A próxima geração de sistemas corporativos não será construída adicionando IA aos dados existentes, mas capturando os rastros de decisão que tornam os dados acionáveis.
Agentes de IA estão sendo implementados em workflows reais, mas esbarram em uma barreira que governança sozinha não resolve: a falta de rastros de decisão.
"Sempre damos 10% extra para empresas de saúde porque seus ciclos de compra são complexos." Isso não está no CRM. É conhecimento tribal passado através de conversas informais.
"Estruturamos um acordo similar para a Empresa X no trimestre passado – devemos ser consistentes." Nenhum sistema vincula esses dois negócios ou registra por que a estrutura foi escolhida.
O líder de suporte verifica ARR no Salesforce, vê escalações no Zendesk, lê thread no Slack sobre risco de churn e decide escalar. Essa síntese acontece na cabeça dele. O ticket só diz "escalado para Tier 3".
Um VP aprova desconto em uma chamada Zoom ou DM no Slack. O registro da oportunidade mostra o preço final. Não mostra quem aprovou o desvio ou por quê.
Quando startups instrumentam a camada de orquestração de agentes para emitir rastros de decisão em cada execução, elas obtêm algo que as empresas quase nunca têm: um histórico estruturado e reproduzível de como contexto se transformou em ação.
Um agente de renovação propõe 20% de desconto para um cliente.
Política limita renovações a 10% a menos que exceção de impacto de serviço seja aprovada.
Agente busca evidências cross-system para justificar a exceção.
Sistema roteia exceção para Finance. Finance aprova baseado em precedente e evidências.
Sistema grava rastro completo no Context Graph. Futuras decisões similares podem consultar este precedente.
Startups de sistemas de agentes seguirão diferentes caminhos, cada um com suas próprias vantagens e trade-offs.
Um CRM ou ERP reconstruído em torno de execução agêntica, com estado event-sourced e captura de política nativa na arquitetura.
Alvejam sub-workflows específicos onde exceções e aprovações se concentram, depois se tornam sistema de registro para essas decisões.
Começam como camadas de orquestração, mas persistem o que empresas nunca armazenaram sistematicamente: o rastro de tomada de decisão.
Onde buscar oportunidades para construir a próxima geração de sistemas de registro baseados em Context Graphs.
Se uma empresa tem 50 pessoas fazendo um workflow manualmente (roteando tickets, triando requisições ou reconciliando dados entre sistemas), isso é um sinal. O trabalho existe porque a lógica de decisão é complexa demais para automatizar com ferramentas tradicionais.
Workflows rotineiros e determinísticos não precisam de rastro de decisão: o agente apenas executa. As superfícies interessantes são onde a lógica é complexa, onde precedente importa e onde "depende" é a resposta honesta. Pense em deal desks, underwriting, revisões de compliance e gestão de escalações.
RevOps existe porque alguém precisa reconciliar vendas, finanças, marketing e sucesso do cliente. DevOps existe porque alguém precisa conectar desenvolvimento, TI e suporte. Security Ops fica entre TI, engenharia e compliance. Essas funções de "cola" são um sinal claro. Surgem precisamente porque nenhum sistema de registro único possui o workflow cross-funcional.
Capturar rastros de decisão requer estar no caminho de execução no momento do commit, não adicionar governança depois do fato.
Problema: Armazenam estado atual, não estado no momento da decisão.
Quando um desconto é aprovado, o contexto que o justificou não é preservado.
Você não pode reproduzir o estado do mundo no momento da decisão. Também herdam
pontos cegos: escalação de suporte depende de CRM, billing, PagerDuty e Slack.
Nenhum incumbente vê isso porque nenhum está no caminho cross-system.
Problema: Estão no caminho de leitura, não no caminho de escrita.
Warehouses recebem dados via ETL depois que decisões são feitas. Quando dados
chegam no Snowflake, o contexto de decisão já foi perdido. Um sistema que só
vê leituras, após o fato, não pode ser o sistema de registro para rastro de decisão.
Pode dizer o que aconteceu, mas não pode dizer por quê.
Vantagem: Estão no caminho de orquestração.
Quando um agente triage uma escalação, responde a incidente ou decide desconto,
ele puxa contexto de múltiplos sistemas, avalia regras, resolve conflitos e age.
A camada de orquestração vê o quadro completo: quais inputs foram coletados,
quais políticas aplicadas, quais exceções foram concedidas, e por quê.
Contramedidas esperadas:
• Aquisições para adicionar capacidades de orquestração
• Lock-down de APIs e taxas de egresso caras
• Frameworks de agentes próprios com narrativa "mantenha tudo no nosso ecossistema"
Mas não podem se inserir em uma camada de orquestração da qual nunca fizeram parte.
Como aplicar estes conceitos em casos de uso específicos do mercado brasileiro.
No contexto da Saúde Livre: Cada atendimento é uma decisão. O Context Graph captura não só "paciente X foi atendido", mas:
Vantagem: Próximo paciente com sintomas similares já tem precedente. Decisão automatizada com conformidade LGPD completa.
No contexto do EstateFlow: Negociações imobiliárias são repletas de exceções. Context Graph captura o "por quê" de cada decisão de precificação:
Vantagem: IA aprende padrões de mercado reais, não apenas tabelas. Decisões futuras baseadas em histórico real da empresa.
Agentes de IA que operam no Brasil precisam demonstrar conformidade LGPD. Context Graph é a resposta:
Vantagem: Qualquer decisão de IA é auditável pela ANPD. Transparência completa sobre uso de dados pessoais.
As startups que estão construindo context graphs hoje
estão estabelecendo as fundações para os próximos sistemas de registro trilionários.
A questão não é se os sistemas de registro vão sobreviver – eles vão.
A questão é se as próximas plataformas trilionárias serão construídas adicionando
IA aos dados existentes, ou capturando os rastros de decisão
que tornam os dados acionáveis.