Agentes Herdam a Dívida de Dados que Humanos Absorviam em Silêncio

Um agente vai suprimir um segmento inteiro de prospects de alto valor com base em uma regra que ninguém lembra ter escrito. A frase é de Margarita Savytska, da Sojourn Solutions, em texto publicado este mês na AdExchanger sobre stacks de automação de marketing que ninguém audita há anos. Ela descreve uma falha específica, mas o mecanismo por trás dela é geral e vai muito além do marketing.

A camada de dados não piorou quando você adicionou agentes. Ela passou a ser lida mais rápido, de forma mais literal, e por algo sem nenhum instinto de parar diante de um valor que parece errado.

O humano era a verificação de frescor que ninguém orçou

A maioria das camadas de dados de automação de marketing B2B foi construída de três a cinco anos atrás, antes da onda atual de regulação de consentimento. A estimativa é de Savytska, e é um número de praticante, não um achado de pesquisa, então trate como hipótese de trabalho. O argumento se sustenta mesmo se a cifra for frouxa: essas camadas acumularam regras de supressão, flags de consentimento e definições de segmento mais rápido do que alguém documentou por que cada uma existia.

Por anos, um humano ficou entre essas regras e a decisão. Um gerente de campanha olhava para uma lista de supressão, achava que um segmento estava grande demais e ia atrás do motivo. Um analista notava uma flag de consentimento anterior à regulação que ela dizia atender e a sinalizava. Ninguém escreveu “reverificar registros obsoletos” em um roadmap. A revisão acontecia mesmo assim, como efeito colateral de humanos serem lentos, céticos e ocasionalmente incomodados por um número que não batia com a intuição deles.

Essa revisão fazia trabalho real. Absorvia dívida de dados, uma hesitação por vez. Quando um agente assume a decisão, a hesitação desaparece. O agente lê a regra de supressão, aplica e passa para a próxima tarefa no mesmo segundo. A regra que ninguém lembra ter escrito agora executa em velocidade de máquina, contra um segmento que vale receita de verdade, sem ninguém no circuito que teria parado.

A dívida sempre esteve ali. O humano a pagava de forma invisível. Remova o humano e o saldo vence de uma vez.

O marketing descobriu primeiro, e o motivo importa

O marketing é onde isso apareceu cedo, por razões estruturais. A automação de marketing foi uma das primeiras funções de negócio a entregar decisões reais a sistemas autônomos, e sua camada de dados é excepcionalmente antiga, excepcionalmente densa em regras e excepcionalmente exposta a uma regulação que mudou por baixo dela. Consentimento é a borda mais afiada. Uma regra de supressão escrita em 2022 codifica um entendimento de consentimento que talvez já não seja legal, e o agente não tem como saber que a regra está obsoleta. Ele só sabe que a regra está lá.

A resposta recomendada por Savytska é concreta e vale copiar independentemente da função: reverificar qualquer registro de consentimento com mais de dezoito meses, rastrear cada regra de supressão até a razão de negócio original que a criou, e atribuir dono humano explícito à camada de dados de que os agentes dependem. A cifra de dezoito meses é, de novo, uma heurística, não um limite jurídico. A disciplina por baixo dela é o que se transfere. Toda função prestes a apontar agentes para uma camada de dados antiga herda o mesmo problema que o marketing bateu primeiro.

A assimetria: agentes que leem contra agentes que são servidos

Há dois problemas de governança aqui, e não são o mesmo problema visto de dois ângulos. Um é do lado da compra: seus agentes leem seus dados e agem sobre eles. O outro é do lado da venda: os agentes de outras pessoas leem sua API e agem sobre o que ela retorna. Já defendemos o lado da venda antes, que tornar seu produto pronto para agentes é, por si só, uma decisão de governança. O lado da compra é o espelho, e a Postman o desenhou com precisão este mês.

“Um agente raramente falha porque não consegue pensar”, escreve Arash Nourian pela Postman. “Ele falha porque o schema da API é subespecificado, o endpoint se comporta de forma inconsistente, ou os dados retornados são incompletos, obsoletos ou ambíguos.” A Postman enquadra a confiabilidade como um stack de cinco camadas: dados, interface, raciocínio, execução e governança. O modelo que todos idolatram fica no meio. As falhas se concentram na base, nos dados e na interface, onde a especificação encontra o agente.

