Grande parte dos agentes de IA ainda funciona de uma maneira relativamente simples: recebe documentos, histórico de conversas, instruções e dados disponíveis naquele momento e tenta inferir, a partir desse conjunto, o que está acontecendo e o que deveria fazer a seguir. Quanto mais contexto fornecemos, maior parece ser sua capacidade de compreender a situação. Mas existe um problema escondido nessa lógica: a cada nova interação, estamos pedindo ao modelo que reconstrua novamente a realidade antes de raciocinar sobre ela.

O paper Belief-State Engine: Augmenting LLMs for Principled Planning Under Partial Observability, de Arnab Chattopadhayay e Debdipta Halder, explora justamente essa limitação. Os autores observam que agentes baseados em LLM podem assumir compromissos prematuros, interpretar uma evidência ambígua de forma excessivamente conclusiva e alterar seu comportamento à medida que o histórico cresce. A alternativa proposta é um módulo de inferência externo ao LLM, responsável por manter explicitamente uma representação do estado do ambiente e entregar ao modelo esse estado, em vez de obrigá-lo a reinterpretar todo o histórico a cada passo.

A contribuição do paper é específica ao problema estudado, mas o princípio arquitetural é mais amplo: nem toda a inteligência de um agente precisa estar dentro do modelo que gera a resposta. Para aplicações empresariais, essa separação abre uma possibilidade particularmente relevante.

O modelo de mundo pode pertencer à empresa

Um modelo de IA conhece padrões gerais aprendidos durante seu treinamento. Mas ele não conhece, por natureza, a realidade particular de uma organização: como decisões são tomadas, quais critérios realmente importam, que exceções alteram uma regra, quem possui autoridade para assumir determinado compromisso ou quais circunstâncias fazem uma orientação deixar de ser válida.

Essa realidade pode existir fora do foundation model, em uma camada própria da empresa. Em vez de depender do modelo para reconstruir continuamente como a organização funciona, o agente pode operar sobre uma representação persistente de seu contexto: fatos relevantes, critérios de decisão, políticas, responsabilidades, evidências, precedentes e condições que ajudam a explicar o que está acontecendo naquele momento. É essa representação situada que permite à IA raciocinar não apenas a partir do que ela sabe de forma geral, mas a partir da realidade específica na qual a empresa precisa decidir.

Isso produz uma mudança importante na discussão sobre propriedade da inteligência. A empresa talvez não precise possuir o foundation model – que poderá mudar diversas vezes ao longo dos próximos anos. Precisa, porém, preservar aquilo que torna qualquer modelo capaz de raciocinar sobre a sua realidade. O modelo pode ser substituível; o conhecimento situado que determina como a organização interpreta e sustenta decisões não deveria ser.

O Estado da Decisão é a interpretação dessa realidade

Representar a realidade, entretanto, não significa que uma decisão esteja resolvida. Dois executivos podem observar os mesmos fatos e ainda discordar sobre o que fazer. Uma nova evidência pode fortalecer uma hipótese, invalidar uma alternativa ou simplesmente revelar que ainda não sabemos o suficiente. É por isso que o DecisionMind distingue o modelo de mundo do Estado da Decisão.

O modelo de mundo responde a uma pergunta: “sobre qual realidade estamos pensando?”. O Estado da Decisão responde a outra: “diante dessa realidade, o que podemos sustentar neste momento?”. Ele preserva o que já está sustentado, o que permanece aberto, quais hipóteses continuam válidas, onde existem tensões, quais lacunas ainda são relevantes e quais condições limitam um eventual compromisso.

Essa distinção é fundamental porque impede que uma resposta plausível do modelo seja confundida com uma realidade suficientemente compreendida. O agente não precisa apenas produzir uma boa conclusão. Precisa saber quanto daquela conclusão é sustentado pelo que a organização efetivamente conhece naquele momento.

