Apresentado por Splunk
Todos os dias, as organizações aprendem coisas que seus sistemas de IA nunca conseguem usar.
Um analista de segurança corrige uma investigação gerada por IA. Um engenheiro de rede identifica a causa raiz de uma interrupção recorrente. Uma equipe de observabilidade descobre que um padrão de latência, logs e alterações na infraestrutura prevê a degradação do serviço. Uma equipe de operações do cliente aprende quais sinais indicam que uma escalada é provável.
Cada momento contém conhecimento organizacional valioso. Mas na maioria das empresas, esse conhecimento desaparece em tickets, painéis, conversas de bate-papo, análises pós-incidentes e nas mentes de especialistas individuais. Pode ajudar a resolver o problema imediato, mas raramente se torna parte de um sistema reutilizável que melhore decisões futuras baseadas em IA.
Esse é o próximo desafio para a empresa agente.
O futuro não será definido simplesmente por quem tiver o modelo mais capaz ou os agentes mais autónomos. Muitas organizações terão acesso a modelos de fronteira semelhantes. Muitos implantarão agentes em segurança, TI, engenharia, atendimento ao cliente e operações comerciais.
O verdadeiro diferencial será se esses agentes poderão aprender com a organização ao seu redor.
Não através da reciclagem constante do modelo subjacente, mas através da captura de experiência operacional, convertendo-a em conhecimento institucional e disponibilizando esse conhecimento para futuros agentes, fluxos de trabalho e decisões.
A empresa agente não é apenas uma empresa que utiliza IA. É uma empresa que aprende através da IA.
As empresas agentes permitem que os sistemas de IA aprendam com elas
A conversa sobre IA tem sido dominada pela capacidade do modelo: janelas de contexto maiores, melhor raciocínio, inferência mais rápida, uso mais forte de ferramentas e comportamento agente mais sofisticado.
Esses avanços são importantes. Mas na empresa, um modelo é apenas uma parte do sistema.
Um modelo não sabe automaticamente como uma organização específica opera. Ele não sabe inerentemente qual etapa de remediação resolveu a interrupção do mês passado, qual correção do analista melhorou uma investigação de ameaça, qual sinal de rede precedeu uma interrupção de serviço ou qual política interna deveria substituir uma recomendação que de outra forma seria plausível.
Esse conhecimento pertence à empresa.
Para que os sistemas agentes melhorem, as organizações precisam de uma forma de capturar esse conhecimento e torná-lo reutilizável. Em muitos casos, isso não exige a alteração do modelo em si. Requer mudar o ecossistema em torno do modelo: a base de conhecimento, a camada de recuperação, os prompts, as políticas, as proteções, a lógica de roteamento e os fluxos de trabalho que moldam o comportamento dos agentes.
O modelo pode permanecer o mesmo. O sistema de aprendizagem em torno dele se torna mais inteligente.
Os ciclos de suggestions transformam cada resultado em um momento de aprendizado para os agentes
Todo fluxo de trabalho agente cria sinais.
Um agente recebe uma solicitação. Recupera contexto, razões por meio de ações possíveis, chama ferramentas e gera respostas. Um humano aceita, rejeita ou modifica essa resposta. Os sistemas a jusante revelam se a ação funcionou.
Toda essa cadeia é valiosa.
A observabilidade da IA dá às organizações visibilidade sobre o que aconteceu: o immediate, a resposta, o caminho de raciocínio, as chamadas de ferramentas, as fontes de dados, as etapas intermediárias, os modos de falha e os resultados. Sem essa visibilidade, as organizações não conseguem entender por que um agente se comportou daquela maneira, e muito menos melhorá-lo.
Mas a observabilidade por si só não é suficiente.
A maior oportunidade é transformar o comportamento observado em conhecimento institucional. Um rastreamento não deve apenas ajudar um desenvolvedor e operadores a depurar um agente. Deve ajudar a empresa a compreender o que o agente aprendeu, o que o humano corrigiu, qual o resultado seguido e o que deve mudar antes do próximo evento semelhante.
Essa é a mudança do monitoramento da IA para o ensino da IA.
Na empresa agente, os ciclos de suggestions conectam a ação ao resultado, o resultado ao conhecimento e o conhecimento de volta à ação futura.
Um sistema de aprendizagem na prática em segurança, observabilidade e rede
Considere um serviço que sofre degradação intermitente.
