Insights de Davos: Transformando VUCA em Valor com AI Neurossimbólica

O Sinal de Davos: o VUCA está em alta, e líderes querem agentic AI que entregue resultados

Participei recentemente do Fórum Econômico Mundial em Davos, e dois temas dominaram as conversas entre líderes de diferentes setores.

O primeiro era inegável e irrefutável: volatilidade, incerteza, complexidade e ambiguidade estão crescendo mais rápido do que a maioria das organizações consegue absorver. Interrupções na supply chain, choques de custo, mudanças nos canais e movimentos da concorrência deixaram de ser episódicos, são contínuos.

O segundo tema foi mais frustrante. Embora a agentic AI tenha capturado a imaginação dos executivos, a maioria dos pilotos está com dificuldade de ir além de demos impressionantes. Os líderes falaram abertamente sobre os mesmos obstáculos: falta de confiança, auditabilidade fraca, acionabilidade limitada e dificuldade de governar decisões orientadas por IA em escala corporativa. O problema, deixe-me ser claro, não é falta de ambição. São os modelos operacionais.

Em um ambiente VUCA, o valor raramente se perde porque as organizações não têm dados. Ele vaza porque as decisões se movem lentamente entre silos, o aprendizado não é institucionalizado e a execução se desvia da intenção. Os planos de demanda, supply chain e comercial são elaborados em sistemas diferentes, com granularidades diferentes e premissas diferentes. Decisões interfuncionais exigem múltiplas reconciliações e handoffs, fazendo com que as ações cheguem tarde demais para ter impacto. As equipes revisam o desempenho, mas as causas-raiz não são sistematicamente vinculadas às decisões e premissas que geraram os resultados — e os mesmos erros se repetem.

Nesse ambiente, a própria latência se torna um custo direto. Quando uma decisão é tomada, a situação já mudou. O que as empresas realmente precisam não é de IA isolada, mas de IA incorporada à forma como as decisões são tomadas, executadas e aprimoradas. É aqui que entra o modelo de Planejamento e Execução Ágil, Adaptativo e Autônomo (APEX).

APEX: o modelo operacional que integra horizontal e verticalmente

O APEX é o modelo operacional ideal para o Planejamento e Execução Integrada de Negócios (Integrated Business Planning & Execution, ou IBPE). Ele é projetado para conectar decisões ao longo dos horizontes de planejamento e execução — desde decisões estratégicas de longo prazo (3 a 5 anos) até decisões táticas (planos trimestrais e anuais) e decisões de execução que impactam os próximos dias e semanas, para que estratégia e execução permaneçam continuamente alinhadas.

O APEX integra o Planejamento de Demanda, o planejamento de supply chain e o planejamento comercial em um processo de IBPE, com diretrizes financeiras como balizadores. Essa integração horizontal é fundamental: na prática, toda decisão relevante é um trade-off entre áreas e no tempo.

O APEX integra horizontalmente entre funções, verticalmente entre níveis de granularidade, e ao longo de horizontes de tempo — da estratégia plurianual à execução semanal.

Essa é a base do portfólio de produtos da o9: Planejamento de Demanda, Planejamento de Supply Chain, Planejamento Comercial e Planejamento Integrado de Negócios (IBP), construídos na mesma plataforma e com a mesma lógica de decisão. O APEX é planejamento mais rápido, mas também uma abordagem sistemática para se tornar:

• Ágil: detectar mudanças cedo, diagnosticar rapidamente e responder com ações coordenadas.
• Adaptativo: aprender com cada ciclo (o que funcionou, o que não funcionou, sob quais premissas) e aprimorar políticas e playbooks ao longo do tempo.
• Autônomo (a "North Star"): automatizar progressivamente decisões e workflows bem governados, mantendo os humanos no controle da estratégia e dos julgamentos de alto impacto.

Para tornar isso concreto, pense em um situation card padrão: uma variação entre um plano de estoque e o resultado real, usado ao longo deste artigo para ilustrar a resposta ágil, o aprendizado adaptativo e a tomada de decisão cada vez mais autônoma com agentes de IA.

