From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI

O artigo apresenta o LOM-action, um sistema de IA empresarial que utiliza simulação de ontologia orientada a eventos para gerar decisões auditáveis e precisas, superando significativamente os modelos de linguagem tradicionais ao substituir a alucinação por um processo determinístico de evolução de grafos.

O essencial

Imagine que você precisa tomar uma decisão importante na sua empresa, como aprovar uma viagem de negócios ou liberar um pagamento.

No mundo tradicional de Inteligência Artificial (IA), você perguntaria a um "robô superinteligente": "Qual é a melhor rota para essa viagem?". O robô, baseado em tudo o que aprendeu na internet, responderia de forma muito fluida e convincente: "A melhor rota é voar para Paris!".

O problema? O robô esqueceu de checar as regras da sua empresa. Talvez hoje o orçamento esteja cortado, ou talvez o funcionário que pediu a viagem não tenha autorização para voar para a França. O robô deu uma resposta "fluaente" (bonita de ler), mas insegura e inaudível. Ele não simulou o cenário real da sua empresa antes de responder.

O artigo que você enviou apresenta uma solução chamada LOM-action. Vamos explicar como ele funciona usando uma analogia simples:

1. O Problema: A "Ilusão de Precisão"

Os autores chamam isso de "Precisão Ilusória".
Imagine um aluno que tira 98% de nota em uma prova de matemática. Parece ótimo, certo? Mas, se você olhar o caderno dele, verá que ele não fez os cálculos. Ele apenas chutou as respostas certas porque "sentiu" que eram as corretas.

• Na IA: O modelo dá a resposta certa (98% de precisão), mas ignora as regras do jogo (as simulações). Se você precisar auditar como ele chegou lá, ele não tem um registro. É como um juiz que anuncia o vencedor sem ter assistido à partida.

2. A Solução: O "Simulador de Sandbox" (A Caixa de Areia)

O LOM-action muda a regra do jogo. Antes de responder a qualquer pergunta, ele não usa apenas o "cérebro" da IA. Ele usa uma Caixa de Areia (Sandbox).

Pense na Ontologia da Empresa (o conjunto de regras, contratos, hierarquias e políticas da sua empresa) como um mapa gigante e estático.

• O Evento: Quando algo acontece (ex: "Pedir reembolso de R$ 5.000"), é como se alguém jogasse uma pedra no mapa.
• A Simulação: O LOM-action não olha para o mapa original. Ele cria uma cópia temporária desse mapa (a Sandbox). Nessa cópia, ele aplica as regras específicas daquele momento:
  • "Ah, o funcionário é do departamento X, então ele só pode gastar até R$ 3.000."
  • "O contrato com a empresa de transporte Y está suspenso hoje."
  • "O chefe dele está de férias, então precisa de aprovação do vice."

O sistema muta (altera) essa cópia do mapa, removendo caminhos proibidos e adicionando novas regras, criando um "Mapa de Cenário Válido". Só depois que esse mapa é atualizado é que a IA toma a decisão.

3. O Processo em 3 Passos (O Caminho da Verdade)

O sistema funciona como uma linha de montagem rigorosa:

1. Análise do Cenário (O Tradutor):
   O sistema recebe o evento (ex: o pedido de reembolso) e traduz isso para as regras da empresa. Ele pergunta: "Quais regras ativam agora?".
2. Simulação na Caixa de Areia (O Arquiteto):
   Ele vai para a "Caixa de Areia" e altera o mapa. Se o mapa original tinha 100 caminhos, e as regras atuais bloqueiam 90, o sistema remove esses 90 caminhos na cópia. Agora, só restam os 10 caminhos permitidos.
   • Importante: O mapa original da empresa nunca é tocado. É tudo numa cópia segura.
3. Decisão (O Juiz):
   Só agora a IA olha para o mapa modificado (a cópia) e diz: "Olha, neste mapa específico, o único caminho possível é o A".
   • O Rastro de Auditoria: Como o sistema fez isso passo a passo na caixa de areia, ele gera um "recibo" completo. Você pode ver exatamente quais regras foram aplicadas e por que o caminho B foi bloqueado.

4. Os Dois Modos de Trabalho

O sistema é inteligente e tem dois "modos":

• Modo de Habilidade (Skill Mode): Se a tarefa for comum (ex: "verificar saldo"), ele usa ferramentas prontas e registradas. É rápido e seguro.
• Modo de Raciocínio (Reasoning Mode): Se a tarefa for nova e complexa (ex: "como redistribuir tarefas se o departamento X for dissolvido?"), ele usa o mapa modificado para "pensar" e calcular a solução, mas sempre dentro das regras.

