RECON: A Recipe-Driven, Evidence-Fused, Neuro-Symbolic Multi-Agent Architecture for Autonomous Document Compliance Auditing across Heterogeneous Enterprise Repositories

Resumo Técnico: Arquitetura RECON para Auditoria Autônoma de Conformidade de Documentos

Declaração do Problema
A auditoria de conformidade de documentos em empresas reguladas é atualmente caracterizada por processos de revisão manuais que são lentos, inconsistentes e difíceis de defender. Revisores humanos frequentemente discordam sobre cláusulas limítrofes e raramente produzem uma trilha de auditoria verificável que explique por que um documento passou ou falhou. As abordagens de automação existentes sofrem de limitações distintas:

• Motores de Regras Simbólicas: Embora precisos e determinísticos, falham em detectar linguagem parafraseada, variações lexicais ou redações de "quase erro" (near-miss), exigindo um esforço significativo de engenharia para cada novo regime regulatório.
• Pipelines de Grandes Modelos de Linguagem (LLM): Embora flexíveis e capazes de compreensão semântica, são propensos a alucinações, deriva de saída (output drift) entre execuções e falta de evidência rastreável que vincule os achados ao texto de origem.
• Lacunas Sistêmicas: As soluções atuais carecem de extensibilidade sem código (exigindo desenvolvedores para novas regras), fusão de evidências fundamentada (levando a contagens duplas ou contradições) e garantias de integridade (permitindo a alteração silenciosa de registros de auditoria).

Metodologia e Arquitetura
O artigo apresenta o RECON (Orquestração de Conformidade com Verificação Neuro-simbólica, baseada em Receitas e Fusão de Evidências), uma arquitetura multiagente neuro-simbólica projetada para abordar essas lacunas. O sistema é construído sobre uma metodologia de Pesquisa de Ciência do Design e é avaliado via uma abordagem de métodos mistos envolvendo caminhadas de especialistas (expert walkthroughs) e testes quantitativos em um corpus empresarial.

A arquitetura consiste nos seguintes componentes principais:

1. Camada de Receita Declarativa: Os regimes de conformidade são definidos em arquivos YAML, em vez de código. Isso permite que os proprietários de controle redijam regras, sobreposições de papéis de agentes, pesos de pontuação e parâmetros de recuperação sem alterações programáticas.
2. Equipe de Cinco Agentes: Configurada dinamicamente a partir da receita, os agentes incluem:
   • Investigador: Classifica documentos e atribui relevância.
   • Extrator: Coleta texto, tabelas e entidades (com fallback de OCR para documentos digitalizados).
   • Auditor: Avalia regras contra a evidência recuperada.
   • Pontuador (Scorer): Calcula pontuações limitadas e bandas de veredito.
   • Relator: Formata a saída.
   • Memória: Um armazenamento trans-execução permite o início rápido (warm-starting) em tipos de documentos recorrentes.
3. Motor de Fusão de Evidências de Triplo Sinal: Esta é a inovação central, fundindo achados de três sinais independentes:
   • Camada Simbólica Determinística: Aplica regex, testes de palavras-chave e restrições estruturais com alta precisão.
   • Camada de Quase Erro Difusa (Fuzzy Near-Miss): Utiliza correspondência aproximada de strings (ex: Jaro-Winkler) para sinalizar redações que estão próximas, mas não exatamente iguais, a uma regra.
   • Camada Agêntica de LLM: Utiliza Geração Aumentada de Recuperação (RAG) com recuperação híbrida (combinando pontuações de vetores densos e esparsos BM25) para raciocinar sobre o contexto semântico.
   • Lógica de Fusão: O motor une os três conjuntos de achados e os desduplica com base em um identificador de regra, retendo a instância de maior confiança para cada problema distinto, enquanto preserva as sinalizações de "quase erro" para revisão humana.
4. Mecanismos de Integridade e Confiança:
   • Livro de Registro à Prova de Violação (Tamper-Evident Ledger): Cada evento de auditoria é escrito em um livro de registro de anexação exclusiva (append-only) encadeado por hashes SHA-256. Qualquer alteração quebra a cadeia, fornecendo prova criptográfica de integridade.
   • Intervalo de Confiança (CI) Consciente de Evidência: Uma fórmula heurística calcula a semi-amplitude do CI que diminui à medida que o tamanho do corpus e a contagem de achados aumentam, fornecendo uma sensação calibrada de certeza em vez de uma estimativa pontual falsa.
5. Conectividade Heterogênea: Uma malha de Protocolo de Contexto de Modelo (MCP) conecta-se a diversos repositórios (S3, SharePoint, Azure Blob, etc.) enquanto retém a procedência da fonte para cada achado.

