Líderes de pensamento

A resolução de entidades está se tornando infraestrutura de IA, não apenas limpeza de dados

Steven Renwick
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveA resolução de entidades deixa de ser uma limpeza periódica para se tornar…
Ver mais
  • A resolução de entidades deixa de ser uma limpeza periódica para se tornar infraestrutura de tempo de execução, porque os agentes agem instantaneamente sobre identidades resolvidas.
  • Os agentes com recuperação aumentada herdam registros fragmentados ou fundidos incorretamente e tratam essa ambiguidade como fato consolidado.
  • A maioria das organizações implanta agentes autônomos, enquanto poucas consideram sua infraestrutura genuinamente pronta para governá-los.

Há algum tempo, eu assisti a um agente de IA dar uma resposta confiante, mas errada, por um motivo bastante banal. Uma empresa tinha dois registros para o mesmo cliente corporativo. Um registro continha o nome antigo e um contato de finanças, enquanto o outro registro continha o nome legal novo, adotado após uma aquisição, junto com um endereço de cobrança diferente. Fizeram uma pergunta simples ao agente: essa conta está em boa situação? Ele encontrou um registro, viu que não havia faturas vencidas e disse sim. As faturas vencidas estavam registradas sob o outro nome.

Nada foi inventado. O modelo raciocinou corretamente sobre os dados que recebeu. Os dados simplesmente descreviam dois clientes onde, no mundo real, havia apenas um. O erro não estava no modelo de linguagem. Estava na junção.

Passei a pensar que isso é um dos riscos mais subestimados em IA empresarial e um dos menos discutidos. Falamos interminavelmente sobre a precisão do modelo, design de prompts e governança. Falamos muito menos sobre se um sistema realmente sabe sobre qual cliente, fornecedor ou conta do mundo real está agindo. Essa pergunta tem um nome. É chamada de resolução de entidades, e após sessenta anos em segundo plano, está se tornando silenciosamente uma peça de infraestrutura em tempo real.

O problema mudou de tempo

Por grande parte de sua vida útil, “esses dois registros são a mesma entidade?” era uma pergunta de limpeza. Você a executava em lote, em um cronograma, em algum lugar dentro de um programa de gerenciamento de dados mestres, um data warehouse ou um pipeline de análise. Nunca foi perfeita, mas era tolerável, porque a saída era um relatório que alguém lia na semana seguinte. Se dois registros para o mesmo fornecedor não fossem mesclados, uma cifra de gastos saía ligeiramente errada, um analista notava e corrigia na próxima execução. O sistema tinha uma margem de tempo. O tempo absorvia os erros.

Um agente de IA remove essa margem de tempo. Ele muda o tempo da pergunta de «mais adiante» para «agora». Quando um agente está prestes a aprovar um reembolso, encaminhar um caso, atualizar um perfil ou responder a uma pergunta de conformidade, a entidade resolvida não está mais alimentando um painel. Está alimentando uma ação. O custo de uma junção errada passa de um número ligeiramente errado para algo que acontece no mundo, imediatamente, e frequentemente sem uma pessoa envolvida no processo para detectar o erro.

Essa é a mudança digna de consideração. O problema subjacente é antigo e bem compreendido. O que é novo é que o conectamos diretamente a sistemas que agem por conta própria.

Um problema de estatística dos anos 1960

A resolução de entidades não chegou com os grandes modelos de linguagem. Chegou com cartões perfurados. Em 1959, H. B. Newcombe e seus colegas publicaram um artigo curto na revista Science sobre a ligação automática de registros vitais, descrevendo como um computador poderia decidir se um registro de nascimento e um registro de casamento se referiam à mesma pessoa. Uma década depois, Ivan Fellegi e Alan Sunter deram à ideia uma teoria matemática formal, definindo os três resultados que qualquer sistema de correspondência ainda produz hoje: uma ligação, uma não ligação e uma ligação possível que uma pessoa precisa revisar.

Há um detalhe nessa linhagem digno de ser considerado, porque é a parte que as pessoas mais frequentemente erram. A ligação de registros nunca foi apenas correspondência exata em um endereço de e-mail ou um ID compartilhado. Desde o início, foi probabilística. Ela ponderou as evidências de que dois registros concordavam em um sobrenome, uma data, um local e produziu uma pontuação, porque os dados inseridos por humanos são desordenados e as chaves exatas falham constantemente. A resolução de entidades moderna ainda funciona dessa maneira. Ela combina regras determinísticas, onde um identificador estável compartilhado é decisivo, com correspondência probabilística e de aprendizado de máquina difusa que lida com erros de digitação, apelidos, campos transpostos, abreviações e a dúzia de pequenas maneiras pelas quais a mesma pessoa ou empresa aparece de forma ligeiramente diferente em sistemas. Uma boa revisão da área traça uma linha ininterrupta daqueles registros vitais dos anos 1950 aos métodos de agrupamento e aprendizado de máquina usados agora.

O que realmente mudou é quando precisamos da resposta. Pesquisadores estavam escrevendo sobre resolver entidades no momento da consulta, em vez de apenas antecipadamente, muito antes da onda atual de IA. Naquela época, era uma otimização interessante. Agora é mais próxima de um requisito.

