Conhecimento pronto para IA exige mais do que um grafo de conhecimento
Desenvolver uma IA capaz de compreender sua organização exige uma abordagem estruturada para identificar, governar e reutilizar o conhecimento
Para gerar os resultados esperados, a IA precisa de mais do que dados. Também precisa de significado, contexto, relações, regras de negócio e conhecimento confiável. Isso vem impulsionando o interesse por ontologias, grafos de conhecimento e camadas semânticas. É um bom começo, mas essas tecnologias funcionam melhor quando se apoiam em uma compreensão clara do que o negócio realmente precisa saber. Para construir uma ontologia, é preciso entender quais conhecimentos são mais relevantes. E um grafo de conhecimento gera mais valor quando se sabe quais conceitos, decisões, regras e exceções ele precisa representar.
Em outras palavras, primeiro é preciso estabelecer as bases. E, para identificar, capturar, priorizar e governar o conhecimento de forma consistente e repetível, é necessário um modelo operacional de gestão do conhecimento.
Dê à IA o conhecimento certo, não todo o conhecimento
O conhecimento corporativo está disperso em bancos de dados, sistemas operacionais, aplicações, dashboards, documentos, políticas, procedimentos, vídeos, anotações de reuniões, canais de colaboração e, principalmente, no conhecimento prático dos colaboradores. Pode ser preciso e valioso, mas também pode estar desatualizado ou ser contraditório.
Fazer com que a IA interprete todo esse conhecimento exige muito mais do que reunir documentos, entrevistar especialistas, conectar sistemas e carregar tudo em um repositório. A IA precisa saber em quais fontes pode confiar, quais regras se aplicam e como os diferentes conceitos se relacionam.
Uma abordagem mais eficaz é criar um modelo de criticidade do conhecimento que avalie cada fonte com base em valor, custo de acesso, risco e volatilidade. Um documento de política que define requisitos de conformidade regulatória, por exemplo, provavelmente é mais crítico do que uma descrição genérica de um processo. Da mesma forma, uma métrica apresentada em um dashboard só é útil quando sua definição e linhagem estão claras.
Comece definindo o que é mais importante:
- Em qual área de negócio ou caso de uso você deve se concentrar?
- Quais decisões, fluxos de trabalho ou resultados você pretende melhorar?
- Quais fontes de conhecimento são mais importantes para esses resultados? Elas são confiáveis, acessíveis e adequadamente governadas?
O objetivo é identificar o conhecimento mais relevante, confiável e reutilizável para alcançar um resultado de negócio específico. A partir daí, aprenda rapidamente e estruture a solução pensando em escala desde o início.
Conecte fluxos de trabalho, dados e decisões
Muitas iniciativas de IA partem do pressuposto de que o fluxo de trabalho subjacente já é bem compreendido. Na prática, muitas vezes não é isso que acontece. Os processos podem estar apenas parcialmente documentados, enquanto conhecimentos críticos existem somente na experiência dos colaboradores. Equipes diferentes podem até utilizar nomes distintos para o mesmo conceito de negócio.
Para tornar o conhecimento reutilizável e facilitar sua governança, é necessário conectar três perspectivas complementares:
A perspectiva de fluxos de trabalho, dados e sistemas: abrange atividades, funções, sistemas, ativos de dados, documentos, relatórios, transferências de responsabilidade e dependências que mostram como o trabalho realmente é realizado. Responde a perguntas como: Que trabalho é realizado? Quem é responsável por ele? Quais sistemas são utilizados? Quais dados são consumidos e gerados? Onde ocorrem as transições entre pessoas ou equipes?
A perspectiva do conhecimento operacional: abrange regras, decisões, conhecimento tácito, exceções, soluções alternativas, controles de qualidade e casos de referência que explicam como as pessoas aplicam seu julgamento na prática. Responde a perguntas como: Como as pessoas sabem o que fazer? Quais regras são aplicadas? Onde ocorrem as exceções? Que tipo de julgamento é necessário? Que conhecimento diferencia um profissional experiente de um iniciante?