• Plano (o que planejamos): Estoque no final do mês para uma categoria de produto na Região Oeste = 4,2 semanas de supply; meta de nível de serviço = 98%
  
• Resultado (o que aconteceu): 6,8 semanas no DC1 (excesso) + rupturas no DC3 (vendas perdidas); serviço = 93%
  
• Impacto no negócio: capital de giro + $X milhões, expedite + $Y, risco de markdown +$Z, vazamento de receita

O que é realmente um agente de IA corporativo (e por que a maioria dos pilotos de agentic AI empaca)

A o9 construiu uma plataforma para o modelo APEX com uma abordagem inovadora à agentic AI, altamente diferenciada da agentic AI típica que está sendo testada em ambientes corporativos hoje. Vamos primeiro definir o que é um agente de IA corporativo e explicar por que a maioria dos pilotos de agentic AI não chega à prática empresarial. Em termos de negócio, um agente de IA é um colaborador digital capaz de compreender um objetivo, reunir o contexto adequado, executar análises, tomar ações em sistemas e parar quando entregou uma resposta — tudo isso dentro dos limites de governança e segurança estabelecidos.

Formalmente, um agente de IA tem 5 componentes:

• LLM: gera pensamentos, planos, chamadas de ferramentas e decisões em linguagem natural, mas não possui memória, ferramentas ou objetivos por conta própria, e é stateless entre as chamadas.
  
• Construção de contexto: decide quais dados corporativos, conhecimento e histórico o LLM deve ver em cada etapa.
  
• Ferramentas e ações: a capacidade de consultar sistemas, executar planejamento e otimização, e acionar workflows.
  
• Loop de controle e cognição: define objetivos, planeja etapas, replaneja quando as premissas mudam, raciocina e sabe quando parar.
  
• Segurança e avaliação: guardrails, aprovações, orçamentos, rastreabilidade e monitoramento de desempenho.

Nossa visão é que a maioria dos agentes de IA hoje depende excessivamente do componente 1 (LLM). Os LLMs são muito poderosos para planejamento e raciocínio em linguagem natural, mas não têm uma compreensão intrínseca das realidades concretas de uma empresa (como direitos de decisão, políticas, restrições, evidências auditáveis, etc.). No exemplo do situation card de estoque, agentes com forte dependência de LLM frequentemente produzem uma narrativa plausível (erro de forecast, problema de fornecedor, efeito de promoção), mas não conseguem vinculá-la de forma confiável à versão exata do plano, premissas, restrições e decisões que estavam vigentes — o que impede os líderes de auditar, acionar ou governar isso em escala. É por isso que os pilotos parecem impressionantes nas demos, mas empacam na prática corporativa.

Acreditamos que, em ambientes corporativos, o componente 1 (LLM) deve ser usado de forma limitada e conservadora, com muito mais dependência dos outros quatro componentes (construção de contexto, ferramentas/ações, loop de controle/cognição e segurança/avaliação). Com essa abordagem, um agente de IA trataria o exemplo do situation card de estoque da seguinte forma:

• LLM: transforma "Por que o estoque ficou abaixo do planejado?" em uma pergunta corporativa precisa e estruturada (SKU/localização/janela de tempo/versão do plano/métricas).
  
• Construção de contexto: puxa as versões certas de planos, premissas, restrições e histórico de decisões para evitar respostas superficiais.
  
• Ferramentas e ações: executa as análises corporativas — atribuição de variâncias, decomposição de causas-raiz, execução de cenários — e aciona workflows.
  
• Loop de controle e cognição: itera: "Essa variância é orientada pela demanda, pelo supply chain ou por políticas?" e replanejar à medida que novas evidências chegam.
  
• Segurança e avaliação: aplica os direitos de decisão (quem pode liberar estoque, aprovar expedites, alterar metas de nível de serviço) e registra as evidências.

A seguir, explicarei brevemente como alcançamos esse tipo de abordagem agentic corporativa saudável com nossa arquitetura de agentic AI neurossimbólica.

A Agentic AI Neurossimbólica da o9: o modelo 10–80–10 que inverte a arquitetura típica de agentes

A AI Neurossimbólica combina dois pontos fortes complementares: AI Neural e AI Simbólica. A AI Neural (como os LLMs) é excelente em compreender e sintetizar informações complexas e não estruturadas. A AI Simbólica é excelente em precisão, restrições, rastreabilidade e ancoragem nas "regras do jogo" da empresa. A combinação (neurossimbólica) entrega adaptabilidade e confiança ao mesmo tempo. A o9 projetou e implementou meticulosamente uma plataforma de agentic AI neurossimbólica de nível corporativo que funciona excepcionalmente bem para planejamento e execução empresarial.

