Cada vez mais organizações estão descobrindo que mesmo seus dados da mais alta qualidade não estão prontos para que os agentes de IA tomem decisões com base neles.
Para ter certeza de que seus dados são “adequados para agentes” – e não apenas “adequados para relatórios” –, você precisa de maneiras de testar isso.
Aqui estão cinco testes que você pode realizar em seu próprio ambiente para garantir que seus dados sejam adequados para agentes.
1. Seus dados são consistentes em todos os sistemas com os quais um agente interage?
Essa é uma questão de saber se seus sistemas têm uma razão estrutural para estarem em concordância ou se cada um deles mantém sua própria versão da verdade.
Para avaliar isso, analise:
- Com que frequência campos-chave apresentam discrepâncias para a mesma entidade entre os sistemas, como a descrição de um produto, os dados de contato de um cliente ou o status de um fornecedor
- Se essas discrepâncias são detectadas automaticamente ou só vêm à tona quando algo a jusante apresenta falha
- Se cada sistema obtém dados de uma única fonte controlada ou mantém sua própria cópia, que pode sofrer desvios ao longo do tempo
Se a resposta ao último ponto for “sua própria cópia”, um agente não tem como saber qual versão está correta.
Ele agirá com base na primeira versão que encontrar, e essa decisão carrega consigo essa incerteza.
2. Seus dados são completos o suficiente para que um agente possa agir sem precisar adivinhar?
Um relatório pode contornar a falta de um campo. Um painel mostra um espaço em branco, e quem o lê sabe que deve perguntar a alguém. Mas um agente não tem a quem perguntar.
Para um agente, a completude não se refere ao quão preenchido um registro parece no geral, mas aos atributos específicos de que um fluxo de trabalho precisa. Esses atributos estão preenchidos, de forma consistente, em todos os registros com os quais o fluxo de trabalho lida?
Para testar isso, mapeie um fluxo de trabalho de agente do início ao fim e liste todos os campos dos quais ele extrai informações.
Em seguida, execute uma verificação de preenchimento com base nessa lista, e não no registro como um todo. Analise a taxa de falha por campo, em vez de por registro.
Um arquivo de cliente pode passar em todas as verificações de integridade de relatórios e, mesmo assim, apresentar falta do status de direito em uma parcela significativa de contas. Isso não é um grande problema em um painel de controle. Mas quando um agente precisa decidir o que é devido a um cliente, ele ficará em dúvida ou terá que adivinhar.
3. Seus dados vêm acompanhados de um contexto que um agente possa interpretar por conta própria?
Um valor bruto não diz ao agente o que ele significa. Uma ferramenta de relatórios extrai um número e o apresenta, e uma pessoa decide o que ele implica. O agente precisa decidir isso por conta própria.
Para testar isso, escolha um tipo de registro e verifique se as relações das quais ele depende estão armazenadas como dados estruturados, e não apenas conhecidas pelas pessoas que trabalham com ele:
- A categoria de um produto é mapeada de forma consistente em todos os mercados em que ele é vendido? Ou ela varia por região, sem nenhuma ligação entre as versões?
- O nome da conta de um cliente remete a uma única pessoa jurídica? Ou seria possível que dois registros descrevessem a mesma empresa sem que houvesse qualquer conexão entre eles?
Se essas relações existirem apenas como algo que uma pessoa reconheceria, um agente não terá nada para consultar.
Ele agirá com base no valor bruto, e não há como prever se essa interpretação está correta.
4. Seus dados estão precisos no exato momento em que um agente os utiliza?
Um relatório pode ser gerado com base nos números de ontem e ainda assim ser útil. Um agente que está tomando uma decisão em tempo real não pode fazer o mesmo.
Para testar isso, escolha um campo que mude com frequência, como:
- Níveis de estoque
- Prazos de entrega dos fornecedores
- Classificação de produtos
- Status da capacidade
- Status de conformidade ou certificação
Compare o valor que um agente consulta no sistema com o valor registrado no sistema de referência no mesmo momento.
Em seguida, verifique o atraso. Quanto tempo leva para que uma atualização em um sistema chegue ao outro?
Um atraso de algumas horas não causa nenhum problema em um relatório semanal. Mas, para um agente que está direcionando estoque ou confirmando disponibilidade em tempo real, esse mesmo atraso significa que ele está agindo com base em um número que já estava errado no momento em que chegou à decisão.
Se seus sistemas se sincronizam em horários programados, em vez de continuamente, essa programação é a verdadeira resposta para saber o quão atualizados estão seus dados.
5. Seus dados podem comprovar o que um agente decidiu e por quê?
Os agentes tomam decisões sem que ninguém esteja acompanhando em tempo real, o que significa que a comprovação já precisa existir no momento em que alguém a solicitar.
