A IA empresarial vai além de responder perguntas.
A primeira onda de IA generativa ofereceu a colaboradores e clientes uma forma conversacional de encontrar informações. A geração aumentada por recuperação, ou RAG, aprimorou essas experiências ao recuperar conteúdo empresarial relevante e fornecê-lo a um modelo de linguagem de grande porte antes de gerar uma resposta.
Isso foi um passo importante, mas ainda representou, em grande parte, uma experiência informacional: uma pessoa perguntava, o sistema recuperava e o modelo respondia.
A IA agêntica eleva o nível. Um agente de IA pode interpretar um objetivo, determinar quais sistemas ou fontes de conhecimento consultar, reunir contexto adicional e iniciar ações. O agente pode redigir uma resposta de suporte, preencher um questionário de segurança, acionar um fluxo de trabalho de publicação, solicitar um componente de reposição ou agendar um técnico.
Quando a IA deixa de explicar o que deve acontecer e passa a ajudar a fazer acontecer, o conhecimento empresarial não pode mais ser tratado como material de referência em segundo plano. Ele se torna uma infraestrutura operacional.
A transição de respostas recuperadas para ação autônoma.
Uma implementação convencional de RAG começa com uma pergunta. O sistema pesquisa uma fonte de conhecimento definida, recupera trechos relevantes, adiciona-os ao prompt do modelo e gera uma resposta fundamentada nesse material.
Essa abordagem permite que as organizações usem informações privadas, atualizadas ou restritas sem precisar retreinar um modelo de uso geral. Ela também pode preservar os controles de acesso quando a recuperação é feita com as credenciais do usuário.
Na sessão Adobe DITAWORLD 2026 sobre o impacto da IA generativa na estratégia de conteúdo, Fabrice Lacroix, fundador e CEO da Fluid Topics, apresentou a progressão dos modelos de linguagem de grande porte ao RAG, à IA agêntica e ao Protocolo de Contexto de Modelo. Ele descreveu como o RAG recupera o conhecimento empresarial, adiciona-o a um prompt e utiliza um modelo de uso geral para formular uma resposta.
O desafio surge quando o conhecimento necessário está distribuído em vários repositórios. Lacroix descreveu cenários empresariais com “10, 15 ou 20 aplicativos” que podem conter conhecimento relevante. O sistema precisa pesquisar essas fontes, consolidar os resultados, verificar se há contexto suficiente e manter as informações copiadas sincronizadas com os sistemas de origem.
O Protocolo de Contexto de Modelo, ou MCP, adota um padrão diferente. O MCP é um protocolo que permite aos sistemas de IA se conectar a ferramentas, aplicativos e fontes de informação externas. Em vez de receber um pacote fixo de conteúdo recuperado, um agente pode determinar qual fonte disponível consultar, o que solicitar e se precisa de mais informações.
Como Lacroix explicou: "É o LLM do agente que pensa, raciocina e acessa os endpoints para obter informações e construir o contexto." Isso é o que torna a IA agêntica fundamentalmente diferente. O sistema de IA não apenas produz linguagem, mas também participa de um processo.
Pense em um cenário de manutenção. Uma máquina reporta um problema de pressão hidráulica. O agente pode precisar consultar a documentação técnica para diagnosticar o problema, identificar a configuração afetada em um sistema de gestão do ciclo de vida do produto, localizar uma peça substituta em um catálogo, confirmar a disponibilidade em um sistema de planejamento de recursos empresariais, providenciar o envio e agendar um técnico.
Lacroix usou esse exemplo para ilustrar um processo que, de outra forma, poderia envolver entre duas e dez pessoas e que pode precisar funcionar em escala global, sem parar. A oportunidade é enorme, assim como a dependência de um conhecimento confiável.
A IA expõe a dívida de conteúdo que as empresas podiam ignorar até então.
A entrega tradicional de conteúdo escondia muitos problemas. Uma página visitada com frequência tinha mais chances de ser revisada, corrigida e mantida. Um tópico desatualizado, enterrado no fundo de um repositório, recebia pouco tráfego e causava poucos danos visíveis. Procedimentos duplicados podiam coexistir por anos, pois os usuários seguiam caminhos de navegação conhecidos e raramente se deparavam com a versão conflitante. Os sistemas conversacionais e agênticos eliminam essa proteção.
Em seu discurso de boas-vindas ao Adobe DITAWORLD 2026, Vivek Kumar, Diretor Sênior de Produtos da Adobe, explicou que a IA torna cada tópico, procedimento e fragmento de conteúdo potencialmente acessível. O tópico menos visualizado em um repositório pode, de repente, tornar-se a fonte de uma resposta. Ele ilustrou o risco com um Assistente de IA que recuperou um procedimento sem atualização há quatro anos por parecer relevante para a pergunta do cliente.