Por que os agentes a transformam em infraestrutura

A maioria dos sistemas de IA empresariais não responde a partir da memória do modelo. Eles recuperam. O padrão popularizado como geração aumentada por recuperação faz com que um agente busque o contexto relevante no momento da pergunta e raciocine sobre ele. Isso é, em geral, uma boa coisa. Isso fundamenta as respostas em seus dados, em vez de no treinamento do modelo.

No entanto, isso traz uma consequência fácil de não perceber. O agente herda o que a etapa de recuperação lhe entrega. Se a recuperação devolver um cliente fragmentado, três registros parciais que nunca foram conectados, o agente raciocinará sobre três clientes. Se a recuperação devolver uma mesclagem errada, duas empresas diferentes colapsadas em um único perfil, o agente raciocinará sobre uma. A ambiguidade já presente nos sistemas de origem é passada diretamente e apresentada ao modelo como fato estabelecido. O modelo não tem como saber que a junção estava errada, assim como você não saberia, lendo um resumo organizado de registros que nunca viu.

Portanto, a resolução não pode ser uma ideia secundária que é executada uma vez por trimestre e tem seus resultados armazenados em uma tabela separada. A entidade precisa ser montada quando os dados são ingeridos, e a visão atual resolvida dela precisa ser recuperável no instante em que o agente pergunta. Isso é uma dependência de tempo de execução. Ela se comporta muito mais como um banco de dados ou um serviço de autenticação do que como um projeto de limpeza de dados periódico, e precisa ser projetada, monitorada e confiável do mesmo modo que você trataria qualquer outro sistema que sua aplicação chama em tempo real.

A lacuna de prontidão que ninguém está nomeando com precisão

A indústria já sente que algo está faltando aqui. O Índice de Prontidão para IA 2025 da Cisco encontrou que 83 por cento das organizações planejam implantar agentes autônomos, enquanto apenas cerca de um terço sente que sua infraestrutura está realmente pronta para eles, e apenas cerca de um quarto sente estar equipado para controlar e governar o que esses agentes realmente fazem. A pesquisa mais recente da McKinsey sobre o Estado da IA descreve uma lacuna semelhante a partir da outra direção: cerca de 88 por cento das organizações agora usam IA em pelo menos uma função, mas a maioria não a escalonou por toda a empresa.

Quando as pessoas explicam essa lacuna, elas tendem a recorrer a duas palavras: qualidade de dados e governança. Ambas importam, e nenhuma é opcional. Mas há uma pergunta mais específica por trás delas que dados limpos e bem governados não respondem por si mesmos. O sistema pode dizer a qual entidade do mundo real um determinado registro se refere, em todos os lugares onde esse registro vive, agora? Você pode manter dados de alta qualidade em cada sistema individual e ainda falhar nesse teste, porque a falha não vive dentro de nenhum sistema. Ela vive nos espaços entre eles, onde o mesmo cliente usa três faces ligeiramente diferentes.

O que verificar antes de deixar um agente agir

Se você trata a resolução de entidades como infraestrutura em tempo real, você pode inspecioná-la como infraestrutura. Os modos de falha operacional são específicos e testáveis: identidades divididas que deveriam ser uma, mesclagens falsas de registros que deveriam permanecer separados, regras desatualizadas de seleção do valor de referência que continuam priorizando um endereço já substituído, identificadores persistentes ausentes e agentes que herdam a ambiguidade do sistema de origem como se fosse uma verdade resolvida.

Um teste de prontidão prático não requer um novo modelo ou uma nova categoria de fornecedor. Monte um conjunto de referência de entidades cuja realidade você conhece com segurança. Execute-o pelo mesmo caminho de recuperação que seu agente usa, não uma cópia limpa separada construída para a demonstração. Em seguida, meça as coisas que realmente decidem os resultados: quantas mesclagens falsas e divisões falsas, como o sistema lida com ambiguidade genuína, onde seus limiares de confiança estão, quando ele escala para um humano em vez de adivinhar e como ele transfere os resultados de forma consistente para os controles de dados mestres e governança existentes. Se uma equipe não puder responder a essas perguntas, o agente está agindo sobre uma identidade que não pode verificar, e a confiança em sua saída está mal colocada.

Nada disso substitui o gerenciamento de dados mestres, a governança, as plataformas de dados de clientes ou o data warehouse. Esses respondem a perguntas diferentes e permanecem necessários. A governança decide o que um agente tem permissão para fazer. A resolução de entidades decide sobre quem, ou sobre o que, ele realiza essa ação. A primeira é madura na maioria das grandes organizações. A segunda é a camada de que muitas organizações estão prestes a descobrir que precisam ao lado da primeira, em tempo real, no momento em que deixam um agente agir em vez de aconselhar.

O agente que eu observei não precisava de um modelo mais inteligente. Ele precisava saber que dois nomes eram um cliente antes de poder se expressar com segurança. À medida que damos a esses sistemas autoridade real para agir, essa disciplina silenciosa de sessenta anos deixa de ser limpeza e passa a ser uma estrutura de sustentação. [1] [2]

Steven Renwick é o co-fundador e CEO da Tilores (tilores.io), que fornece resolução de entidade em tempo real por meio de APIs para equipes de IA e dados. Ele trabalha com líderes de engenharia e dados para resolver a identidade do cliente, fornecedor e conta em sistemas fragmentados.