Neste teste, escolha uma decisão tomada por um agente no último mês e tente responder a quatro perguntas sem perguntar a ninguém:
- Qual versão de cada registro de entrada o agente leu e a que horas?
- Qual regra ou política se aplicou a essa decisão, e era a versão atual naquele momento?
- Onde a decisão foi registrada, e por quanto tempo esse registro é mantido?
- Se o agente repassou sua saída para outro agente ou sistema, você consegue rastrear o que aconteceu em seguida?
Se você puder responder a todas as quatro perguntas a partir do próprio sistema, poderá reconstruir a decisão sempre que necessário.
Se alguma resposta depender da memória de alguém, de uma captura de tela ou de um registro que é sobrescrito após um determinado número de dias, você só descobrirá que isso é impossível de provar quando alguém perguntar.
De que depende a aprovação em todos os cinco testes de dados de nível de agente?
A aprovação nos cinco testes depende de quão bem os dados do seu produto, cliente, fornecedor, localização e parceiro de negócios estão estruturados e conectados. Não se trata de um único domínio isoladamente.
Um agente raramente permanece dentro de um único domínio.
- Uma decisão de sourcing envolve, ao mesmo tempo, dados de fornecedores e de produtos
- Uma decisão de serviço envolve, ao mesmo tempo, os dados de clientes e de produtos
Se um domínio atender aos requisitos e outro não, o agente herda o padrão mais fraco no momento em que seu fluxo de trabalho passa de um para o outro.
É por isso que corrigir os domínios um por um raramente leva uma organização aonde ela precisa chegar. O trabalho que faz a diferença conecta todos os domínios sem perder:
- Consistência
- Integralidade
- Contexto
- Precisão
- Rastreabilidade
Assim como a nutrição por trás do plano de treinamento daquele atleta, isso precisa ser mantido. Não se trata de uma solução pontual.
Como a Stibo Systems consegue reunir tudo isso em uma única plataforma?
Por meio do STEP, nossa confiável plataforma de inteligência, a Stibo Systems organiza seus dados de produtos, clientes, fornecedores e parceiros de negócios em uma única plataforma, de modo que os cinco critérios sejam atendidos simultaneamente em todos os quatro domínios.
- Um modelo de dados compartilhado entre os domínios, de modo que um produto, seu fornecedor e o cliente que o adquire permaneçam conectados e consistentes entre si
- Regras de governança e acesso incorporadas aos próprios dados, de modo que os agentes herdem as regras corretas automaticamente à medida que atuam
- Linhagem completa em cada registro, para que cada entrada utilizada por um agente e cada saída produzida por ele possam ser reconstruídas sob demanda
- Sincronização contínua entre os sistemas conectados, de modo que os agentes trabalhem com dados atualizados, em vez de um instantâneo periódico
O resultado é uma base que se mantém sólida à medida que mais agentes são adicionados, em vez de uma configuração que precisa ser verificada novamente a cada vez.
Perguntas frequentes
O que são dados de nível de agente?
Dados de nível agente são dados empresariais estruturados para suportar a tomada de decisão autônoma: consistentes entre sistemas, completos no nível de domínio, semanticamente ricos, precisos em tempo real e totalmente rastreáveis. A maioria dos dados empresariais foi construída para relatórios, o que estabelece um padrão mais baixo.
Como os dados de nível de agente diferem dos dados limpos?
Dados limpos podem ser precisos dentro de um único sistema e ainda assim falhar com um agente se entrarem em conflito com outro sistema, faltarem contexto ou não puderem ser rastreados após o fato. A limpeza é necessária, mas não suficiente para o nível de agente.
Os agentes de IA podem trabalhar com dados empresariais existentes?
Frequentemente apenas parcialmente. A maioria dos dados empresariais não estava condicionada para ação autônoma, então os agentes podem parar, adivinhar ou agir com entradas desatualizadas ou inconsistentes, a menos que os dados sejam atualizados.
O que acontece se um agente de IA usar dados ruins?
Ao contrário de um humano revisando um relatório, um agente age imediatamente com base no que encontra. Uma inconsistência ou lacuna não é detectada antes de uma decisão ser tomada, ela se torna a decisão.
Como você prepara dados para agentes de IA?
Preparação significa abordar cinco áreas: consistência entre sistemas, completude no nível do domínio, contexto semântico, precisão em tempo real e governança com total rastreabilidade, em todos os domínios de dados conectados em vez de um por um.
Qual é o papel da gestão de dados mestres na prontidão para a IA?
MDM fornece a base estruturada e governada que conecta os dados de produtos, clientes, fornecedores e parceiros de negócios, o que permite que os agentes atuem de forma confiável entre os domínios, em vez de falharem na transição entre eles.