“A IA não criou esse problema de documentação”, disse Kumar. “A IA o revelou.”
O problema fundamental não é a falta de conteúdo, mas a ausência de conhecimento confiável.
Um procedimento é conteúdo. O mesmo vale para uma descrição de produto, um tópico de solução de problemas, uma política ou uma instrução de serviço. O conhecimento surge quando esses componentes incluem o contexto que explica a que se aplicam, como se relacionam, qual versão é a oficial, quem os aprovou e quando devem deixar de ser usados.
Para a IA, essas distinções são essenciais. Uma instrução tecnicamente correta pode ainda assim ser inadequada para uma versão específica de produto, mercado, direito do cliente, condição operacional ou jurisdição regulatória. Um agente precisa de mais do que texto que se assemelhe à pergunta; ele precisa de evidências de que o conteúdo selecionado é adequado para a ação em questão.
A dimensão desse problema de conteúdo está documentada em “Sistemas de Gerenciamento de Conteúdo por Componentes: turbine conteúdo de formato longo para experiências personalizadas e consistentes”, um estudo da Forrester Consulting de 2021 encomendado pela Adobe. Com base em uma pesquisa com 450 tomadores de decisão em organizações com pelo menos 500 funcionários e US$ 500 mi em receita anual, o relatório revelou que 64% consideravam um desafio atender às demandas modernas de criação de conteúdo. O estudo também apontou que 68% identificaram a falta de reutilização de conteúdo como um desafio de gestão de conteúdo, enquanto 58% tinham dificuldades para manter a velocidade de publicação e atualização. A IA agêntica não elimina essas fragilidades, mas abre um caminho mais rápido para os processos de negócios.
A estrutura transforma conteúdo em conhecimento utilizável por máquinas.
É aqui que o conteúdo estruturado e um sistema de gerenciamento de conteúdo por componentes, ou CCMS, assumem um papel mais amplo.
Um CCMS gerencia informações como componentes modulares, e não apenas como documentos completos. Esses componentes podem conter metadados explícitos, relacionamentos, condições, histórico da versão, status de revisão e referências de reutilização. Eles podem ser montados em diversas publicações e entregues por meio de sites, aplicativos, bases de conhecimento, sistemas de suporte ou experiências com IA.
O valor para a IA não está simplesmente no fato de o XML ser mais fácil de processar por uma máquina. A vantagem maior é que a estrutura torna o significado e o controle explícitos.
Os metadados podem identificar o produto, o modelo, o público-alvo, o idioma, a região, o estado do ciclo de vida, a data de vigência e a classificação de segurança. As taxonomias fornecem termos controlados. Os relacionamentos conectam conceitos, procedimentos, avisos, peças e evidências de suporte. Versões e linhas de base identificam exatamente qual conteúdo foi aprovado para uma determinada versão. Os fluxos de trabalho de revisão comprovam que o julgamento humano foi aplicado antes de o conteúdo ser considerado oficial.
Kumar descreveu o resultado como uma evolução: de repositório de conteúdo a um grafo de conhecimento. “O conhecimento surge do conteúdo conectado”, afirmou. “Relacionamento importa, contexto importa, significado importa.”
Essa base de conhecimento permite que os sistemas de IA recuperem unidades menores e mais precisas de informação, preservando os dados necessários para avaliá-las. Além disso, as organizações passam a contar com uma forma de rastrear qualquer resposta ou ação gerada pela IA até o material de origem que a fundamentou.
O estudo da Forrester traz embasamento quantitativo para essa abordagem. 69% dos participantes relataram que manter o conteúdo em um formato flexível, como XML, facilita a reutilização ou a distribuição. O relatório também revelou que 80% ou mais dos participantes de organizações que utilizam um CCMS afirmaram que ele ajudou a eliminar riscos regulatórios, reputacionais, financeiros e de mão de obra associados à criação de conteúdo e à sua entrega.
Essas descobertas levam à mesma conclusão: as organizações não conseguem atender à crescente demanda humana e das máquinas apenas criando mais documentos isolados. Elas precisam de conteúdo que possa ter sua governança centralizada, ser compreendido em contexto e reutilizado com confiança.
A governança se torna parte do controle da IA.
Muitos programas de IA concentram atenção primeiro no modelo, na interface ou no framework de agentes. São investimentos visíveis, mas que não conseguem compensar uma governança fraca.
Uma base de conhecimento empresarial para IA agêntica precisa responder a algumas perguntas operacionais:
- Esta é a versão aprovada mais recente?