A principal escolha de design da o9 é inverter a arquitetura típica de agentes. Muitos sistemas agentic delegam a maior parte do trabalho (≈80%) a um LLM e depois tentam corrigir a confiabilidade com workarounds de prompting e recuperação de dados. A o9 usa LLMs (neural) no primeiro e no último trecho (≈10% cada) e depende principalmente do Enterprise Knowledge Graph (simbólico) para o trecho intermediário (≈80%):

Assim, os agentes neurossimbólicos da o9 delegam apenas cerca de 20% do trabalho à AI Neural (primeiro + último trecho) e cerca de 80% à AI Simbólica (trecho intermediário). O 80-20 das arquiteturas típicas de agentes é invertido pela o9 para 20-80 (ou, mais precisamente, 10-80-10) para entregar agentic AI robusta e de nível corporativo.

Como uma arquitetura agentic típica 80-20 operaria no exemplo do situation card de estoque:

• O usuário pergunta: "Por que a Região Oeste acabou com excesso aqui e rupturas ali?"
  
• O agente piloto repassa a consulta do usuário junto com alguns exports/dashboards ao LLM, e o LLM responde com uma narrativa sobre o que aconteceu, especulando sobre o porquê e tentando uma proposta vaga de solução.
  
• Ele tem dificuldade em: (i) reconciliar múltiplas versões de planos, (ii) provar causalidade, (iii) respeitar os direitos de decisão, (iv) produzir ações prontas para decisão com restrições.
  
• Resultado: explicação interessante, baixa confiança, baixa acionabilidade → o piloto empaca.

Como nossa arquitetura agentic neurossimbólica 10-80-10 operaria no exemplo do situation card de estoque:

• Primeiro trecho (≈10%, LLM Neural): interpreta a pergunta executiva e constrói um problema estruturado: quais SKUs, quais nós, qual janela de tempo, qual baseline de plano, quais KPIs?
  
• Trecho intermediário (≈80%, Simbólico): executa raciocínio fundamentado entre planos, restrições, contexto de decisão e trade-offs para sequenciar: diagnosticar → projetar → prescrever de forma altamente estruturada e precisa.
  
• Último trecho (≈10%, LLM Neural): retorna um briefing pronto para o executivo: drivers ranqueados por impacto + ações recomendadas + justificativa em linguagem de negócio.

O trabalho pesado da AI Simbólica (trecho intermediário) é realizado nos quatro últimos componentes de cada agente de IA (construção de contexto, ferramentas/ações, loop de controle/cognição e segurança/avaliação), enquanto a AI Neural (primeiro e último trecho) atua no primeiro componente de cada agente de IA (o LLM).

Queremos enfatizar que a tecnologia de AI Simbólica do trecho intermediário é um investimento que fizemos ao longo dos últimos 15 anos. No entanto, o poder dessa tecnologia nem sempre foi facilmente acessível a quem não tinha expertise técnica para trabalhar com ela. Com o advento dos LLMs, conseguimos criar essa capacidade de agentic AI neurossimbólica ao combinar o rigor e a precisão da AI Simbólica (trecho intermediário) com as interfaces intuitivas e flexíveis da AI Neural (primeiro e último trecho). Isso significa que a linha de frente e os executivos podem acessar facilmente nossa poderosa AI Simbólica.

O Enterprise Knowledge Graph: como a o9 ancora os agentes na sua realidade de negócio

O Enterprise Knowledge Graph (EKG) é o nosso trecho intermediário de AI Simbólica — a espinha dorsal que torna os agentes aptos para o ambiente corporativo. Ele representa não apenas dados, mas como o valor flui, como os planos são criados, como as decisões são tomadas, como políticas e regras são aprendidas, e como a capacidade computacional é conectada e coordenada.

