Context Graph: pesquisadores ensinam agentes de IA corporativos a trabalhar sem serem perguntados

Em 10 de julho de 2026, uma equipe de pesquisadores publicou no arXiv um artigo sobre o Context Graph, uma estrutura de dados relacional viva que leva os agentes de IA corporativos do modo passivo, de "esperar a pergunta", para um modo proativo. Em testes com três cenários de negócios, o tempo médio para obter a informação necessária caiu de 47 minutos para menos de 30 segundos.

Por que o modo reativo atrasa a IA corporativa

Os autores apontam um problema fundamental dos sistemas RAG e dos frameworks de agentes atuais: eles esperam uma consulta. O funcionário precisa perceber que precisa de informação, formulá-la corretamente e recorrer ao sistema, o que gera um atraso de minutos a horas. Além disso, boa parte dos sinais críticos se perde: a pessoa simplesmente não sabia que deveria perguntar, ou estava ocupada com outra tarefa quando o evento importante ocorreu.

O Context Graph muda essa lógica de forma radical. Em vez de responder a uma consulta, o sistema constrói um modelo vivo da empresa e envia uma notificação por conta própria quando surge uma mudança significativa. O grafo armazena objetos de negócio (contratos, incidentes, negócios, tarefas), suas relações e o histórico de transições entre estados. Tudo é atualizado continuamente, em tempo real, sem participação do usuário.

Como funcionam os três componentes do sistema

A arquitetura do Context Graph tem três camadas sequenciais, cada uma com um papel próprio na cadeia que vai do evento à notificação:

• Delta Detection Engine monitora continuamente o grafo em busca de mudanças: atualizações de status, trocas de responsável, novas relações, descumprimento de prazos. É esse componente que "percebe" que algo aconteceu.
• Proactivity Scorer classifica as notificações possíveis por três parâmetros: urgência do evento, relevância para o usuário específico e adequação ao seu papel e contexto (persona-fit). Os autores derivaram uma fórmula única, o Proactivity Score, que combina os três indicadores em uma só prioridade numérica.
• Surfacing Layer: um LLM gera a mensagem final para o funcionário, com justificativa e contexto extraído do grafo. Na implementação dos autores, essa camada fica a cargo da API do Anthropic Claude.

Toda a implementação em Python é baseada em NetworkX e está incluída por inteiro no texto do artigo. Dá para reproduzi-la do zero, sem dependências adicionais.

O que mostraram os três casos corporativos

O sistema foi testado em três cenários deliberadamente "genéricos", para demonstrar a universalidade da arquitetura, e não sua adaptação a um setor específico:

• Gestão do ciclo de vida de contratos: acompanhamento de status, prazos e trocas de responsável
• Resposta a incidentes em equipes de engenharia: escalonamento precoce antes que o desenvolvedor "note" o problema
• Acompanhamento da "higiene" do pipeline de vendas: monitoramento de negócios parados e atividades não realizadas

Métricas finais em comparação com o modo reativo de referência:

• Precision@5 = 0,83: entre as 5 primeiras notificações, 83% são de fato relevantes
• False positive rate = 0,11: apenas 11% das notificações são desnecessárias
• Tempo médio até a entrega da informação: de 47 minutos (modo reativo) para menos de 30 segundos, uma redução de mais de 90 vezes

O que isso significa

O trabalho tira o conceito de "agente proativo" da discussão acadêmica e o transforma em um protótipo funcional de código aberto. Se os resultados forem reproduzidos em produção, os sistemas de IA corporativos poderão entregar o contexto certo na hora certa, sem consulta prévia. Isso é especialmente valioso onde atrasar a informação custa dinheiro: incidentes de engenharia, contratos vencidos, pipeline parado.

Perguntas frequentes

Qual LLM gera as notificações finais?

Na Surfacing Layer, os autores usam a API do Anthropic Claude, que gera as notificações com explicação do contexto e justificativa da prioridade para cada funcionário.

Onde encontrar o código da implementação?

A implementação completa de ponta a ponta em Python, com NetworkX e a API do Anthropic Claude, está incluída diretamente no texto do artigo arXiv 2607.07721, disponível gratuitamente em arxiv.org.