Principais Contribuições
O artigo reivindica cinco contribções primárias:

1. Extensibilidade Declarativa: Um sistema de receita baseado em YAML que permite que não-programadores definam e implantem novos regimes de conformidade instantaneamente.
2. Fusão de Triplo Sinal: Um método fundamentado para fundir achados determinísticos, difusos e agênticos em um único conjunto desduplicado, evitando contagem dupla enquanto maximiza o recall.
3. Vereditos Calibrados: O pareamento de um veredito com um intervalo de confiança dinâmico que reflete o volume de evidências de suporte.
4. Integridade Verificável: A integração de um livro de registro encadeado por hash para garantir que os registros de auditoria sejam à prova de violação.
5. Validação Empírica: Uma avaliação em um corpus misto de 43 documentos empresariais (contratos, registros de tesouraria, manuais de política) demonstrando o comportamento do sistema e a eficácia de suas ablações.

Resultos
O sistema foi avaliado contra uma referência rotulada por humanos e três baselines (Apenas Regra, Apenas LLM, Apenas RAG) em um corpus de 43 documentos:

• Desempenho: A fusão total do RECON alcançou uma Precisão de 0,91 e um Recall de 0,88 (F1 = 0,89).
  • O baseline de Apenas Regra teve alta precisão (0,94), mas baixo recall (0,61), perdendo cláusulas parafraseadas.
  • O baseline de Apenas LLM teve maior recall (0,78), mas menor precisão (0,69) e exibiu instabilidade entre execuções.
  • O baseline de Apenas RAG melhorou o recall (0,83), mas ainda ficou atrás na precisão (0,77).
• Estudos de Ablação: Remover o sinal determinístico fez a precisão cair para 0,78. Remover o sinal difuso reduziu o recall em cláusulas de quase erro. Remover o sinal agêntico reduziu o recall em redações semanticamente equivalentes. Isso confirma que os sinais são complementares.
• Intervalos de Confiança: À medida que o tamanho do corpus cresceu de 3 para 43 documentos, a semi-amplitude do intervalo de confiança diminuiu monotonicamente de 8 para 2, alinhando-se com a expectativa teórica de que bases de evidências maiores geram maior certeza.
• Integridade: O livro de registro encadeado por hash detectou com sucesso a violação em testes simulados, pois qualquer modificação em um registro alterava todos os hashes subsequentes.

Significância e Alegações
O artigo alega modestamente que o RECON demonstra um caminho viável para decisões de conformidade reproduzíveis e defensáveis. Argumenta-se que o pareamento específico de precisão simbólica com recall neural, sustentado por um registro verificável e um intervalo calibrado, aborda as lacunas críticas na tecnologia regulatória atual.

Os autores enfatizam que o sistema não pretende ser uma solução perfeita e de propósito geral, mas sim uma prova de conceito que:

• Desloca a autoria do regime das equipes de engenharia para os proprietários de controle.
• Fornece aos auditores um artefato rastreável e à prova de violação em vez de um veredito de "caixa preta".
• Equilibra o compromisso (trade-off) entre precisão e recall de forma mais eficaz do que abordagens de sinal único.

O artigo conclui com cautela, observando que os resultados baseiam-se em um estudo piloto dentro de um único domínio bancário (43 documentos) e devem ser vistos como indicativos de direções de efeito, em vez de estimativas populacionais definitivas. O trabalho futuro proposto inclui loops de aprendizado ativo, calibradores aprendidos e implantações multi-organizacionais maiores.