Nem toda decisão está pronta para avançar

Essa é uma dificuldade recorrente no uso de IA: modelos são muito bons em completar padrões. Quando existe informação insuficiente, eles ainda conseguem produzir uma resposta coerente. Para tarefas simples, isso pode ser útil. Para decisões relevantes, coerência textual não é a mesma coisa que suficiência decisória.

No DecisionMind, chamamos de Débito Decisório aquilo que permanece materialmente não resolvido e ainda limita o avanço de uma decisão. Pode ser uma evidência que falta, uma premissa ainda não validada, um conflito entre critérios, uma incerteza relevante ou uma condição que precisa ser confirmada. O objetivo não é atribuir uma nota à decisão, mas tornar visível o que ainda precisa ser resolvido e, principalmente, distinguir o que realmente pode mudar a escolha daquilo que apenas acrescentaria mais informação.

Isso muda o comportamento esperado do agente. Em vez de continuar analisando indefinidamente, ele pode avaliar se o que permanece em aberto é relevante para o nível de compromisso que a situação exige. Pode haver informação suficiente para explorar uma possibilidade, mas não para recomendá-la; lastro suficiente para uma recomendação condicional, mas não para uma decisão; ou uma única lacuna capaz de alterar materialmente todo o cenário. Suficiência, nesse sentido, não significa eliminar toda incerteza, mas saber quando existe base suficiente para avançar com responsabilidade.

Deliberar melhor também significa saber quando não inferir

Esse talvez seja um dos efeitos mais interessantes dessa arquitetura. Se o Estado da Decisão torna explícito aquilo que sabemos e o Débito Decisório mostra o que ainda impede determinado avanço, o agente não precisa convocar continuamente um LLM para reconsiderar todo o problema. Ele pode concentrar sua capacidade inferencial exatamente onde há uma incerteza material a resolver.

A Deliberação Progressiva do DecisionMind parte dessa lógica: em vez de procurar chegar rapidamente a uma resposta final, o agente procura o próximo avanço cognitivo útil. Ele pode pedir uma evidência, tensionar uma hipótese, comparar alternativas ou reconhecer que determinado ponto exige autoridade humana. E, quando a base atual já é suficiente para o compromisso pretendido, pode parar de investigar. 

Há aqui também um ganho de eficiência. Em vez de enviar volumes crescentes de histórico ao modelo e pagar repetidamente para que ele reconstrua o que já foi estabelecido, a plataforma pode preservar uma representação estruturada do estado atual da decisão. Mais continuidade deixa de significar necessariamente mais contexto, mais tokens e mais inferência. O objetivo passa a ser gastar capacidade cognitiva onde ela realmente pode mudar a decisão.

Quando a resposta deixa de ser o principal objeto de valor

O valor do DecisionMind aparece justamente nessa mudança de unidade. A resposta do agente deixa de ser o principal objeto do sistema. O objeto passa a ser a decisão em formação: sua realidade de referência, seu Estado atual, seu lastro, as questões ainda abertas, sua autoridade e as condições que permitem aumentar ou reduzir o compromisso ao longo do tempo.

É uma diferença pequena na interface, mas profunda na lógica. Um chatbot procura produzir a melhor resposta possível a partir do contexto disponível. Uma Plataforma Cognitiva de Decisão precisa fazer algo adicional: determinar qual realidade deve orientar o raciocínio, o que pode ser inferido a partir dela e se já existe sustentação suficiente para avançar. 

O BSE mostra que retirar do LLM a responsabilidade de reconstruir continuamente o estado do mundo pode produzir agentes mais consistentes em ambientes parcialmente observáveis. O DecisionMind leva esse princípio para outro problema: o das organizações que precisam usar IA sem entregar ao modelo a propriedade sobre sua realidade nem a autoridade sobre suas decisões. O modelo pode fornecer capacidade de inferência. O modelo de mundo pertence à empresa. E a arquitetura decisória determina quando essa inferência já é suficiente para se transformar em julgamento, recomendação ou ação.