Resumo Técnico: X-SYNTH — Síntese de Contexto Empresarial a partir da Atenção Humana Observada

1. Declaração do Problema

Nas operações empresariais, o contexto necessário para que agentes de IA concluam tarefas complexas está disperso entre sistemas de registro, repositórios estáticos e canais de comunicação. As abordagens atuais predominantes dependem de Geração Aumentada por Recuperação (RAG), que corresponde o conteúdo da solicitação aos dados armazenados. Embora eficaz para consultas estreitas e orientadas a conteúdo (por exemplo, "Encontrar fatura INV-34231"), essa abordagem falha em tarefas agênicas complexas que exigem síntese a partir de evidências comportamentais dispersas.

O modo de falha central é a ausência de um sinal de relevância principista. Sistemas de recuperação padrão tratam os dados como texto estático, ignorando a "sequência ordenada de ações" e os "sinais de recompensa implícitos" que codificam como o trabalho realmente ocorre. Consequentemente, os agentes sofrem com baixas Taxas de Leads Verdadeiros (TLR) e altas Taxas de Leads Falsos (FLR), pois não conseguem distinguir entre ruído e padrões comportamentais causalmente relevantes específicos de uma organização, equipe ou indivíduo. O artigo argumenta que a síntese de contexto empresarial não é um problema de recuperação, mas um problema de relevância, onde a atenção humana serve como a verdade fundamental.

2. Metodologia: O Framework X-SYNTH

O X-SYNTH é um pipeline agênico de quatro etapas que fundamenta a síntese de contexto na atenção humana — definida como as assinaturas de interação observáveis digitalmente dos trabalhadores. O sistema modela a linha de base comportamental de cada indivíduo como uma Assinatura de Gêmeo Digital (DTS) e utiliza um roteador aprendido para selecionar entre sete filtros de atenção distintos.

Componentes Principais

A. Assinatura de Gêmeo Digital (DTS)
Para cada indivíduo $u$, o sistema mantém um perfil comportamental em rolagem $DTS(u, \tau)$ sobre uma janela $\tau$. Ele consiste em cinco componentes:

1. $v_{dom}$ (Atenção de Domínio): Concentração da atenção através dos domínios de trabalho.
2. $v_{rhythm}$ (Ritmo Comportamental): Estatísticas sobre tempo de permanência, re-visitas e transições.
3. $v_{base}$ (Linha de Base): Estatísticas de retrocesso estendido que estabelecem o "normal" do indivíduo.
4. $v_{resp}$ (Perfil de Responsabilidade): Propriedade de domínio inferida derivada da atividade, não de papéis declarados.
5. $v_{div}$ (Divergência): A diferença entre os padrões de atenção recentes e a linha de base de longo prazo.

B. Sete Filtros de Atenção
Um seletor de modalidade aprendido $f_\theta$ (um MLP de 3 camadas) mapeia uma consulta $q$ e a DTS do usuário para uma distribuição de probabilidade sobre sete filtros qualitativamente distintos:

1. Proporcional: Alto tempo de permanência sinaliza importância (atenção esperada).
2. Inverso: A ausência de atenção esperada sinaliza importância.
3. Diferencial: Desvio da própria linha de base do indivíduo sinaliza importância.
4. Recorrente: Retorno frequente a um artefato sinaliza importância.
5. Comparativo: Alternância rápida entre artefatos similares sinaliza avaliação ativa.
6. Sequencial: Desvios das sequências de fluxo de trabalho esperadas.
7. Coletivo: Agrega atenção através de uma coorte para encontrar consenso ou outliers.

C. O Pipeline de Quatro Etapas

1. Definição de Escopo do Sujeito: Identifica o conjunto-alvo de indivíduos $U_q$ com base na consulta.
2. Seleção de Modalidade: Para cada par $(q, u)$, o sistema calcula $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ para selecionar o(s) filtro(s) apropriado(s).
3. Recuperação e Pesagem: Os artefatos são classificados por uma pesagem combinada $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$. Isso garante que os artefatos sejam tanto relevantes em conteúdo quanto significativos comportamentalmente.
4. Síntese: Um LLM sintetiza a resposta usando as evidências classificadas e as anotações de modalidade.