Um agente de observabilidade detecta latências e taxas de erro incomuns. Um agente de rede identifica a perda de pacotes em um caminho específico. Um agente de segurança percebe que a mesma janela de tempo inclui comportamento de autenticação suspeito e tráfego incomum de uma fonte anteriormente desconhecida.
Individualmente, cada agente tem apenas uma visão parcial. Juntos, eles criam um quadro operacional mais rico.
Na primeira vez que este incidente ocorrer, especialistas humanos poderão precisar intervir. Um engenheiro de rede confirma que a perda de pacotes foi causada por uma alteração de roteamento mal configurada. Um analista de segurança determina que o tráfego suspeito não foi um ataque, mas um efeito colateral de um serviço interno mal direcionado. Um SRE conecta o evento de rede à degradação do aplicativo.
Essa resolução contém conhecimento que a organização não deveria ter que reaprender.
Um sistema de aprendizagem agente maduro capturaria os rastreamentos, as correções humanas, o contexto da topologia, as descobertas de segurança, os sinais de observabilidade e as etapas finais de correção. Preservaria a relação entre esses sinais: padrão de latência, caminho de rede, comportamento de identidade, mudança de roteamento e remediação.
Na próxima vez que um padrão semelhante aparecer, os agentes não começarão do zero. Eles poderiam recuperar o caso anterior, comparar as condições atuais, recomendar o caminho diagnóstico comprovado e escalar com um contexto melhor.
O modelo de fronteira subjacente não precisou de ser retreinado.
A empresa aprendeu.
A arquitetura da empresa do agente de aprendizagem
Uma empresa agente orientada para a aprendizagem precisa de mais do que um modelo ou chatbot. Ela precisa de uma arquitetura que possa capturar a experiência, transformá-la em conhecimento utilizável, conectar esse conhecimento ao contexto operacional e governar como ele muda o comportamento futuro do agente.
Memória preserva o que aconteceu: o que o agente viu, o que fez, onde os humanos intervieram e quais resultados se seguiram.
Bases de conhecimento transformar essa experiência em orientações reutilizáveis, incluindo manuais, exemplos, políticas, procedimentos e evidências.
UM malha de dados conecta o ambiente operacional. Os agentes de sinais precisam viver em logs, métricas, rastreamentos, tickets, sistemas de identidade, ferramentas de segurança, telemetria de rede, plataformas de colaboração e aplicativos de negócios. Uma malha de dados torna esses sinais detectáveis, correlacionados, governados e utilizáveis no contexto.
Observabilidade de IA explica como os agentes se comportam capturando prompts, chamadas de ferramentas, etapas intermediárias, respostas, suggestions e resultados. Essa visibilidade ajuda as organizações a compreender onde os agentes têm sucesso, onde falham e o que deve melhorar.
O plano de controle governa como a aprendizagem se transforma em mudança: que conhecimento é promovido, quais instruções ou políticas são atualizadas, quais agentes podem usar novas informações, quais aprovações são necessárias e como as mudanças são auditadas.
Juntos, esses recursos permitem que os sistemas de IA melhorem ao longo do tempo, de forma controlada e confiável, permitindo que a empresa aprenda com suas próprias operações.
As organizações que aprenderem mais rápido vencerão
A próxima period da IA não será vencida apenas pelos modelos. Será vencido pelas organizações que conseguirem capturar o que aprenderam com cada fluxo de trabalho, correção de especialistas, incidentes, investigações e resultados.
As empresas de agentes mais avançadas não irão simplesmente implantar mais agentes. Eles construirão sistemas que permitirão que cada agente se beneficie do conhecimento coletivo da organização.
Isso significa conectar dados operacionais por meio de uma malha de dados. Significa observar o comportamento do agente com profundidade suficiente para compreendê-lo. Significa preservar a experiência na memória e institucionalizá-la em bases de conhecimento. Significa usar um plano de controle para governar como o aprendizado muda o comportamento do agente.
O futuro da IA não é um único agente autônomo agindo sozinho. É um ecossistema de agentes, humanos, dados e controles que aprende com o tempo.
As organizações que constroem esse ecossistema criarão sistemas de IA que melhoram a cada interação. Não porque o modelo esteja em constante mudança, mas porque a própria empresa está se tornando mais inteligente.
Saiba mais sobre como Cisco Data Fabric desenvolvido pela plataforma Splunk está acelerando as operações da agência.
Hao Yang é vice-presidente de IA da Splunk, uma empresa da Cisco.
Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para mais informações, entre em contato vendas@venturebeat.com.