O EKG da o9 é um sistema de quatro camadas:

Essa arquitetura de quatro camadas é o que permite à o9 integrar horizontalmente (entre funções) e verticalmente (entre níveis de granularidade), e conectar planejamento à execução com portões de governança. Vamos desenvolver uma intuição melhor para as 4 camadas do EKG, ilustrando como cada uma contribui de forma diferente no contexto do exemplo do situation card de estoque:

• 1) Value-Chain Graph ("Qual é o estado real agora?"): A visão consistente dos planos de produto/localização/tempo versus resultados, mais as diretrizes e restrições financeiras relevantes.
  
• 2) Decision-Context Graph ("O que decidimos que nos levou até aqui?"): Quais decisões de alocação/reabastecimento/promoção foram tomadas, quando, por quem, sob quais premissas — e quais resultados se seguiram.
  
• 3) Learned-Rules Graph ("O que aprendemos para que não se repita?"): Converte padrões recorrentes de variação em políticas/playbooks (por exemplo, quando a volatilidade do forecast ultrapassa X, ajustar o estoque de segurança / políticas de reabastecimento / guardrails de promoção).
  
• 4) Connected-Compute Graph ("Como recalculamos rápido, apenas onde é necessário?"): Quando uma variação é detectada, aciona os analytics/otimização/cenários certos e atualiza apenas os cálculos impactados, mantendo o tempo de resposta baixo. Isso se mapeia diretamente aos gatilhos orientados a eventos sobre variações de "plano vs. real" e aos caminhos de raciocínio canônicos para diagnóstico, projeção, remediação e aprendizado.

Investimos no Enterprise Knowledge Graph por mais de 15 anos, mas seu poder nem sempre foi facilmente acessível além dos especialistas técnicos. Com o advento dos LLMs, conseguimos enriquecer o EKG com informações não estruturadas, como e-mails, notas de reunião, inteligência competitiva e conhecimento tribal da linha de frente.

Os LLMs interpretam essas informações e as anexam como evidências governadas a objetos corporativos — como produtos, clientes, decisões e políticas — transformando contexto disperso em memória corporativa duradoura. Ao mesmo tempo, os avanços na AI Neural fortaleceram o Connected-Compute Graph por meio de geração de código e design de software, criando uma relação complementar e simbiótica em que a AI Neural aprimora o EKG enquanto a AI Simbólica fornece o embasamento, a precisão e a governança necessários para decisões de nível corporativo.

Os 4Ws: recuperando o vazamento de valor com diagnóstico, remediação e aprendizado

A capacidade central do nosso framework de agentic AI Neurossimbólica é responder a quatro perguntas que todo líder sempre tem. Chamamos essas quatro perguntas de 4Ws:

• O que aconteceu, e por quê? (What happened, and why? — atribuição de variâncias e causa-raiz)
  
• Qual é o estado atual? (What is the current state? — um "nowcast" confiável da postura operacional e financeira)
  
• O que provavelmente acontecerá a seguir? (What is likely to happen next? — projeção prospectiva sob premissas e restrições alternativas)
  
• O que devemos fazer? (What should we do? — opções prontas para decisão, com trade-offs e ações recomendadas)

As respostas a esses 4Ws em aplicações de planejamento e execução são fornecidas pelos nossos agentes neurossimbólicos, gerando uma experiência executiva consistente do diagnóstico à ação, de forma rápida, confiável e cada vez mais autônoma. O diagnóstico/projeção/remediação do situation card de estoque que discutimos é um exemplo canônico de ser capaz de responder aos 4Ws. O mais crucial deles é a resposta à pergunta "o que aconteceu e por quê". Chamamos isso de Post-Game Analysis (PGA) e empregamos Causal AI Agents — agentes que atribuem resultados às decisões e drivers que os causaram — para realizar o PGA com precisão e alta confiança.

O PGA gera valor enorme de duas formas distintas:

• Agilidade: acelera o diagnóstico e a remediação. As equipes conseguem isolar rapidamente os drivers de um desvio e responder enquanto ainda há tempo de mudar os resultados. Por exemplo, quando o situation card de estoque mostra "excesso no DC1 + rupturas no DC3", o PGA consegue identificar com precisão se o desvio veio de mudanças na demanda, atrasos de fornecedores, política de alocação ou falha de execução — e acionar a correção certa (rebalancear o estoque, redirecionar o supply em trânsito, ajustar o reabastecimento ou pausar/reformular uma promoção) antes do fim do mês. Isso significa passar de uma cultura de "erramos a meta" para uma cultura de "sabemos por quê" com rapidez suficiente para recuperar valor: reduzir o capital de giro imobilizado em excesso de estoque, evitar vendas perdidas por rupturas e cortar expedites e apagões operacionais.
  
