Tempo de leitura: 8 minutos. Autor: Hugo S. Nascimento.
Contexto: Em consultorias com equipes de engenharia de dados, frequentemente escuto a pergunta: se nos já temos tabelas relacionais no PostgreSQL e um banco vetorial no Pinecone, por que precisamos de uma ontologia? Aqui está a resposta técnica definitiva.
Bancos de dados relacionais foram desenhados para persistência eficiente e garantia de propriedades ACID em transações computacionais. Bancos vetoriais foram desenvolvidos para busca por similaridade semântica em textos não estruturados.
Nenhum dos dois foi concebido para fornecer a agentes de software o entendimento de intenção, semântica de negócio e limites de ação no mundo corporativo.
flowchart TD
subgraph DDL["Schema Fisico de Armazenamento DDL"]
D1["Tabela: Pedidos"]
D2["Tabela: ItensFatura"]
D3["Tabela: Pagamentos"]
end
subgraph ONTO["Camada de Ontologia Operacional"]
O1["Entidade: PedidoComercial"]
O2["Vinculo: Valida Limite de Credito do Fornecedor"]
O3["Governa: Maquina de Estados, Limites e Trilha de Auditoria"]
end
O Problema dos Schemas Legados Crípticos
Sistemas corporativos rodam sobre plataformas legadas como SAP ECC, SAP S/4HANA ou Totvs Protheus. Essas bases possuem colunas indecifráveis para um modelo de linguagem sem contexto operacional formal. Na tabela BSEG do SAP, Segmento de Documento Contabil, os campos são siglas opacas:
| Coluna Legada SAP | Tipo de Dado | Significado de Negócio |
|---|---|---|
MANDT |
VARCHAR 3 |
Mandante / Identificador da empresa |
BUKRS |
VARCHAR 4 |
Código da empresa |
BELNR |
VARCHAR 10 |
Número do documento contábil |
GJAHR |
NUMERIC 4 |
Exercício fiscal / Ano |
BUZEI |
NUMERIC 3 |
Linha do item no lançamento |
SHKZG |
VARCHAR 1 |
Indicador de Débito/Crédito S para debito e H para credito |
DMBTR |
NUMERIC 13 2 |
Montante em moeda local |
KOART |
VARCHAR 1 |
Tipo de conta D para Cliente, K para Fornecedor, S para Razao |
Um agente probabilístico inspecionando essa tabela não sabe o significado dessas siglas na legislação fiscal. Enviar dicionários gigantescos de dados esgota a janela de contexto e eleva as taxas de alucinação.
Ausência de Invariantes de Negócio nos Schemas Relacionais
Schemas de banco impõem restrições técnicas , a exemplo de tipos primitivos e chaves estrangeiras,, mas são cegos para regras dinâmicas de fluxo comercial.
Por exemplo, em uma tabela de pedidos armazenando ordem_id, cliente_id, status e valor_total, para o banco relacional alterar o status de PENDENTE diretamente para REEMBOLSADO sem passar por PAGO ou FATURADO é uma operação perfeitamente válida. O banco aceita a gravação e a contabilidade corporativa é corrompida.
Risco de Negação de Serviço por Consultas Ilimitadas
Conceder acesso SQL direto para um agente de IA e uma vulnerabilidade operacional grave. O modelo pode gerar consultas desindexadas cruzando milhões de registros—por exemplo, varrendo todo o histórico de pedidos com filtros de texto aberto filtrando por status pendente sem índices adequados.
Consultas desse tipo esgotam buffers de memória e travam a base de dados central em horário de pico.