5. Por que isso é revolucionário?

Os testes mostraram algo incrível:

• As IAs comuns (como as que você usa no dia a dia) acertaram a resposta final em 80% dos casos, mas falharam em 100% em seguir o processo correto (F1 score baixo). Elas "chutaram" a resposta certa sem seguir as regras.
• O LOM-action acertou 93% das respostas e, mais importante, seguiu o processo correto em 98% dos casos.

A Lição Final:
Para empresas, não basta a resposta ser bonita ou correta por acaso. A resposta precisa ser audível (possuir um rastro de como foi feita) e segura (respeitar as regras do momento).

O LOM-action ensina a IA a não ser apenas um "oráculo" que chuta respostas, mas sim um engenheiro que constrói um cenário, testa as regras e só então entrega a solução. É a diferença entre ter um funcionário que sabe tudo de cor, mas ignora o manual de instruções, e um funcionário que lê o manual, ajusta o plano e só então executa a tarefa.

Resumo técnico

Título: De Eventos de Negócios a Decisões Auditáveis: Simulação de Grafos Governada por Ontologia para IA Empresarial

1. O Problema: A Falha Arquitetural dos Agentes de IA Atuais

O artigo identifica uma falha crítica comum nos sistemas de agentes baseados em Grandes Modelos de Linguagem (LLMs) atuais: eles respondem a partir de um espaço de conhecimento irrestrito sem simular primeiro como os cenários de negócios ativos remodelam esse espaço para o evento em questão.

• Ilusão de Precisão (Illusive Accuracy): Modelos de ponta (como Doubao-1.8 e DeepSeek-V3.2) podem atingir alta precisão na resposta final (ex: 80%), mas falham em seguir o raciocínio correto baseado no contexto específico da empresa. Eles geram respostas fluentes, mas "desancoradas" (ungrounded), sem rastro de auditoria.
• Falta de Evolução do Ontologia: Decisões empresariais não são feitas sobre uma ontologia estática, mas sobre uma versão evoluída dela, moldada por condições ativas (ex: contratos de transporte vigentes, políticas de gastos, escopo organizacional do usuário). LLMs genéricos não possuem mecanismos para evoluir o grafo de conhecimento antes de tomar uma decisão.
• Ausência de Auditoria: Decisões tomadas sem simulação não possuem um rastro de auditoria verificável, o que é inaceitável para governança corporativa.

2. Metodologia: LOM-action

O artigo propõe o LOM-action, um sistema que equipa a IA empresarial com simulação de ontologia orientada a eventos. A arquitetura inverte a lógica tradicional: em vez de o LLM ter autoridade total, a Ontologia Empresarial (EO) é a autoridade, e o LLM atua como um "arnês" (harness) de execução.

O Pipeline Principal (Evento → Simulação → Decisão):
O sistema opera em três fases estritamente ordenadas:

1. Fase 1: Análise de Cenário (Scenario Parsing):

   • O sistema recebe um evento de dados estruturado e alinha-o às semânticas da Ontologia Empresarial (EO).
   • Identifica as condições de cenário ativas ($\mathcal{R}$) embutidas no evento.
   • Para cenários complexos, gera um "programa de cenário": uma sequência ordenada de operações de sandbox (ex: filtrar nós, reponderar arestas) que implementam a lógica condicional do negócio.

2. Fase 2: Simulação em Sandbox (Sandbox Simulation):

   • Uma cópia de trabalho do grafo da ontologia é instanciada em um ambiente isolado (sandbox), identificada por um graph_id.
   • As condições de cenário ($\mathcal{R}$) são aplicadas deterministicamente a esta cópia, mutando o grafo (removendo nós/arestas não autorizados ou adicionando novos) para criar o Grafo de Simulação Válido ($G_{sim}$).
   • Princípio Fundamental: Nenhuma decisão pode ser derivada antes que este grafo evoluído exista. A ontologia original nunca é tocada; apenas a cópia da sessão é modificada.

3. Fase 3: Derivação de Decisão:

   • O modelo executa chamadas de ferramentas (ferramentas de caminho mais curto, conectividade, etc.) estritamente sobre o $G_{sim}$.
   • O resultado é registrado em um log de decisão totalmente rastreável e replayável.

