Esclarecendo conceitos sobre IA: LLM, RAG, agentes de IA ou IA agética
Partilha
Se você leu notícias sobre inteligência artificial nos últimos meses, provavelmente se deparou com uma sopa de siglas que soam todas iguais: LLM, RAG, agentes de IA, IA agética... Parece um trava-línguas, e é normal se sentir um pouco perdido.
A boa notícia é que você não precisa ser um cientista da computação para entender isso. Esses termos não são modos diferentes e concorrentes: eles são camadas que são adicionadas umas às outrasE cada camada resolve um problema diferente. Se você entender o que cada uma traz, também entenderá melhor qual pode ser útil para o seu trabalho e, principalmente, onde estão os riscos.
Esta publicação tem como objetivo servir de guia básico para qualquer pessoa na administração pública que queira se atualizar, sem a necessidade de conhecimento técnico prévio.
Camada 1. LLMs: a base de tudo
Els LLM (do inglês) Modelos de linguagem de grande porteOs modelos de linguagem (ou seja, grandes modelos de linguagem) são o motor por trás de ferramentas como ChatGPT, Claude ou Gemini. São sistemas treinados com uma enorme quantidade de texto e que aprenderam a fazer algo muito específico: gerar linguagem coerente.
Em que são bons? Escrever, resumir, traduzir, explicar conceitos, dar ideias, reformular um texto para torná-lo mais claro... No seu trabalho diário, podem ajudá-lo a redigir uma circular, resumir as conclusões de um relatório extenso ou adaptar um texto técnico para uma linguagem simples.
Mas existe um limite importante que deve ser levado em consideração: Um mestrado em Direito (LLM) não conhece seus dados.Ele não sabe o que dizem os regulamentos internos do seu departamento, nem quais são os procedimentos específicos da sua entidade, nem o que foi decidido na última reunião do comitê. Ele só sabe o que aprendeu durante o treinamento, e isso pode estar desatualizado ou ser muito genérico.
Portanto, os LLMs são úteis para tarefas gerais, mas por si só não resolvem os problemas específicos da administração.
Camada 2. RAG: adicionar conhecimento
É aqui que o RAG (Geração Aumentada por Recuperação(ou geração aumentada por recuperação). O nome é muito técnico, mas a ideia é simples: Conecte o LLM aos seus documentos e dados. para que eu possa responder com base em informações reais da sua organização.
Imagine um assistente que, antes de responder a uma pergunta sobre subsídios, consulta as bases regulamentares publicadas no DOGC (Departamento de Governança Corporativa), os critérios internos do seu departamento e as perguntas frequentes no site. Em essência, é isso que um sistema RAG faz: ele recupera as informações relevantes e as utiliza para construir uma resposta fundamentada.
É aqui que muitas administrações começam a perceber o verdadeiro valor. Alguns exemplos do setor público onde uma abordagem de classificação por cores (vermelho, verde e verde) faz sentido:
Assistente interno que responde a perguntas dos funcionários sobre procedimentos administrativos, com base em manuais internos.
Uma ferramenta de consulta cidadã que responde a procedimentos municipais utilizando a documentação oficial disponível no site.
Suporte para técnicos que precisam resolver casos consultando regulamentos e precedentes.
No entanto, existe uma condição essencial: A qualidade da informação da fonte é tudo.Se os documentos forem confusos, duplicados, contiverem versões contraditórias ou tiverem uma estrutura caótica, as respostas serão igualmente confusas. A máxima neste mundo é clara: Lixo entra, lixo saiSe forem inseridos dados "inúteis", serão obtidas respostas "inúteis".
Portanto, antes de investir em um sistema RAG, vale a pena fazer uma pergunta mais básica: Nossas informações estão organizadas o suficiente para que uma máquina as leia corretamente? Se a resposta for não, talvez o primeiro passo não seja a IA, mas sim organizar a documentação.
Camada 3. Agentes de IA: da reflexão à ação.
Até agora, a IA nos ajuda a entender e escrever. Mas a Agentes de IA Eles vão um passo além: eles agemEles utilizam ferramentas para realizar tarefas: podem criar um documento, enviar um e-mail, atualizar um registro, comparar duas bases de dados ou seguir uma série de etapas predefinidas.