Por Que Bancos Vetoriais Não Salvam a Operação
Bancos vetoriais são adequados para recuperar textos conceituais em manuais técnicos, mas totalmente incapazes de sustentar operações estruturadas:
flowchart TD
PRM["Prompt Executivo: Calcular total vencido de fornecedores Tier 1"] --> VEC["Recuperacao em Banco Vetorial<br>Extrai 10 trechos citando vencido e Tier 1"]
VEC --> ERR1["Ilusao Numerica: Modelo soma valores incorretamente"]
VEC --> ERR2["Cegueira Temporal: Confunde faturas antigas com vigentes"]
VEC --> ERR3["Sem Chaves Estrangeiras: Nao verifica liquidacao no ERP"]
[Agentes] x [a Gente] — Fora do hype, discutimos como Agentic AI multiplica e alavanca a capacidade laboral humana. Análises quinzenais publicadas na newsletter de Hugo S. Nascimento no LinkedIn com mais de 1.600 assinantes. Acompanhar no LinkedIn ↗
Comparação Estrutural entre Tecnologias
| Característica | Schema Relacional SQL | Banco de Dados Vetorial | Ontologia Operacional |
|---|---|---|---|
| Propósito Central | Armazenamento e persistência | Recuperação por similaridade | Ação autônoma e semântica |
| Representação | Tabelas, linhas e colunas | Embeddings em alta dimensão | Entidades, relações e ações |
| Compreensão de Regras | Chaves e restrições simples | Zero compreensão de regras | Invariantes de negócio formais |
| Capacidade de Ação | Requer queries manuais | Nenhuma capacidade de ação | Ferramentas executáveis com travas |
| Comportamento de IA | Alucinações frequentes de join | Respostas baseadas em proximidade | Execução determinística segura |
Comparação Arquitetural: Falha do DDL Relacional vs Blindagem da Ontologia
Considere a seguinte regra corporativa: uma empresa não pode emitir abatimento financeiro se o cliente estiver em disputa jurídica ou se o valor ultrapassar quinze por cento do pedido original.
Abordagem Frágil via Tabela Relacional
Em um banco de dados relacional comum, a tabela de memorando de crédito armazena memorando_id, ordem_id, cliente_id, valor e data_criacao.
Se o agente autônomo gerar um comando de inserção direta liberando R$ 45.000 para uma conta com pendência jurídica: - O banco aceita a gravação porque os tipos são válidos com UUIDs validos e valor numerico aceito. - A empresa sofre o prejuízo porque o banco não tem capacidade de avaliar o status judicial do cliente nem de calcular limites percentuais cruzados.
Abordagem Robusta via Ontologia Operacional
Na ontologia operacional, o agente nunca recebe permissão direta de inserção no banco. Ele invoca uma ação com contrato estrito denominada emitir_memorando_credito:
| Parâmetro da Ação | Tipo e Restrição | Invariante de Segurança Avaliado |
|---|---|---|
pedido_id |
Texto / UUID | Deve mapear para pedido comercial válido e faturado. |
cliente_id |
Texto / UUID | Vinculado ao cadastro mestre de compliance do cliente. |
valor_pedido_original |
Numérico decimal maior que zero | Valor extraído do pedido original liquidado. |
valor_credito_solicitado |
Numérico decimal maior que zero | Invariante de Teto: Não pode ultrapassar 15% do valor original. Valores superiores são abortados na hora. |
status_juridico |
Enum REGULAR ou DISPUTA_JUDICIAL | Bloqueio Legal Estatutário: Se estiver em DISPUTA_JUDICIAL, qualquer concessão financeira e sumariamente bloqueada. |
O Padrão de Fachada Ontológica
A ontologia deve se posicionar como fachada obrigatória de acesso aos sistemas de registro:
flowchart TD
AGT["Agente Autonomo de IA"] -->|Contratos Estritos MCP| FAC["Fachada de Ontologia Operacional<br>Validacao de Invariantes e Maquina de Estados"]
FAC -->|SQL Validado| PG["PostgreSQL de Producao"]
FAC -->|API Validada| SAP["SAP S/4HANA"]
FAC -->|Eventos CDC| CRM["Salesforce CRM"]
Recursos Estrategicos e Posts Relacionados
- O Que E uma Ontologia para Agentes de IA? O Guia Definitivo
- Palantir vs Databricks: Por Que Data Lakes Falham na Orquestracao de Agentes
- Por Que Agentes Falham: O Cemiterio de PoCs
- Conhecer o Agentic Bootcamp™ da hsnlabs
Artigo publicado originalmente em hsnlabs. Autor: Hugo S. Nascimento.