Um agente de IA que responde a todas as perguntas internas a partir do conhecimento da própria empresa.
Pergunte em linguagem natural e receba a resposta em segundos, com a fonte anexada.
O problema
A resposta já existe. Só que ninguém a consegue encontrar.
Todas as empresas acumulam conhecimento: políticas, manuais, runbooks, documentação de produto, notas de reuniões, arquivos de projetos, contratos, wikis. O conhecimento existe. Encontrá-lo é outra história.
E assim as mesmas perguntas internas repetem-se vezes sem conta: qual é a política de despesas?, quem é responsável por este serviço?, como peço acesso?
Na maioria das vezes, são as mesmas poucas pessoas que respondem à mão, uma e outra vez, em vez de fazerem o trabalho para que foram contratadas.
Os sítios onde essas respostas costumam viver não aguentam bem o embate:
- A wiki fica desatualizada assim que um processo muda, e ninguém confia numa página com data de há dois anos.
- A pesquisa interna encontra documentos, não respostas. Entrega-lhe doze PDFs e deseja-lhe boa sorte.
- As pessoas que sabem tornam-se o help desk. Cada pessoa sénior passa parte da semana a responder às mesmas vinte perguntas, e quando sai, as respostas saem com ela.
O que uma empresa realmente precisa é de um company brain: o seu conhecimento tornado respondível, para que qualquer pessoa possa perguntar o que quiser, por palavras suas, e receber uma resposta direta com a fonte anexada.
Como abordamos o problema
Apontamos o agente à sua base de conhecimento.
Eis o que não fazemos: não treinamos um modelo à medida com os seus dados.
Montamos um agente por cima dos documentos que a empresa já produz, curando o que ele sabe e como fala.
Fazemos dos seus documentos a fonte de verdade
Tudo o que o agente diz remete para os materiais que possui, como manuais, políticas, runbooks, notas de projeto. Esses documentos entram numa base de conhecimento tal como estão (PDF, texto, Markdown, páginas web), e a plataforma lê-os, parte-os em passagens pesquisáveis e indexa-os por significado.
Pergunte «quantos dias de trabalho remoto são permitidos?» e recebe o número da política verdadeira, não uma alucinação plausível. Faça uma pergunta de seguimento como «e isso aplica-se a prestadores de serviços?» e o agente percebe que «isso» é a política sobre a qual acabou de perguntar.
Quando uma política muda, atualiza-se o documento, não a plataforma.
Fazemos com que responda com provas
Um agente interno que adivinha as respostas é pior do que nenhum. Por isso o nosso não adivinha. Procura primeiro o material relevante, responde apenas a partir do que encontra e mostra-lhe a fonte.
Um grande modelo é inútil sem a informação certa à frente, e é aí que pomos o trabalho: em ter a informação certa.
Mantemos humanos no circuito
O agente sabe o que não sabe. Quando não está confiante de que tem a resposta certa, di-lo e passa a conversa a uma pessoa, com o histórico completo anexado. Essas passagens de testemunho são úteis por si só. Cada uma aponta para uma lacuna na base de conhecimento, e é assim que o agente continua a melhorar.
A abordagem
Fundamentar no seu próprio conhecimento · responder com fontes · saber quando passar a um humano.
O que construímos
Um agente, com todo o conhecimento da empresa por trás.
O ecrã mantém-se deliberadamente simples: uma saudação, algumas sugestões para começar e uma caixa que diz pergunte-me o que quiser. A pesquisa de conhecimento acontece por baixo. O que a equipa vê é uma resposta em segundos, na sua própria língua, com a fonte à distância de um clique.
Perguntas iniciais que quebram o gelo
Uma caixa de chat vazia intimida. As pessoas não sabem o que ela pode responder. Por isso o agente abre com perguntas iniciais retiradas do que a equipa realmente pergunta. E são configuráveis, para que os quebra-gelos reflitam a sua empresa, não um template.
Conhece os seus limites
Cada resposta passa por uma verificação de confiança. Quando o agente não tem a certeza de que tem a informação certa, não improvisa. Escala para um humano, alertando a equipa com a conversa completa anexada, para que ninguém tenha de perguntar «pode repetir a pergunta?». Aprendemos cedo que este limite é uma funcionalidade, não uma limitação: cada escalada revela uma lacuna na base de conhecimento, e é a fechar essas lacunas que o agente ganha a confiança da equipa.
Disponível onde a equipa já trabalha
O mesmo agente chega de várias formas, e uma empresa pode usar uma ou todas:
- Uma página autónoma, partilhável como um único link num email de onboarding ou num portal interno.
- Um widget incorporável, um botão flutuante de «perguntar» que se coloca na intranet ou em qualquer ferramenta interna com um snippet curto.
- Canais de chat (por exemplo, email, Slack, WhatsApp), para que o agente responda onde a conversa já acontece: a uma mensagem de distância, no computador ou no telemóvel.
- Uma API, para equipas que querem o agente dentro das suas próprias aplicações e back offices.
Uma base de conhecimento, uma configuração, várias portas de entrada. Configura-se uma vez e vai-se ter com as pessoas onde elas já estão.