D. Loop de Feedback
O sistema decompõe o feedback terminal em probabilidades de falha por nível de etapa. O seletor de modalidade é atualizado apenas quando a falha é atribuída à Etapa 2 (Seleção de Modalidade), impedindo que o sinal de treinamento seja poluído por erros de recuperação ou síntese.

3. Contribuições Principais

O artigo delineia quatro contribuições primárias:

1. Atenção Humana como Verdade Fundamental Comportamental: Operacionalizar a atenção humana como um sinal de relevância discriminativo e aprendível sem rótulos externos, codificado via DTS.
2. Framework de Modalidade de Atenção de Sete Filtros: Um conjunto estruturado de filtros qualitativamente distintos selecionados dinamicamente por indivíduo e consulta via um roteador leve.
3. Pipeline de Síntese Agênica de Quatro Etapas: Um fluxo de trabalho que integra definição de escopo do sujeito, seleção de modalidade individualizada, recuperação ponderada por atenção e síntese.
4. Loop de Feedback com Atribuição de Crédito: Um mecanismo para isolar e atualizar o seletor de modalidade apenas quando específico à má classificação de modalidade, garantindo sinais de treinamento limpos.

4. Avaliação e Resultados

O framework foi avaliado em um benchmark de 302 instâncias derivadas de rastros reais de interação digital de cinco trabalhadores do conhecimento de uma empresa Fortune 500 (210 instâncias positivas de oportunidades de negócios, 92 negativas).

Desempenho de Linha de Base:

• Um modelo de fronteira (Claude Opus 4.6) operando diretamente em sequências de interação brutas alcançou uma Taxa de Leads Verdadeiros (TLR) de 9,5% e uma Taxa de Leads Falsos (FLR) de 90,5%.
• Um modelo menor (GPT-4o-mini) alcançou uma TLR de 0%.

Desempenho do X-SYNTH:

• Modelo de Fronteira + X-SYNTH: A TLR aumentou para 61,9% (uma melhoria de 6,5×), capturando 130 dos 210 leads reais. A FLR caiu para 18,8%.
• Modelo Pequeno + X-SYNTH: A TLR aumentou de 0% para 57,1%, demonstrando que o framework pode tornar modelos menores funcionais para tarefas complexas.

Descobertas Qualitativas:

• Lacuna de Vocabulário: O X-SYNTH interpretou com sucesso abreviações específicas da organização (por exemplo, "FZ" para "Formal Zone") ao alavancar a DTS, enquanto a inferência direta falhou devido à falta de priores organizacionais.
• Escala e Seletividade: A inferência direta é inviável em escala devido ao volume de tokens (até 2,5 milhões de tokens/dia por vendedor). A recuperação seletiva do X-SYNTH torna a avaliação tratável.
• Integração Temporal: O X-SYNTH integrou com sucesso sinais através de múltiplos dias e indivíduos, enquanto janelas de um único dia perderam contexto crítico.

5. Significado e Alegações

O artigo alega que a síntese de contexto empresarial não é um problema de recuperação, mas um problema de relevância. A ausência de um sinal de relevância fundamentado no comportamento humano é o principal gargalo para agentes de IA empresariais, não a capacidade de raciocínio do LLM subjacente.

O X-SYNTH demonstra que, ao modelar linhas de base comportamentais individuais (DTS) e selecionar filtros de atenção dinamicamente, os sistemas podem:

• Recuperar relevância causal a partir de evidências comportamentais dispersas.
• Superar a "lacuna de vocabulário empresarial" ao fundamentar a inferência em priores organizacionais acumulados.
• Escalar para fluxos de interação de alto volume através de compressão fundamentada comportamentalmente em vez de correspondência de palavras-chave.

Os autores concluem que a atenção humana é a verdade fundamental mais confiável para a relevância empresarial, e que o X-SYNTH fornece um mecanismo principista para operacionalizar esse sinal, melhorando significativamente a utilidade dos agentes de IA em fluxos de trabalho empresariais complexos.