A mudança é substancial. Até agora, a IA ajudava você a pensar; agora ela ajuda você a agir.
Vamos pensar nisso aplicado à administração. Um agente de IA poderia:
Ao receber uma solicitação, verifique se a documentação anexada está completa e, caso contrário, gere uma solicitação de alteração.
Pesquise em um banco de dados para verificar se o candidato já possui arquivos abertos e anexe-os ao novo arquivo.
Prepare a notificação, preencha-a com os dados relevantes e deixe-a pronta para que alguém a revise e assine.
Esse salto abre enormes possibilidades de eficiência, mas também altera a natureza do risco. Quando uma ferramenta apenas sugere texto, o erro permanece em um rascunho que outra pessoa revisa. Quando uma ferramenta atoO erro pode ter consequências reais: uma solicitação enviada à pessoa errada, dados atualizados incorretamente, um procedimento iniciado sem fundamento.
Portanto, nesta camada, a questão fundamental não é mais se a ferramenta responde bem, mas sim se pode agir com segurançaIsso significa definir muito bem o que o agente pode fazer, o que não pode, quando precisa parar e pedir validação humana e como cada ação é rastreada.
Camada 4. IA Agêntica: vários agentes que coordenam
Se um agente já estiver em um salto, o IA Agética é o seguinte: múltiplos agentes trabalhando juntos Dentro do mesmo fluxo de trabalho, cada um com uma função específica.
Nesse cenário, poderíamos ter um agente que detecta um incidente em um serviço, outro que verifica os dados relacionados, um terceiro que notifica a equipe responsável e um quarto que prepara uma resposta inicial para a pessoa afetada. Tudo isso de forma coordenada e, em grande medida, autônoma.
Parece impressionante, e é. Mas também é consideravelmente mais complexoCada transferência entre agentes é um ponto em que erros podem ocorrer. Quanto maior a autonomia, mais difícil se torna rastrear exatamente o que aconteceu, quem tomou qual decisão e por quê.
E aqui surge uma questão que, na esfera pública, não é menos importante: Quem é o responsável? Quando um sistema composto por diversos agentes toma uma decisão que afeta uma pessoa? Porque na administração pública, ao contrário do setor privado, não basta que o sistema funcione na maior parte do tempo: é necessário ser capaz de explicar, justificar e, se necessário, rever cada decisão que afeta um cidadão.
Antes de prosseguir, faça a si mesmo a pergunta certa.
Ao receber uma proposta ou demonstração de uma ferramenta de IA, em vez de analisar se ela funciona de forma geral, preste atenção à pergunta que precisa ser respondida de acordo com a camada de aplicação:
LLM - Você escreve bem o suficiente? O texto gerado é claro, útil e bem estruturado?
RAG - Encontrou o que precisava? Você sabe como encontrar as informações corretas em nossos documentos?
Agentes - Está funcionando corretamente? Ao executar uma tarefa, ela permanece dentro dos limites esperados?
IA Agética - Podemos responder como organização? Sabemos o que cada agente faz, em que momento e de quem é a responsabilidade se algo der errado?
Esta última questão é a que você deve ter mais em mente se precisar decidir se deve ou não prosseguir com uma iniciativa. Porque, no dia em que um cidadão reclamar de uma decisão que o afetou, alguém terá que explicar o que aconteceu, quem decidiu e com que critérios. Se a resposta for "o sistema", temos um problema.
O conselho prático: comece pelo problema, não pela tecnologia.
Se você tiver que reter apenas uma ideia deste post, que seja esta: Não comece se perguntando qual IA você quer usar, comece com o problema que você quer resolver..
Com muita frequência, a conversa segue o caminho inverso: "queremos fazer algo com IA baseada em agentes". E a pergunta certa é: "temos algum trabalho específico em que as pessoas perdem tempo, cometem erros recorrentes ou os cidadãos esperam muito tempo, e a tecnologia pode nos ajudar a melhorar isso?"
A partir daqui, escolha o padrão mais simples que resolve o problemaÀs vezes, um mestrado em Direito (LLM) será suficiente para ajudar a redigir comunicações. Às vezes, um especialista em regulamentações (RAG) será necessário para que o sistema entenda seus regulamentos. E às vezes, sim, um agente valerá a pena. Mas a complexidade só se justifica se trouxer valor real.
