
Dados organizados para superinteligência: o que padronizar antes
Quais cadastros, nomes e donos de dados padronizar antes de qualquer agente de IA. Uma lista prática que continua útil conforme os modelos evoluem.
Quer aplicar isso na sua empresa?
Agendar conversa com o Juan →Para preparar dados para superinteligência, na prática, a empresa deve padronizar o que qualquer agente de IA já precisa hoje: cadastros completos e sem duplicidade, nomes de campos e status com significado único e um dono claro para cada base. Nenhum desses pontos depende de um modelo específico, por isso o trabalho continua útil conforme os modelos mudarem. A superinteligência, como conceito, ainda é tema de debate e não um produto que se compra, então o investimento faz mais sentido quando resolve a operação de hoje.
Principais pontos
- Cadastro limpo costuma pesar mais na qualidade das respostas do que a troca de modelo, porque duplicidades e campos vazios produzem erros com aparência de segurança.
- Nomes de campos e status precisam ter um único significado dentro da empresa, documentado em um lugar só.
- Cada base de dados precisa de um dono humano que responda por correção, acesso e atualização.
- O agente deve ler dados por ferramentas com permissão limitada, nunca por acesso irrestrito a planilhas e sistemas.
- Padronizar é um processo pequeno e repetível, feito a partir de um fluxo real e não de uma reformulação total.
Por que começar pelos dados e não pelo modelo
Modelos mudam com frequência, mas os dados da operação permanecem. Um agente que consulta pedidos, contratos ou agendas só é confiável se encontrar o mesmo registro, com o mesmo nome, em todos os lugares onde ele aparece. Quando um cliente surge como “Maria Souza” em um sistema, “M. Souza” em outro e “Maria de Souza Lima” em uma planilha, nenhum modelo sabe sozinho qual registro vale.
A documentação da Anthropic sobre engenharia de contexto trata o contexto do agente como um recurso limitado, que deve ser enxuto e informativo. Isso aponta para o mesmo caminho: antes de ajustar instruções, vale garantir que as informações entregues ao agente sejam claras, únicas e atualizadas.
Higiene de cadastros: o mínimo que todo agente precisa
A higiene de cadastros não exige um projeto de dados complexo. Os itens abaixo resolvem a maior parte dos problemas que aparecem nos primeiros testes de um agente:
- Um identificador único por cliente, produto, unidade ou pedido, que não mude quando o nome ou o telefone mudam.
- Telefone e e-mail no formato padrão, com DDD e código do país, e marcação de quais contatos estão válidos.
- Regra escrita para fundir duplicados, dizendo qual registro prevalece e o que acontece com os dados do outro.
- Campos obrigatórios definidos para cada tipo de registro, com a ação a tomar quando um deles estiver vazio.
- Data da última atualização visível em todo registro, para que o agente saiba quando a informação pode estar velha.
- Marcação de consentimento e de restrições de contato separada do cadastro comercial.
O último item merece atenção especial. Dados pessoais tratados por uma empresa brasileira seguem a LGPD, e o cadastro é o lugar onde a permissão para contato precisa estar registrada de forma consultável. Quando o agente enviar mensagens ativas, essa informação determina se a mensagem pode ser enviada, e não apenas se o número existe. Sobre esse tema, vale ler Mensagens ativas no WhatsApp: templates, opt-in e boas práticas.
Nomes de campos e status: um vocabulário só
Para uma pessoa, “pendente”, “aguardando” e “em aberto” podem parecer equivalentes. Para um agente, são estados diferentes, e cada um pode levar a uma ação distinta. Antes de conectar qualquer ferramenta, responda para cada status:
- Quem altera este status e em qual evento acontece a mudança.
- Qual ação o agente pode tomar enquanto o registro estiver nesse status.
- Qual status o sistema assume quando a informação está faltando.
O mesmo cuidado vale para os nomes dos campos e das ferramentas. A orientação da Anthropic sobre como escrever ferramentas para agentes recomenda nomes e descrições claros, com parâmetros que não deixem margem para interpretação. Na prática, uma ferramenta chamada “consultar_pedido” com descrição objetiva funciona melhor do que “get_data_v2”. Escolha uma língua para os nomes técnicos, mantenha os rótulos em português para a equipe e documente a correspondência entre os dois.