A perspectiva de governança: abrange responsabilidades, validação, rastreabilidade, controle de versões, usos permitidos da IA e controles que mantêm o conhecimento atualizado e garantem que possa ser utilizado com segurança. Responde a perguntas como: Quem é responsável por esse conhecimento? Quem o validou? Qual é a fonte das evidências? Quando esse conhecimento deve ser revisado? A IA pode utilizá-lo diretamente ou é necessária aprovação humana (human-in-the-loop)?
Reunir essas três perspectivas transforma a captura de conhecimento: em vez de uma iniciativa pontual de consultoria, se torna uma prática repetível e escalável.
Adote objetos padronizados para tornar o conhecimento reutilizável
Quando cada equipe documenta o conhecimento de forma diferente, sua reutilização se torna mais difícil.
Como o próprio nome indica, um modelo comum de objetos estabelece uma forma padronizada de descrever e conectar o conhecimento que a organização precisa reutilizar. Estruture o conhecimento relacionado aos fluxos de trabalho em torno de objetos reutilizáveis, como fluxos de trabalho, atividades, funções, sistemas, ativos de dados, decisões, regras, exceções e controles. Em seguida, defina como esses objetos se relacionam: um fluxo de trabalho contém atividades; uma atividade é executada por uma determinada função; uma decisão depende de uma regra; um sistema gera dados; e um controle rege um processo.
Essa estrutura facilita a identificação do conhecimento desde o primeiro dia e, ao mesmo tempo, cria uma ponte entre negócio e tecnologia. As equipes de negócio conseguem identificar fluxos de trabalho, regras e decisões, enquanto as equipes de dados podem conectar esses objetos a ativos de dados, linhagem e regras de qualidade. Já as equipes de IA podem utilizá-los para criar pacotes de contexto, padrões de recuperação, instruções para agentes e critérios de avaliação.
A chave é não tornar o modelo mais complexo do que o necessário. Crie estrutura suficiente para que o conhecimento obtido em um caso de uso possa ser reutilizado no próximo.
Use fichas de conhecimento de fluxos de trabalho para garantir consistência e governança
Uma forma prática de construir um modelo comum de objetos é utilizar fichas de conhecimento de fluxos de trabalho. Cada ficha registra uma única atividade, decisão, transferência de responsabilidade ou exceção em um formato padronizado.
Uma ficha pode incluir o nome da atividade, o fluxo de trabalho ao qual pertence, a função responsável, entradas e saídas, sistemas utilizados, elementos de dados, documentos, regras de negócio, conhecimento tácito, exceções recorrentes, controles, responsável, pontos críticos, oportunidades de IA, status de validação, rastreabilidade das fontes e data de revisão.
O uso de uma estrutura padronizada gera consistência entre os fluxos de trabalho e facilita a revisão, a validação e a governança do conhecimento. Também ajuda a definir prioridades, permitindo avaliar cada ficha de acordo com seu valor para o negócio, risco, relevância para IA e nível de preparação em termos de governança.
Essa abordagem também favorece a reutilização. Regras, decisões, exceções e dependências de dados, por exemplo, podem ser compartilhadas entre diferentes fluxos de trabalho, enquanto responsabilidades, validação, rastreabilidade e ciclos de revisão passam a fazer parte do próprio ativo de conhecimento.
Use uma linguagem comum para transformar documentação em dados
A documentação tradicional é difícil de comparar porque cada equipe descreve seu trabalho de forma diferente. Um vocabulário controlado resolve esse problema ao estabelecer uma lista padronizada de termos para classificar fluxos de trabalho, informações e oportunidades de IA. Por exemplo:
- As atividades podem ser classificadas como coletar, validar, aprovar, conciliar ou reportar.
- O conhecimento pode ser classificado como regra de negócio, heurística, solução alternativa, política ou controle de qualidade.
- O uso de dados pode ser classificado como entrada, referência, cálculo ou evidência de auditoria.
- As exceções podem ser classificadas como dados ausentes, conflito, solução manual ou problema de conformidade.
