmica também entre sistemas de inteligência artificial.
Isso cria novas exigências para integração, interoperabilidade e governança, mas principalmente reforça a importância de uma camada capaz de relacionar aquilo que está acontecendo em diferentes partes do ambiente. O conhecimento técnico continuará distribuído entre agentes especializados, enquanto o contexto operacional precisará ser construído e atualizado continuamente a partir da realidade específica da organização.
Essa separação também ajuda a reduzir a dependência de determinada tecnologia. Um agente pode ser substituído por outro mais capaz no futuro sem exigir que todo o conhecimento sobre a operação seja reconstruído do zero. Novos agentes podem consumir o contexto existente e contribuir com novas informações, enquanto a organização preserva aquilo que aprendeu sobre seu próprio ambiente.
Não significa que todos os agentes precisarão acessar uma única base de dados ou que existirá necessariamente uma plataforma central responsável por todas as decisões. Arquiteturas distribuídas continuarão fazendo sentido e diferentes modelos certamente surgirão. O princípio mais importante é outro: a inteligência pode estar distribuída, mas precisa existir alguma forma de compartilhar o significado e as relações necessárias para compreender a operação além dos limites de cada domínio.
Essa talvez seja uma das mudanças mais importantes trazidas pela IA agêntica para a arquitetura operacional. Durante muitos anos, investimos em ferramentas especializadas e depois construímos integrações para fazer os dados circularem entre elas. Agora começamos a enfrentar um desafio adicional: não basta fazer os dados circularem. Precisamos permitir que diferentes inteligências consigam interpretá-los dentro de um contexto comum.
O TM Forum vem avançando justamente nessa direção ao relacionar knowledge planes, ontologias e conhecimento contextualizado à evolução das redes autônomas. Casos recentes apresentados no ecossistema mostram a busca por uma compreensão compartilhada de serviços, clientes e operações para permitir que agentes raciocinem de maneira mais consistente entre diferentes domínios.
Essa discussão ainda está evoluindo e certamente veremos diferentes abordagens para resolver o problema. Mas uma conclusão começa a parecer cada vez mais importante.
Adicionar inteligência a cada domínio pode tornar cada parte da operação mais capaz. Construir contexto compartilhado é o que pode permitir que essas partes se tornem inteligentes juntas.
À medida que avançarmos nessa direção, surgirá inevitavelmente outra questão: mesmo quando agentes possuem contexto suficiente para tomar uma decisão, quanto controle estamos realmente dispostos a entregar a eles?
Esse será o tema do próximo artigo.
Da visão à prática: ARGUS
É nesse desafio de construir uma visão compartilhada da operação que existe uma conexão direta com o trabalho que temos desenvolvido no ARGUS.
A plataforma conecta informações provenientes de múltiplas fontes e utiliza mecanismos de correlação, enriquecimento e regras determinísticas que permitem representar relações e interdependências específicas do ambiente. Com isso, diferentes sinais podem ser analisados não apenas de forma isolada, mas considerando o conhecimento existente sobre como componentes, sistemas e serviços se relacionam naquela operação.
Esse contexto pode apoiar especialistas e automações e, progressivamente, também ser disponibilizado para agentes de IA que precisem compreender o ambiente antes de recomendar ou executar ações. Em uma arquitetura com múltiplos agentes especializados, essa capacidade ganha ainda mais importância porque ajuda a evitar que cada inteligência trabalhe exclusivamente a partir da visão limitada de sua própria ferramenta ou domínio.
Existe também uma convergência com o conceito de knowledge plane discutido pelo TM Forum. O conceito é mais amplo, mas uma de suas funções essenciais é justamente transformar informações distribuídas em conhecimento contextualizado que possa ser utilizado por diferentes formas de inteligência.
É nesse sentido que o ARGUS pode contribuir para a construção de um knowledge plane, ajudando a estruturar e disponibilizar contexto operacional compartilhado para pessoas, automações e agentes.
Conheça o ARGUS e veja como funciona na prática.
Sobre o autor
Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.
É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).
Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.
Sobre a Target Solutions
A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.
Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.
Essa experiência nos permitiu acompanhar de perto a evolução das operações: do monitoramento tradicional à observabilidade, da automação à AIOps e, agora, aos primeiros passos em direção a operações cada vez mais orientadas por inteligência artificial.
É nesse contexto que desenvolvemos o ARGUS, nossa plataforma AIOps para correlação de eventos, redução de ruído e construção de contexto operacional a partir de múltiplas fontes.