A heurística deles é o teste mais limpo que já vi para saber se sua superfície está pronta: se um engenheiro novo não consegue usar sua API de forma confiável apenas a partir da especificação, um agente também não consegue. Um engenheiro humano vai chamar um colega no Slack, chutar a partir do nome de um campo, ou inferir a intenção de um exemplo desatualizado. O agente toma a especificação ao pé da letra. Cada pedaço de conhecimento tribal que um humano fornece em silêncio é um lugar onde o agente vai falhar, sem alarde, e depois agir sobre a falha.

O conserto de três camadas convergiu neste trimestre

Três respostas distintas ao mesmo problema de fundo amadureceram ou foram lançadas na mesma janela. Lidas juntas, formam um stack.

Ontologia, para que o significado seja explícito. A camada semântica deixou de ser preferência de time de dados e virou recurso de plataforma neste trimestre. A Microsoft lançou um workload de ontologia no Fabric no fim de 2025. A Databricks lançou o Genie Ontology em junho de 2026, alegando 84,5% de acerto na primeira tentativa contra 52,4% de um agente geral sem a ontologia. Essa cifra é auto-reportada pela Databricks e mede o próprio benchmark deles, então pese como alegação de fornecedor, não como resultado independente. O Google tem seu Open Knowledge Framework. A convergência é o sinal aqui. Nenhum número isolado o carrega: as grandes plataformas agora concordam que agentes precisam de significado declarado explicitamente, porque não o inferem como um analista humano faz.

Propriedade da regra, para que a dívida tenha endereço. A receita de Savytska é a segunda camada. Cada regra de supressão, flag de consentimento e definição de segmento precisa de um dono rastreável e uma razão registrada. Um agente não consegue perguntar por que uma regra existe. A única defesa contra uma regra que ninguém lembra é um registro de por que ela foi escrita, ligado a uma pessoa que pode decidir se ela ainda vale.

Especificações prontas para agentes, para que a interface não minta. A camada da Postman. A superfície de API que um agente consome precisa ser completa e honesta nos próprios termos, porque é tudo o que o agente tem. Lenny Pruss, da Amplify Partners, argumenta que nesta virada a primitiva é o produto: o bloco bem especificado que um agente compõe passa a ser o objeto de valor, não a interface humana polida que o envolve. Uma especificação que só funciona quando um humano preenche as lacunas é uma especificação que falha no instante em que o consumidor é uma máquina.

Faça isto agora

Escolha uma camada de dados que um agente já lê ou está prestes a ler. Um sistema de supressão de marketing, uma customer data platform, uma API interna que seus agentes chamam. Depois rode três verificações esta semana.

Rastreie uma regra até a origem. Escolha uma regra de supressão ou flag de consentimento e tente nomear a pessoa que a escreveu e a razão de existir. Se não conseguir, encontrou a forma da sua dívida. Multiplique pelo número de regras no sistema.

Leia uma especificação de API como um agente leria. Entregue sua especificação de API a um engenheiro que nunca a usou e peça que ele complete uma tarefa real só com a especificação, sem Slack, sem colega. Onde ele travar é onde seus agentes já falham em silêncio.

Atribua um dono. Nomeie um humano responsável pelo frescor e pela correção daquela camada de dados. A revisão que antes acontecia como efeito colateral da lentidão humana agora precisa ser agendada de propósito, porque os agentes removeram a lentidão que fazia isso de graça.

Os agentes não quebraram sua camada de dados. Pararam de perdoá-la. O perdão era uma pessoa, e essa pessoa não está mais no circuito.

Fontes

AdExchanger (Margarita Savytska, Sojourn Solutions). “AI agents are making marketing decisions on data no one has checked in years.” Julho de 2026.
Hands-On Data. “Ontology everywhere!.” Junho de 2026.
Postman (Arash Nourian). “How we really build production-grade AI agents.” Junho de 2026.
Amplify Partners (Lenny Pruss). “The primitive is the product.” 2026.

A Victorino ajuda times a inventariar a propriedade de regras, a ontologia e as especificações de API de que seus agentes dependem antes de a dívida vencer: contato@victorino.com.br | www.victorino.com.br