- Isso se aplica a este produto, público-alvo, região e situação?
- O especialista adequado no assunto revisou este conteúdo?
- Este usuário ou agente tem acesso?
- Que outro conteúdo depende disso?
- O que mudou, quem mudou e quando?
- O sistema consegue citar a fonte usada para a resposta ou ação?
Essas são preocupações comuns em um CCMS, mas a IA agêntica amplia sua relevância para os negócios.
- O versionamento se torna uma salvaguarda contra instruções desatualizadas.
- Os metadados se tornam um mecanismo de roteamento para os agentes.
- O status de aprovação passa a ser um fator de confiança.
- O histórico de auditoria se torna evidência para conformidade e investigação.
- Os controles de acesso ajudam a impedir que os agentes exponham ou atuem com base em informações restritas.
O relatório da Forrester constatou que documentações incorretas ou imprecisas representam riscos significativos para as operações de suporte, e que mais da metade dos entrevistados apontou estratégia de conteúdo fragmentada, silos de conteúdo, revisão e colaboração, personalização, entrega omnicanal e velocidade do conteúdo como os principais desafios.
Isso não significa que um CCMS elimina todos os riscos ou torna cada ação de IA confiável por padrão. O que fica evidente é que as organizações já associam os controles de conteúdo estruturado à redução das condições que geram riscos.
A supervisão humana também continua sendo indispensável. Os sistemas agênticos podem acelerar tarefas rotineiras, mas as organizações ainda precisam definir limites claros para as ações que exigem revisão, aprovação ou escalonamento. O objetivo não é eliminar as pessoas de todos os processos, mas reservar o julgamento humano para as decisões em que ele gera o maior valor.
Adobe Experience Manager Guides como base de conhecimento empresarial.
Adobe Experience Manager Guides oferece uma base de conteúdo estruturado capaz de sustentar esse modelo.
As organizações podem gerenciar conteúdo DITA modular, metadados, versões, referências, revisões, traduções e publicação em um ambiente controlado. As interfaces de programação de aplicativos, ou APIs, podem integrar as operações de conteúdo a outros sistemas corporativos, enquanto as saídas estruturadas podem ser aproveitadas em sites, aplicativos, bases de conhecimento, experiências de chat e outros usos finais.
Em “The Business Value of Adobe Experience Manager Guides”, um estudo de valor de negócio da IDC de novembro de 2022 patrocinado pela Adobe, a IDC apresentou resultados de entrevistas aprofundadas com seis organizações que utilizam o Experience Manager Guides. A IDC calculou benefícios anuais médios de US$ 3,8 mi por organização, um retorno do investimento de 287% em três anos e um período de retorno de 13,9 meses para as organizações participantes.
O estudo também constatou que as equipes de redação técnica se tornaram 17% mais eficazes após a adoção do Experience Manager Guides. O estudo registrou uma redução de 16% no esforço relacionado a duplicações, representando um valor médio anual de produtividade de US$ 437.570 por organização.
Esses resultados não devem ser tratados como garantidos para todas as implementações. Eles mostram que a base de conteúdo necessária para a preparação com IA também pode gerar valor mensurável por meio da redução de duplicações, de operações de conteúdo mais eficazes e de maior produtividade.
A Adobe também demonstrou recursos assistidos por IA para importação, criação, modificação, marcação e validação de conteúdo estruturado. Em sua sessão do Adobe DITAWORLD 2026 sobre como usar a IA no Experience Manager Guides para trabalhar de forma mais inteligente e produzir conteúdo em grande escala, Mike Buoy, consultor sênior de soluções da Adobe, demonstrou fluxos de trabalho em que os autores revisavam os planos propostos e acompanhavam as alterações antes de aceitá-las. Essa abordagem com humano no ciclo permite que a IA acelere o trabalho com conteúdo enquanto a organização mantém o controle sobre o que passa a fazer parte da base de conhecimento confiável. As implementações em grande escala mostram por que esse controle é tão importante.
Em sua sessão do Adobe DITAWORLD 2026, Brian Scordinsky, diretor de tecnologia de clientes para garantia global na EY, descreveu o EY Atlas como uma plataforma de conhecimento de garantia global operando em escala empresarial.
O EY Atlas comporta mais de 1 mi de documentos, 3 mi de páginas de conteúdo renderizado, mais de 40 idiomas e 66 canais baseados em localização. Atende mais de 200 mil usuários e recebe mais de 1 mi de acessos por mês. O ambiente AEM Guides mantém 12,7 mi de metadados e 42 mi de referências de links.
