Contexto é o novo código
No começo de 2026, uma frase começou a circular no mundo da IA:
"O LLM é o componente menos importante do seu sistema de IA."
Parece contraintuitivo, né? A gente passou anos comparando benchmarks, fazendo side-by-side do Claude vs Gemini vs GPT. O modelo sempre foi a estrela. Mas aí você tenta colocar IA de verdade pra rodar dentro de uma empresa e descobre a verdade inconveniente: o modelo é a parte fácil. O problema é tudo que vem antes dele.
O problema: dados em silos, agentes no escuro
Imagina que você tem um agente de IA brilhante — raciocínio de ponta, capacidade de análise, tudo. E você pergunta:
Por que o faturamento de março caiu 15% em relação a fevereiro?
O agente não sabe responder. Não porque é burro. Porque ele não sabe:
- Que o cliente X, responsável por 20% da receita, renovou com desconto de 35% porque o comercial fez uma exceção verbal
- Que 60 notas fiscais ficaram retidas no financeiro por divergência de cadastro
- Que o vendedor Y bateu a meta de vendas mas 80% veio de um único contrato com margem negativa
- Que aquele campo "observação" no CRM é onde o suporte relata insatisfação de clientes que ninguém mais lê
Tudo isso tá em algum lugar. Num PDF de contrato. Num e-mail do comercial. Numa mensagem no Slack. Num campo obscuro que só quem opera todo dia conhece.
O modelo é brilhante. Mas ele tá cego.
A solução não é melhor modelo — é melhor contexto
Eu passei os últimos meses construindo uma resposta pra esse problema. Não é um prompt melhor. Não é um modelo mais forte. É uma arquitetura de contexto com 3 pilares:
1. ETL com camada de dados
O primeiro passo foi criar um ETL que conecta todas as fontes de dados da empresa e organiza tudo em uma camada de dados estruturada.
Não é RAG básico jogando tudo num vector DB. É um pipeline que:
- Extrai dados do ERP: Faturamento, clientes, meta, produtos
- Transforma em formato que o agente consegue raciocionar — não só buscar, mas entender
- Carrega numa camada unificada onde cada entidade (cliente, contrato, nota fiscal, oportunidade) tem seu próprio contexto enriquecido
A diferença entre isso e um RAG tradicional? RAG busca documentos. Camada de dados entrega conhecimento estruturado. O agente não precisa "achar" a informação — ela já tá organizada, limpa e pronta pra uso.
2. Skills: ensinando o agente a dominar o domínio
Dados estruturados não bastam. O agente precisa saber como usar esses dados. É aqui que entram as Skills.
Skills são, na prática, instruções estruturadas que ensinam o agente a operar no domínio da empresa. Não é um prompt genérico — é um documento que explica:
- O que cada entidade significa (o que é um pipeline de vendas, como funciona o ciclo de faturamento, o que é margem por contrato)
- Como cruzar dados (se o usuário perguntar sobre faturamento, olha notas fiscais, contratos ativos e projeção de vendas)
- Quais são as regras de negócio (desconto acima de 20% precisa de aprovação, cliente com pagamento atrasado entra em bloqueio, meta é mensal por vendedor)
- Como formatar a resposta (o comercial quer pipeline, o financeiro quer impacto em R$, o diretor quer resumo executivo)
É como dar um onboarding pro agente. Em vez de ele chegar cru e tentar adivinhar, ele já entra sabendo como a empresa funciona.
3. Três camadas de contexto: RLM + Memória + Skill
Aqui é onde a coisa fica realmente interessante. O agente não usa um contexto só — ele usa três camadas que se complementam:
RLM (Recursive Language Models) — O contexto da empresa. Tudo que o agente precisa saber sobre o domínio, os dados, as regras. É buscado no momento certo, pro problema certo. Não é tudo de uma vez — é cirúrgico.
Memória do usuário — O agente constrói, ao longo das conversas, um perfil de quem tá interagindo. O João sempre pergunta sobre faturamento do trimestre. A Maria quer resumo executivo, não dados brutos. O Carlos quer saber o impacto em vendas primeiro. O agente aprende com o usuário e com a empresa e personaliza a resposta.
Skill estruturada — O "como fazer". Dado o contexto da empresa (RLM) e o contexto do usuário (memória), a Skill define como o agente deve agir, que dados consultar, como formatar a resposta.
As três juntas significam que o agente não responde igual pra todo mundo. Ele responde pra você, com os seus dados, do jeito que você precisa.
O que mudou na prática
Com essa arquitetura rodando, as perguntas que antes levariam algumas horas minhas para fazer um excel e analisar os dados, agora levam segundos:
- "Por que o faturamento caiu em março?"
→ O agente consulta a camada de dados, cruza contratos, notas fiscais e projeções, e entrega: "O cliente X renovou com 35% de desconto e 60 NFs ficaram retidas. Juntos, isso representa R$ 48K do delta."
- "Qual vendedor teve melhor margem no trimestre?"
→ Ele não só soma vendas — cruza com custo, descontos concedidos e tipo de contrato. Descobre que quem bateu a meta na verdade teve a pior margem.
- "Como o pipeline de vendas pro fechamento do mês?"
→ Puxa oportunidades abertas, probabilidade histórica por estágio, e compara com o mesmo período do ano anterior. Tudo via linguagem natural.
O que eu aprendi
1. ETL é a fundação. Sem dados organizados e acessíveis, o agente é um gênio sem memória. Invista na camada de dados antes de qualquer coisa.
2. Skills são o diferencial. Qualquer um pode conectar um agente a um banco. Poucos ensinam o agente a pensar como a empresa pensa. Skills fazem isso.
3. Contexto não é uma coisa só. É a interseção de domínio (RLM), usuário (memória) e ação (Skill). Falta uma peça e o agente erra com confiança.
4. O modelo é commodity. Sério. A diferença entre modelos existe, mas é menor do que a diferença entre um agente com contexto bom e um sem. Invista onde o retorno é maior.
5. Contexto é o novo código. O código que importa em 2026 não é lógica de negócio — é o código que conecta, estrutura e entrega contexto pro agente. Tudo o mais é boilerplate.
E você, como tá lidando com contexto nos seus projetos de IA? Já construiu Skills ou uma camada de dados pra agentes? Me conta — adoro trocar ideia sobre isso.