- As oportunidades de IA podem ser classificadas como recuperar, resumir, validar, explicar ou recomendar.
Um vocabulário controlado também permite analisar o conhecimento em toda a organização. É possível identificar onde se concentram as decisões manuais, onde as exceções ocorrem repetidamente, onde existem problemas de qualidade de dados, onde os controles são insuficientes e onde a IA pode agregar valor com segurança.
É assim que a documentação se transforma em conhecimento estruturado, mensurável e reutilizável.
Faça a due diligence do conhecimento
Nem todas as fontes de conhecimento estão prontas para IA. Primeiro, cada fonte deve passar por uma due diligence do conhecimento para avaliar sua qualidade, responsabilidade, atualidade, completude, consistência, sua condição de fonte de referência e seu nível de risco:
- As fontes de dados devem ser avaliadas quanto à responsabilidade, curadoria, linhagem, regras de qualidade e mapeamento semântico.
- Os documentos devem ser avaliados quanto à estrutura, controle de versões, status de aprovação e alinhamento com as práticas atuais.
- O conhecimento tácito deve ser validado por vários especialistas e associado a exemplos reais.
- Regras e decisões devem ser avaliadas quanto ao alinhamento com políticas, tratamento de exceções e auditabilidade.
Esse processo ajuda a determinar se uma fonte pode ou não ser utilizada e quais problemas precisam ser resolvidos primeiro. Algumas fontes, por exemplo, podem ser valiosas, mas exigir responsabilidades mais bem definidas, documentação atualizada, definições mais claras ou controles de qualidade mais robustos antes de poderem ser utilizadas com segurança pela IA.
Incorpore a governança do conhecimento desde a concepção
Capturar o conhecimento primeiro e deixar a governança para depois torna muito mais difícil mantê-lo confiável e atualizado. A governança deve fazer parte de cada ativo de conhecimento desde o início.
Cada ativo deve ter um responsável claramente definido, status de validação, rastreabilidade das fontes, datas de revisão, histórico de versões e permissões de uso estabelecidas. Também deve especificar se a IA pode utilizar esse conhecimento diretamente para recuperação de informações, recomendações ou outras finalidades e em quais situações a revisão humana é necessária.
A governança também deve incluir controles contínuos, como verificações de atualidade e completude, detecção de contradições, mapeamento de fontes de referência, monitoramento de deriva e fluxos de aprovação.
É nesse ponto que a governança do conhecimento complementa a governança de dados embora sejam conceitos distintos. A governança de dados concentra-se nos ativos de dados, nas responsabilidades, na qualidade, na linhagem e nos controles. A governança do conhecimento estende esses princípios ao significado para o negócio, às regras, aos processos e ao contexto necessário para a IA. Uma organização impulsionada por IA precisa de ambas.
Comece com um caso de uso para construir uma arquitetura de conhecimento escalável
Uma forma prática de começar é escolher uma área de negócio prioritária e um caso de uso. Utilize-os para definir sua arquitetura de conhecimento e seu modelo de governança.
Como o resultado incorpora estruturas e componentes reutilizáveis, o próximo caso de uso não precisará começar do zero. É possível aproveitar ativos de conhecimento com governança já estabelecida, reutilizar entidades e regras de negócio comuns, ampliar mapeamentos existentes, adaptar pacotes de contexto e acrescentar apenas o que for novo.
É assim que as iniciativas de conhecimento ganham escala: não tentando capturar tudo de uma só vez, mas construindo progressivamente ativos de conhecimento reutilizáveis.
O futuro está na produção de conhecimento com governança
Novas tecnologias podem ajudar a extrair conceitos, recomendar ontologias, classificar documentos, avaliar a qualidade, detectar contradições e automatizar atividades de curadoria. São recursos valiosos, mas não substituem a necessidade de um modelo operacional estruturado e consistente.
Ao padronizar a forma como o conhecimento é identificado, validado, governado, reutilizado e aplicado, a organização deixa para trás experimentos isolados com IA e avança em direção a sistemas de IA que compreendem melhor o negócio e continuam evoluindo ao longo do tempo.