💻 computer science

BoardroomAI: Dependency-Aware Human-Steerable Multi-Agent Deliberation through Evolving Decision Graphs

A BoardroomAI introduz um framework de deliberação multiagente dependente de dependências e controlável por humanos que utiliza grafos de decisão evolutivos para permitir a intervenção humana persistente, permitindo a recomputação eficiente e seletiva dos caminhos de raciocínio afetados enquanto preserva artefatos não afetados e garante a validade da decisão.

Autores originais: Sanjeev Manivannan

Publicado 2026-08-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Sanjeev Manivannan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os computadores não apenas respondem a perguntas como uma máquina de vendas, mas realmente se sentam à mesa para refletir sobre problemas conosco. Este é o reino dos sistemas multiagentes, onde diferentes programas de computador (ou "agentes") atuam como especialistas — digamos, um advogado, um engenheiro e um gerente de orçamento — conversando entre si para resolver um quebra-cabeça complexo. Normalmente, quando um humano quer mudar as regras no meio do caminho, o computador tem que ou descartar toda a conversa e começar do zero (desperdiçando tempo e energia) ou tentar, de forma desajeitada, anexar a nova regra ao final da conversa, o que frequentemente leva a respostas confusas e contraditórias. A grande questão que os pesquisadores estão fazendo é: Como podemos construir uma equipe de agentes de IA que escute um chefe humano, mude de ideia no meio da frase e conserte apenas as partes quebradas do plano sem descartar todo o resto?

Apresentamos o BoardroomAI, um novo sistema que trata uma decisão em grupo não como uma transcrição longa e bagunçada de uma reunião, mas como um grafo de decisão vivo e pulsante. Pense neste grafo como um mapa gigante e intrincado de uma cidade. Cada "nó" no mapa é uma peça do quebra-c cabeça (um fato, uma regra, um risco ou uma escolha), e as "estradas" que os conectam mostram como uma peça depende da outra. Em uma reunião normal, se o CEO diz: "Na verdade, nosso orçamento foi cortado pela metade", todo o mapa pode precisar ser redesenhado. Mas o BoardroomAI é diferente. Ele sabe exatamente quais estradas levam ao orçamento e quais não levam. Quando o orçamento muda, ele apenas redireciona o tráfego nas ruas afetadas, deixando o resto da cidade (os conselhos jurídicos, os planos de marketing, as verificações de segurança) exatamente como estava.

Os pesquisadores construíram este sistema para ver se conseguiam tornar as equipes de IA "direcionáveis" por humanos. Eles criaram uma linguagem especial para a IA usar, onde cada ação humana — como desafiar uma suposição ou mudar uma prioridade — é traduzida em uma atualização precisa no mapa. O sistema então verifica: "Se esta estrada estiver fechada, quais outras estradas serão bloqueadas?" Ele acorda apenas os agentes "especialistas" específicos necessários para consertar as partes quebradas, em vez de acordar toda a equipe.

Em seus experimentos, a equipe testou isso em 600 mapas de decisão simulados. Os resultados foram impressionantes: quando ocorria uma mudança, o sistema identificava corretamente quais partes precisavam de reparos e quais poderiam permanecer intactas, inspecionando apenas 14,59% do total de nós. Isso significa que economizou uma quantidade massiva de trabalho em comparação com o início do zero. No entanto, havia um porém. Em um teste menor e mais realista com 12 cenários diferentes, o sistema foi ótimo em saber o que consertar, mas às vezes encontrava um obstáculo. Em 6 de 12 casos, o sistema decidiu que não poderia tomar uma decisão final porque o pacote de "correção" não continha contexto suficiente para reconstruir o quadro completo. Era como ter um mecânico que sabe exatamente qual parafuso está solto, mas não tem o manual para saber como o motor deve funcionar depois.

O artigo sugere que, para a IA realmente trabalhar como uma parceira humana em uma sala de diretoria, ela precisa de mais do que apenas um bom mapa; ela precisa de um pacote de informações "decisório-suficiente" que inclua todas as regras e o contexto necessários para concluir o trabalho. Embora o sistema tenha provado que pode rotear mudanças de forma eficiente e economizar tempo, os pesquisadores admitem que isso ainda é um protótipo. Eles não o testaram em empresas reais ou com humanos reais ainda, e descobriram que simplesmente saber onde consertar nem sempre é suficiente para fazer o conserto funcionar. Mas a ideia é sólida: em vez de um computador que esquece tudo quando você muda de ideia, em breve poderemos ter uma equipe digital que lembra o que ainda está funcionando e apenas conserta o que está quebrado.

Resumo Técnico: BoardroomAI

Definição do Problema
Sistemas multiagentes convencionais operam tipicamente em um modelo baseado em transcrição, no qual um humano fornece um prompt inicial, os agentes deliberam internamente e o sistema retorna uma resposta final. Essa abordagem carece de responsabilidade (accountability) e adaptabilidade em configurações organizacionais dinâmicas. Se um humano intervém no meio do processo (por exemplo, alterando um orçamento, retirando uma evidência ou levantando uma objeção ética), os sistemas convencionais enfrentam um dilema: ou reiniciam toda a discussão (desperdiçando trabalho e arriscando o desvio estocástico em conclusões não relacionadas) ou acrescentam a mudança a uma transcrição sem garantir que todos os artefatos dependentes sejam revisitados. O problema central de pesquisa é o roteamento de revisão (revision routing): determinar precisamente quais afirmações, suposições, restrições e decisões mudam de status semântico após uma intervenção, quais artefatos exigem revisão ou invalidação, quais artefatos não afetados devem ser preservados e quais agentes especialistas devem ser reativados.