Scordinsky descreveu o Atlas como “a interface de acesso de uma cadeia de suprimento de conhecimento global.” Por trás dessa experiência, há um ecossistema estruturado que sustenta autoria, publicação, pesquisa, assinaturas, análise, segurança, localização e, cada vez mais, experiências de agentes habilitadas por IA generativa.
Uma sessão relacionada do Adobe DITAWORLD 2024 revelou que o EY Atlas atendeu mais de 200.000 usuários, incluindo mais de 26.000 clientes, com o suporte de mais de 600 produtores de conteúdo. Nessa sessão, Scordinsky afirmou: "o AEM faz todo o trabalho pesado nas nossas operações de conteúdo." Ele acrescentou que os metadados mantidos no AEM Guides potencializam a pesquisa e, futuramente, darão suporte a modelos de linguagem de grande porte e experiências de chat com IA generativa.
Nessa escala, metadados, versões, links e controles de publicação não são meros detalhes administrativos. São o modelo operacional para um conhecimento confiável.
Construir a camada de conhecimento antes de escalar a camada de agentes.
As empresas não precisam reestruturar cada peça de conteúdo antes de iniciar uma iniciativa de IA agêntica. Precisam, sim, identificar quais conhecimentos vão embasar ações de alto valor ou de alto risco e garantir a confiabilidade desse conteúdo primeiro.
Uma abordagem prática começa com quatro prioridades.
1. Identificar as decisões e ações que o agente vai apoiar.
Defina o processo de negócios antes de selecionar o conteúdo. Determine o que o agente terá permissão para recomendar, iniciar ou concluir, e onde a aprovação humana permanecerá obrigatória. Isso define quais fontes de conhecimento são críticas e qual nível de confiança é necessário.
2. Avaliar o conteúdo por trás dessas ações.
Examine o conhecimento que o agente vai utilizar. Identifique duplicações, orientações conflitantes, metadados ausentes, versões desatualizadas, responsabilidade indefinida, material de origem inacessível e lacunas no histórico de aprovação.
O objetivo não é um inventário amplo de conteúdo. É uma avaliação de risco focada nas informações que vão orientar as decisões apoiadas por IA.
3. Estruturar e governar o conhecimento de maior valor.
Divida documentos extensos em componentes reutilizáveis, quando adequado. Aplique metadados controlados. Estabeleça relações entre procedimentos, produtos, peças, políticas e conceitos de apoio.
Defina regras de revisão, aprovação, versionamento, acesso, retenção e ciclo de vida para que pessoas e sistemas de IA consigam distinguir o conhecimento atual do conteúdo incompleto, desatualizado ou inadequado para uso.
4. Conectar conteúdo por meio de interfaces governadas.
APIs e serviços compatíveis com MCP podem disponibilizar o conhecimento empresarial aos agentes sem abrir mão de permissões, controle de origem ou rastreabilidade.
Cada conexão deve preservar contexto suficiente para que o agente entenda o que o conteúdo significa, quando ele se aplica e se é confiável.
Essa sequência importa. Conectar um agente a mais repositórios não cria automaticamente um conhecimento melhor. Pode simplesmente dar ao agente acesso mais rápido a mais inconsistências.
O conhecimento empresarial está se tornando infraestrutura estratégica.
O papel estratégico do CCMS está mudando. Ele continua sendo uma plataforma para criar, gerenciar, traduzir e publicar conteúdo. Mas também passa a ser a camada de conhecimento governada entre a expertise empresarial e a ação orientada por IA.
Kumar resumiu a mudança de forma direta: “o que antes era considerado infraestrutura de documentação está se tornando rapidamente infraestrutura de IA.”
A próxima fase da IA empresarial não será vencida pela organização com mais conteúdo ou mais agentes. Ela será conquistada pelas organizações capazes de fornecer às máquinas um conhecimento estruturado, atual, contextual, consciente de permissões e rastreável.
Quando a IA apenas respondia perguntas, conteúdos fracos geravam experiências insatisfatórias. Quando a IA passa a agir, a qualidade do conhecimento empresarial se torna um controle essencial para os negócios.
As organizações que se preparam para a IA agêntica devem começar identificando o conteúdo que embasa suas decisões mais importantes, avaliando se ele está suficientemente estruturado e governado para apoiar a ação, e eliminando as lacunas de conhecimento de maior risco antes de escalar. Adobe Experience Manager Guides pode fornecer a base de conteúdo controlada necessária para transformar informações empresariais em conhecimento confiável e reutilizável para experiências potencializadas por IA e fluxos de trabalho.
Próximas etapas.
Descubra como Adobe Experience Manager Guides pode ajudar a transformar o conteúdo empresarial estruturado em uma base de conhecimento governada para experiências potencializadas por IA e fluxos de trabalho agênticos.