Arquitetura de Duplo Modo:

• Modo de Habilidade (Skill Mode): Se o cenário corresponde a uma habilidade registrada na ontologia, o sistema executa chamadas de ferramentas diretas no sandbox. O grafo bruto nunca entra no contexto do LLM.
• Modo de Raciocínio (Reasoning Mode): Se não há habilidade registrada para uma computação nova, o sistema funde o estado do grafo evoluído e o carrega no contexto do LLM para raciocínio in-contexto, minimizando ruído através de fusão de grafos.

Gestão de Estado e Contexto:
O sistema resolve o problema de contexto infinito substituindo o histórico de conversas bruto por deltas de subgrafos tipados (triplos) ancorados na ontologia. Isso garante invariância posicional da sessão: o mesmo evento no mesmo estado ontológico produz a mesma decisão, independentemente do número de turnos de conversa.

3. Contribuições Chave

1. Inovação em Simulação de Cenário: A introdução de predicados de restrição autorizados pela EO que dirigem mutações determinísticas de grafos em sandbox antes de qualquer decisão. Isso fecha a "lacuna de simulação" deixada por LLMs de ponta.
2. Inovação em Derivação de Decisão: O pipeline estrito Evento → Simulação → Decisão com arquitetura de duplo modo, garantindo que cada decisão tenha um rastro de auditoria completo e replayável.
3. Princípio "Simulação Primeiro" e Índice de Precisão Ilusiva:
   • Definição do princípio de que a melhor decisão é aquela derivável apenas do grafo de simulação válido.
   • Introdução do índice IA(M) = Acc(M) - F1_chain(M) para quantificar a "precisão ilusiva". Um alto Acc com baixo F1_chain indica que o modelo acertou por acaso, sem seguir o processo de simulação correto.

4. Resultados Experimentais

O sistema foi avaliado em um benchmark com 11 tarefas (2.200 amostras de treino, 1.100 de teste) contra dois modelos de ponta (Doubao-1.8 e DeepSeek-V3.2) em modo zero-shot.

• Precisão (Accuracy): LOM-action atingiu 93,82%, superando os baselines (~80%).
• F1 da Cadeia de Ferramentas (Tool-Chain F1): Esta é a métrica crítica.
  • LOM-action: 98,74%.
  • Baselines: Apenas 24,42% (Doubao) e 36,21% (DeepSeek).
• Fenômeno de Precisão Ilusiva:
  • Nos baselines, em tarefas de travessia básica, a precisão foi de ~99%, mas o F1 foi 0,00. Isso significa que eles deram a resposta correta sem executar as chamadas de ferramentas necessárias para simular o cenário (bypassando a sandbox).
  • Em tarefas de simulação de cenário (ex: restrições de conexão), o LOM-action manteve 100% de precisão e alto F1, enquanto os baselines caíram para ~66% de precisão e ~35% de F1, falhando ao tentar responder sobre o grafo estático em vez do grafo evoluído.
• Vantagem Arquitetural: A vantagem de 4x no F1 confirma que a governança por ontologia e a simulação orientada a eventos são pré-requisitos arquitetônicos para inteligência de decisão confiável, superando a simples escala do modelo.

5. Significado e Implicações

• Mudança de Paradigma: O trabalho demonstra que para IA empresarial, a arquitetura (simulação e governança) é mais importante do que o tamanho do modelo. Modelos grandes sem simulação são inadequados para decisões auditáveis.
• Auditabilidade e Conformidade: O sistema transforma decisões de IA em atos ontológicos auditáveis. Cada decisão pode ser reexecutada e verificada contra o estado exato do grafo de simulação no momento da decisão.
• Princípio de "Simulação Primeiro": Estabelece que a otimização de respostas só deve ocorrer após a definição correta do espaço de busca (o grafo de simulação). Tentar otimizar antes da simulação leva a respostas fluentes, mas incorretas do ponto de vista de governança.
• Caminho para Produção: O artigo propõe princípios de implantação, incluindo o uso de "Human-in-the-Loop" (HITL) apenas para alinhamento de intenção (para evitar alucinações de escopo) e a preferência por modelos menores e fine-tuned (LOM) sobre modelos de fronteira genéricos para garantir o respeito à autoridade ontológica.

Em resumo, o LOM-action resolve o problema da "alucinação corporativa" ao forçar a IA a simular o estado do negócio antes de responder, garantindo que as decisões sejam não apenas precisas, mas também fundamentadas, auditáveis e conformes às regras da empresa.