Donos de dados: quem responde pela informação
Dono de dados não é quem digita a informação, e sim quem decide sobre ela. Cada base precisa de um responsável de negócio, que define o que o registro significa e quem pode alterá-lo, e de um responsável técnico, que cuida de acesso, integrações e cópias. Em empresas que tratam dados pessoais em escala, o encarregado indicado para a LGPD costuma participar dessas decisões, sobretudo nas que envolvem novas finalidades.
Sem dono definido, o agente herda a bagunça. Quando um erro aparece na resposta ao cliente, alguém precisa ter autoridade para corrigir a origem e não apenas a cópia que o agente leu. Um substituto também é necessário, porque férias e saídas de equipe são o momento em que as bases param de ser atualizadas.
Checklist para padronizar antes do primeiro agente
O caminho mais seguro é começar por um fluxo, não por todos os sistemas da empresa. Um roteiro possível:
- Escolha um fluxo real, como consulta de status de pedido, e liste as bases e os campos que ele toca.
- Para cada base, nomeie um dono e um substituto com poder de decisão.
- Exporte uma amostra e anote duplicados, campos vazios e status sem definição, sem corrigir nada às cegas.
- Escreva o vocabulário do fluxo, com uma frase de significado para cada campo e status.
- Corrija a origem dos dados e registre a regra de fusão de duplicados.
- Dê ao agente somente as leituras necessárias para o fluxo, com registro de cada consulta feita.
- Teste com registros conhecidos antes de abrir o fluxo para clientes reais.
Para a etapa de teste, vale usar ambientes de simulação. O texto Como testar agente de IA com mocks e sandbox sem risco descreve a lógica de testar sem tocar em dados reais.
Cenário ilustrativo: a agenda com três cadastros da mesma pessoa
Cenário ilustrativo, não é um caso real: uma empresa de serviços mantém a agenda em um sistema, o relacionamento com clientes em um CRM e os lembretes de retorno em uma planilha. Um cliente pergunta pelo horário da próxima visita, e o agente encontra dois registros com o mesmo nome e telefones diferentes.
Sem regra de identificador, o agente escolhe um dos registros e responde com segurança, mesmo que esteja errado. Com a padronização, o agente confirma nome completo e data de nascimento ou número do pedido, consulta apenas a agenda do cliente identificado e, se restar dúvida, transfere a conversa para uma pessoa com o histórico resumido. O ganho não está na inteligência do modelo, e sim em um identificador único e em uma regra de transferência escrita.
Como o método de Juan Carlo se aplica
Na nossa forma de trabalhar, a padronização entra nas etapas de mapear e limitar. Primeiro levantamos o processo e as bases que ele usa, depois restringimos quais campos e ações o agente pode acessar. No piloto, um fluxo real roda com registro de decisões e uma métrica combinada antes do início, e só então a operação é transferida, com a decisão de expandir, ajustar ou parar. Isso não garante resultado, mas organiza a decisão com base em evidências.
Perguntas frequentes
Preciso de um data warehouse ou de um projeto grande para começar? Não necessariamente. Comece pelo fluxo que você quer automatizar e pelas bases que ele toca. Projetos amplos de dados costumam atrasar a operação, enquanto a padronização feita por fluxo gera regras que podem ser reaproveitadas nos próximos.
Padronizar dados serve só para agentes de IA ou também para a equipe? Serve aos dois, e esse é um bom argumento para começar. Os mesmos identificadores, status e campos que o agente lê são os que a equipe usa em relatórios e no atendimento humano. Quando a regra está escrita, ela vale também para quem entra no time depois.
Dados pessoais exigem cuidado extra ao alimentar um agente? Sim. Dados pessoais seguem a LGPD, então a finalidade, o acesso mínimo e o registro de cada consulta precisam estar definidos antes do piloto. Antes de enviar informações a serviços de terceiros, verifique onde esses dados são processados, como explica o texto sobre transferência internacional de dados com IA.
E se o modelo mudar daqui a um tempo? A padronização continua valendo, porque identificadores, donos, status e vocabulário não dependem do modelo. A troca de modelo pode exigir ajustes de instruções e novos testes, mas o trabalho sobre a base permanece. Antes de trocar, rode os mesmos testes com registros conhecidos e compare os resultados.