essay

Agentes em todo lugar, memória em nenhum

Jeff Reynar
Agentes em todo lugar, memória em nenhum

A Salesforce tornou o Slackbot disponível para uso geral este mês como “seu agente pessoal para o trabalho”, junto com sete agentes Agentforce nomeados, um para cada função de negócio. A OpenAI lançou os Workspace Agents, que se conectam diretamente ao Slack, Salesforce e ao restante do stack. A Meta lançou um agente pessoal na mesma semana. Todo fornecedor já lançou um agente conectado às suas ferramentas que realiza tarefas.

Conectar é a parte que todos já resolveram. Um agente agora consegue acessar seu e-mail, seu chat, seu CRM e seus arquivos, e o número de conectores virou o número de ficha técnica que os fornecedores comparam.

Eis a pergunta que os lançamentos não respondem: quando o agente age, o que ele sabe?

Acesso não é conhecimento

Conecte um agente a tudo e o que ele recebe é matéria-prima. Quando você pede que ele faça algo, ele busca nessa matéria-prima e sintetiza uma resposta naquele momento, a partir de fragmentos. E-mails contraditórios, anotações desatualizadas, uma thread em que alguém sugeriu um preço que nunca foi adotado. Faça a mesma solicitação amanhã e ele sintetiza de novo, talvez de forma diferente.

A busca tem uma segunda limitação que importa mais para agentes do que para pessoas. Ela responde apenas à pergunta que alguém pensou em fazer. Uma pessoa navegando pelos resultados percebe o que é surpreendente; um agente recuperando contexto para uma tarefa pega o que corresponde à consulta e segue em frente. A mensagem que silenciosamente mudou sua política de devolução nunca contém as palavras “política de devolução”, então o agente que atua sobre devoluções recupera o anúncio antigo que contém essas palavras, e age com base nele, com confiança.

Engenheiros vão reconhecer o padrão como RAG, e a recuperação não é o elo fraco. O que importa é o corpus por trás dela. Recuperação sobre fragmentos brutos é arqueologia. A escavação traz à tona o que sobreviveu, sem nenhuma garantia de que seja a camada mais recente, e é assim que um agente cita a versão antiga de um documento como se fosse a atual. Recuperação sobre conclusões mantidas é recordação.

Nada disso é um problema de modelo, e um modelo melhor não resolve isso. O agente faz arqueologia a cada solicitação porque nada entre a matéria-prima e o modelo guarda o que a empresa já concluiu.

Sete agentes, memória de quem?

A Salesforce deu nomes aos seus agentes: Casey, Paige, Carter, Hunter e mais três. Nomes são um bom marketing. Eu ainda consigo nomear os sete anões. Ter sete agentes levanta uma pergunta: quando a Casey do atendimento descobre que um cliente vai fechar cem de suas lojas, o Hunter do comercial sabe disso antes de propor o upsell?

Uma equipe de especialistas humanos funciona melhor quando compartilha o que aprende, em standups, em threads, na anotação do CRM que alguém se lembra de fazer. Uma equipe de agentes especialistas precisa do mesmo substrato, e um conjunto compartilhado de conectores não é isso. O que falta é a camada onde as conclusões vivem. Este cliente está encolhendo, este preço é o atual, esta pessoa agora cuida das renovações. Capturado uma vez, corrigido por uma pessoa no início, lido por todo agente antes de agir.

Essa camada tem um nome sem graça. É memória, e é um artefato diferente de um índice. Um índice fica maior. A memória fica mais útil.

Por que ninguém entrega memória

Memória fica mal em demonstrações. Conectores brilham no palco. Um agente respondendo a uma pergunta sobre preços impressiona todo mundo. O que ninguém na plateia consegue saber é se a resposta veio da planilha canônica ou de uma thread desatualizada que por acaso correspondia, e essa diferença explica o valor da memória. A memória mantida também se constrói devagar, a partir do tráfego de uma empresa específica, corrigida pelas pessoas dessa empresa. Nada disso pode acontecer em tempo real na frente de uma plateia.

Também há uma razão estrutural. Toda plataforma que vende agentes preferiria que o contexto duradouro vivesse dentro do seu próprio pacote, então cada uma constrói memória para o seu próprio território e a declara completa. O conhecimento no e-mail, no chat, nas reuniões e nos documentos de uma empresa é necessário em praticamente todo contexto, e é exatamente por isso que ninguém cuja receita depende de uma única plataforma está em posição de guardá-lo.

Eu construo software nessa categoria, um brain que se alimenta das mensagens de uma equipe e workflows que agem sobre isso com uma pessoa aprovando o que é escrito, então eu tenho uma posição aqui. Mas o argumento se sustenta por si só. Há duas formas de confiar no que um agente faz. Aprovar o conhecimento primeiro e deixá-lo agir, ou deixar o conhecimento se acumular sozinho e verificar cada ação que ele produz. Ambas são coerentes. A diferença está em onde vai o esforço humano. Verificar ações significa reverificar o mesmo fato toda vez que um agente o usa, enquanto aprovar o conhecimento significa verificar uma vez, com cada ação posterior herdando essa confiança. Nós construímos para o primeiro caminho. Isso concentra o trabalho no início e adia o retorno, e é a versão que se acumula com o tempo.

A parte difícil

Os lançamentos de agentes vão continuar chegando, e os agentes vão ser bons. Modelos melhoram, conectores se multiplicam, e logo todo fornecedor vende a mesma commodity: agentes capazes, com acesso a tudo e certeza sobre nada.

O mais difícil é criar uma representação precisa do que a sua empresa sabe. Boa parte disso está no fluxo de e-mails e mensagens, e a maior parte pode ser extraída por IA. Mas é preciso supervisão humana, pelo menos no início, para mantê-la confiável o suficiente para que pessoas e agentes possam se apoiar nela. Os fornecedores estão ocupados lançando agentes sem memórias que cubram toda a empresa. Nós estamos buscando resolver os dois lados.