Comprovado em produção
Já pusemos este padrão em prática.
Knowledge Intelligence não é um slide, é um padrão que já colocámos em produção mais do que uma vez:
- Um agente de suporte para a TAIKAI, que responde a perguntas sobre a plataforma a partir de uma base de conhecimento curada e escala para humanos quando não tem a certeza, a correr por uma fração do custo das ferramentas comerciais. Escrevemos sobre como o construímos.
- Um assistente de comunidade para o DeHouse, que responde às perguntas dos membros onde a comunidade já conversa.
- O assistente dentro do Cadence, onde um operador pode perguntar o que quiser sobre um painel, uma previsão ou o histórico de produção e obter uma resposta a partir dos dados da própria fábrica.
- Ask SIM, um concierge público que transformou o programa de uma conferência em algo a que os participantes podem simplesmente perguntar.
Empresas diferentes, conhecimento diferente, a mesma maquinaria: documentos a entrar, respostas fundamentadas a sair, humanos no circuito.
Como funciona
Transformar uma pilha de documentos em algo a que se pode simplesmente perguntar.
Não precisa de ver a canalização para confiar nas respostas, mas eis o que acontece por baixo. É a mesma maquinaria para qualquer empresa, conjunto de documentos ou base de conhecimento.
Tornar o conhecimento respondível
Quando um documento entra na base de conhecimento, a plataforma:
- Lê-o. Texto limpo a partir de PDFs (incluindo digitalizações e tabelas), ficheiros de texto, Markdown ou uma página web.
- Parte-o em passagens. Blocos sobrepostos, precisos mas ainda com significado.
- Indexa-o por significado. Cada passagem torna-se um vetor num índice vetorial, para que a pesquisa corresponda ao que a pergunta significa e não às palavras exatas.
É por isso que «posso trabalhar a partir do estrangeiro?» pode aterrar numa cláusula de trabalho remoto que nunca usa a palavra «estrangeiro».
Responder a uma pergunta
- A pergunta é convertida no mesmo tipo de vetor pesquisável.
- As passagens mais relevantes da base de conhecimento são recuperadas.
- Essas passagens vão para o modelo como fonte de verdade, com a instrução de responder a partir delas e citar a fonte.
- A resposta chega palavra a palavra, em streaming, para parecer instantânea em qualquer dispositivo.
Uma pergunta de seguimento é primeiro reescrita para se sustentar sozinha, para que a pesquisa continue a encontrar a passagem certa. E quando a confiança é baixa, o agente passa a um humano em vez de adivinhar.
Segurança e privacidade
Feito para ser seguro dentro de uma empresa.
Um agente com acesso a conhecimento interno vem com salvaguardas da plataforma. O controlo de acessos mantém as respostas dentro da empresa, o rate limiting absorve picos e abuso, um registo de auditoria append-only guarda o que foi perguntado e respondido, e as questões de RGPD e do AI Act europeu são tratadas ao nível da plataforma, com alojamento na UE disponível.
E quando os documentos não podem sair da empresa, toda a stack pode correr dentro do perímetro da própria empresa, on-premise e com inferência local: os modelos correm na sua infraestrutura, e nada é enviado para terceiros.
O que entrega
Perguntas respondidas no momento em que são feitas, com um humano no circuito.
| Camada | Escolha |
|---|---|
| Conhecimento | Documentos (PDF, texto, Markdown, páginas web) divididos em blocos, convertidos em embeddings e guardados num índice vetorial para recuperação semântica |
| Respostas | Retrieval-augmented generation. Passagens relevantes recuperadas e usadas como base da resposta, com fontes, memória de conversa e streaming |
| Humano no circuito | Limiares de confiança · escalada com o histórico completo da conversa · alertas no canal preferido da equipa |
| Superfícies | Página de chat autónoma · widget incorporável · canais de chat · API |
| Segurança | Controlo de acessos · rate limiting · registo de auditoria append-only · tratamento de RGPD / AI Act europeu · alojamento na UE · implementação on-premise com inferência local |
As perguntas repetitivas sobre políticas, processos, ferramentas e histórico são respondidas no momento em que surgem. O onboarding deixa de depender de quem está livre para ajudar, as pessoas seniores deixam de ser o help desk, e o conhecimento fica quando as pessoas seguem caminho.
Para lá do Q&A interno
Qualquer corpo de conhecimento, tornado respondível.
As perguntas internas são a montra, não o limite. A mesma capacidade serve qualquer conjunto de documentos que as pessoas tenham de escavar.
Onde quer que haja uma pilha de informação e um fluxo de pessoas a fazer as mesmas perguntas, é possível transformá-la num company brain que responde em linguagem natural com a fonte anexada.
Vamos construir o seu company brain.
Construímos os sistemas de IA e de conhecimento que transformam a informação de uma empresa em algo com que qualquer pessoa pode simplesmente falar, juntando profundidade real em IA e pesquisa a boas práticas modernas de software, e feitos para serem seguros e em conformidade com a legislação europeia.
Se isto lhe soa familiar, vamos falar.
Vamos Falar