Metodologia
O BoardroomAI operacionaliza a co-criação humano-agente por meio de um grafo de decisão consciente de dependências em vez de uma transcrição linear. O sistema trata o estado da deliberação como um multigrafo direcionado tipado ( $G_t$ ), onde os nós representam evidências, suposições, restrições, afirmações, objeções, alternativas, riscos e decisões. As arestas representam dependências semânticas (ex: requer, suporta, refuta, enfraquece) e responsabilidades de especialistas.

O framework consiste em quatro componentes primários:

Grafo de Decisão Tipado: Os nós mantêm status (ativo, enfraquecido, contestado, obsoleto, etc.) e Ambientes de Justificação Mínima (conjuntos de literais de suporte). Um nó permanece válido se pelo menos um de seus ambientes de justificação estiver ativo e não for enfraquecido.
Compilador de Intervenção: Converte ações humanas confirmadas (adicionar, retirar, substituir, contestar, priorizar, sobrepor) em deltas explícitos de grafo ( $\Delta_h$ ). Essas operações atualizam os status dos nós e as relações de arestas sem apagar o histórico.
Propagação Consciente de Dependências: Após uma intervenção, o sistema computa um conjunto de impacto de ponto fixo mínimo ( $I_h$ ). Ele propaga as mudanças apenas através das dependências afetadas, reavaliando a "assinatura semântica" dos nós subsequentes. Se a assinatura de um nó (ambientes ativos, ataques, status) mudar, ele é marcado para reparo. Nós não afetados são preservados com base em suas assinaturas semânticas validadas.
Reparo de Especialista Seletivo: O sistema formula o reparo como um problema de cobertura de conjuntos ponderados com orçamento (budgeted weighted set-cover problem). Ele roteia obrigações específicas (reestimar, recuperar, adjudicar) para os agentes especialistas relevantes. O framework propõe um conceito de Fechamento de Decisão Suficiente (DSC - Decision-Sufficient Closure), que define o contexto de fronteira necessário (restrições rígidas, rubricas, alternativas, riscos e evidências) para reconstruir uma decisão válida, embora este mecanismo de fechamento específico ainda não tenha sido avaliado nos experimentos relatados.

Principais Contribuições
O artigo reivindica quatro contribuições específicas do sistema:

Representação de Grafo de Decisão: Uma semântica formal para grafos de decisão que suporta ambientes de justificação mínima alternativos, permitindo que afirmações apoiadas de forma independente sobrevivam à invalidação parcial.
Intervenções Humanas Tipadas: Uma formalização da entrada humana como operações de grafo tipadas (invalidação, enfraquecimento, contestação, sobreposição) em vez de texto não estruturado.
Reparo de Especialista Seletivo: Um mecanismo que propaga o impacto através do grafo, reativando apenas os especialistas afetados, com um recuo conservador para a redeliberação total caso o reparo seja insuficiente.
Avaliação DynaBoard: Um piloto sintético de 12 casos projetado para avaliar o roteamento e a preservação independentemente da qualidade da decisão final.

Resultados Experimentais
A avaliação é dividida em validação sintética de nível de mecanismo e um piloto exploratório de agentes:

Nível de Mecanismo (600 DAGs de Decisão): Em grafos acíclicos sintéticos com anotações completas de dependência, o mecanismo de propagação proposto alcançou 100% de precisão e recall na identificação do conjunto de impacto em comparação com a recomputação exaustiva. Ele inspecionou apenas 14,59% dos nós (comparado a 100% para reinícios totais) e preservou 89,96% dos nós não afetados. Em testes de estresse com arestas deletadas aleatoriamente (simulando dependências ausentes), o recall caiu conforme as taxas de deleção aumentavam, destacando a dependência da extração precisa de dependências.
Piloto de Agente Exploratório (12 Casos): Usando um roteador não-LLM e agentes LLM, a abordagem de reparo seletivo (Condição C4) preservou 100% dos nós ouro-não-afetados e reduziu as ativações de especialistas em 11,11%, recomputando apenas 62,11% dos artefatos canônicos. No entanto, o sistema absteve-se (falhou em produzir uma decisão) em 50% dos casos.
- Razão para a Abstenção: As abstenções ocorreram não por causa de um roteamento incorreto, mas porque o pacote de reparo roteado carecia de contexto suficiente (restrições, rubricas, alternativas) para que o sintetizador pudesse reconstruir uma decisão globalmente consistente. Esta observação motivou a formalização do requisito de Fechamento de Decisão Suficiente, que é proposto como uma correção de design, mas que ainda não foi avaliado nos resultados relatados.

Significância e Alegações
O artigo enquadra modestamente sua contribuição como um mecanismo falsificável para deliberação multiagente consciente de dependências e controlável por humanos, em vez de uma demonstração de superioridade organizacional geral ou de estado da arte em qualidade de decisão.

Insight Central: O roteamento correto de impacto é necessário, mas não suficiente para o sucesso do reparo seletivo; o sistema também deve garantir que o contexto de decisão suficiente seja fornecido ao sintetizador.
Limitações: O protótipo atual é baseado em linguagem e grafos, não multimodal. A avaliação é sintética e de nível de protótipo; ela não testa o processamento de linguagem natural irrestrito, a compreensão humana ou a robustez a intervenções ambíguas. O fechamento de decisão suficiente proposto ainda não foi avaliado.
Conclusão: O BoardroomAI demonstra que tratar as intervenções humanas como operações explícitas em um grafo de decisão compartilhado permite a preservação do raciocínio válido e da proveniência, minimizando a recomputação desnecessária. No entanto, o "resultado negativo" do piloto (alta taxa de abstenção devido ao contexto insuficiente) serve como uma restrição de design crítica para sistemas futuros: os pacotes de reparo devem ser fechados com todas as condições de fronteira necessárias para serem acionáveis.

Mais como este