• Adaptabilidade: institucionaliza o aprendizado. Com o tempo, padrões recorrentes de PGA revelam biases sistêmicos e modos de falha recorrentes, que podem ser codificados em regras, guardrails e playbooks — para que a organização melhore a cada ciclo. Assim, assinaturas recorrentes de causa-raiz se tornam memória institucional: o que antes exigia esforços heroicos passa a ser prática operacional padrão — e os desvios diminuem, a volatilidade se torna gerenciável e o desempenho se acumula ao longo do tempo.

Como isso se parece na prática

Exemplo 1: Uma interrupção de fornecedor encontra uma decisão de preço e margem

Uma equipe de procurement descobre que um custo de insumo crítico deve aumentar entre 5% e 15% em dois meses devido a restrições regionais. A equipe comercial pergunta: devemos repassar os custos, redesenhar as promoções ou aceitar a pressão sobre a margem? A supply chain pergunta: qual postura de estoque devemos adotar agora para proteger o nível de serviço? Finanças pergunta: qual é o impacto no capital de giro e no EBITDA nos diferentes cenários?

Com a abordagem 10-80-10 da o9, os agentes traduzem as perguntas em análises estruturadas, executam cenários no Enterprise Knowledge Graph e retornam opções prontas para decisão com trade-offs claros.

Exemplo 2: Baixo desempenho de promoção e risco de estoque

Uma promoção está ativa, mas os sinais iniciais mostram que o lift está abaixo do esperado enquanto a profundidade dos descontos corrói as margens. O estoque está se acumulando em certas regiões, enquanto outras lojas correm risco de ruptura.

O PGA da o9 atribui as variações às versões específicas do plano e às premissas que estavam vigentes, e vincula os resultados de volta às decisões. Com o tempo, a empresa aprende quais padrões de promoção falham em quais condições e codifica guardrails aprimorados, reduzindo a diluição recorrente de margem e os write-offs. Trade-offs semelhantes de Integrated Business Planning & Execution (IBPE) surgem quando oportunidades de crescimento colidem com restrições de capacidade e diretrizes financeiras, exigindo que os líderes equilibrem receita, margem, nível de serviço e caixa de uma forma que a organização consiga realmente executar.

O que os líderes podem esperar: resultados, não teatro de IA

O objetivo não é implantar um chatbot. O objetivo é construir uma capacidade operacional que reduza o vazamento de valor e aumente a velocidade de decisão. Na prática, os líderes se concentram em resultados como:

• Ciclos mais rápidos do sinal à decisão e à execução, para que a organização responda enquanto ainda faz diferença.
  
• Melhor desempenho de plano a resultado em serviço, receita, margem e estoque, por meio de cenários de melhor qualidade e alinhamento de execução mais preciso.
  
• Um learning loop mensurável: decisões e premissas são rastreadas, resultados são atribuídos e políticas melhoram ao longo do tempo.
  
• Maior produtividade e maior autonomia: mais papéis conseguem acessar inteligência de decisão de forma assíncrona, sem depender de analistas especializados.

Um ponto de partida típico é um piloto focado em torno de um loop de decisão de alto valor (por exemplo, planejamento e desempenho de promoções, alocação com restrições, custo de atendimento e precificação, ou postura de estoque). Se você tem um desvio recorrente de plano a resultado que quer eliminar neste trimestre, comece por aí. O sucesso é definido em métricas de negócio, e o piloto é projetado para escalar entre domínios por meio do Enterprise Knowledge Graph compartilhado.

Em Davos, os líderes não perguntavam se a IA conseguia fazer coisas inteligentes — perguntavam se ela podia ser confiável para entregar resultados. O modelo APEX responde a essa pergunta incorporando a AI Neurossimbólica em práticas operacionais comprovadas: ancorando decisões na empresa, fechando loops de aprendizado e transformando VUCA de um passivo em vantagem competitiva.

Solicite uma demo ao vivo

Agende uma demonstração personalizada ao vivo com um de nossos especialistas.

solicitar demo