Claude Sonnet ajuda executivos a montar em 8 horas um diretor de IA para decisões difíceis

Em um único dia de trabalho, uma equipe formada por CEO, CTO, CIO e um engenheiro de IA construiu não um chatbot, mas um assistente de IA para gestão, capaz de discutir com a diretoria e que não cede sua posição sob pressão. No intensivo fechado Snow BASE, o projeto CAITO (Chief AI & Technology Officer) devia tomar decisões em um caso de crise de uma divisão de varejo e mudar de opinião apenas quando os fatos mudassem. O hackathon em Sochi foi organizado pelo AI Talent Hub da Universidade ITMO e pela South HUB.

Os participantes tiveram oito horas para resolver o caso: em uma grande empresa de varejo, o sistema de recomendação perde qualidade por causa do desvio sazonal dos dados, a infraestrutura já opera no limite, os custos de nuvem crescem mais rápido que a receita e os novos requisitos da lei russa 152-FZ aumentam o risco de multas. O conselho de administração enfrenta uma escolha desagradável: escalar o sistema, congelar o desenvolvimento ou adiar o lançamento, com apenas 14 dias para decidir.

A equipe do CAITO montou em torno dessa tarefa um modelo de gestão em que a IA não deve apenas responder a perguntas, mas manter uma linha entre os interesses do CEO, do CFO, do COO e da área técnica. É aí que os LLMs comuns costumam falhar. Se o modelo apenas continua o diálogo, ele passa a se adaptar ao último interlocutor, o mais insistente: o CEO pressiona por crescimento a qualquer custo, o CFO exige ROI imediato e corta investimentos, o COO lembra dos SLAs e das restrições operacionais. O resultado não é uma posição de gestão, mas um espelho da pressão do momento.

Por isso, a equipe escolheu uma abordagem deliberadamente pragmática: primeiro construir um single-shot reasoning estável, com uma chamada ao modelo por turno, e só depois verificar se um circuito agêntico mais complexo é necessário. Esse modo deu uma latência previsível de alguns segundos, um único JSON estruturado na saída e depuração mais simples nas condições de um hackathon. Como modelo, usaram o Claude Sonnet, e o serviço foi montado com Bun e TypeScript, com acesso ao Cloud.ru Foundation Models por meio de uma API compatível com OpenAI.

A arquitetura do CAITO se apoiava em três pilares. O primeiro é um system prompt com mandato rígido: o assistente deve formular primeiro a decisão, depois os argumentos, registrar separadamente o conflito de métricas e não mudar de posição sem dados novos. O segundo é o workflow.

yaml, que definia os papéis internos, seus pesos e a ordem das consultas: primeiro os fatos de ML e economia, depois as restrições operacionais e só então a política de gestão. O terceiro é a memória de longo prazo, que guardava separadamente os fatos imutáveis do caso e um histórico vivo de decisões tomadas, premissas, KPIs e mudanças de posição. Isso permitia ao sistema lembrar o contexto e explicar por que a opinião se manteve ou mudou.

Na apresentação, a equipe mostrou três cenários. No primeiro, o CAITO foi confrontado com dados contraditórios e se verificou em quais fontes ele se baseava; para reduzir o risco de alucinações, as respostas passaram a indicar de onde vinham os números-chave. No segundo, o CEO pressionou o assistente a agir imediatamente, mas o sistema manteve o enquadramento e respondeu que, sem fatos atualizados, só podia detalhar os riscos, não reescrever a decisão. No terceiro, a pressão veio em ondas: primeiro dados novos, depois um ataque emocional, depois mais um pacote de informações. Aqui o CAITO precisava distinguir uma mudança real na situação de uma insistência repetida e rever a posição apenas com base em fatos.

Em paralelo, a equipe também conseguiu montar uma alternativa: um pipeline multiagente com dez papéis especializados e roteamento próprio de tarefas. Em algumas métricas, esse esquema deu uma análise melhor, principalmente onde é preciso separar com precisão sinais novos de pressão antiga. Mas, no prazo de oito horas, a principal vantagem não foi a riqueza da arquitetura, e sim a confiabilidade.

Na apresentação final, o vencedor foi escolhido por um ranking em que a avaliação automática valia 70% e o júri, 30%; foram considerados a qualidade das decisões de gestão e a resistência ao estresse, além de funcionalidade, segurança, estabilidade, UX e custo. A solução single-shot principal levou a equipe ao primeiro lugar.

Desse caso sai uma conclusão bem prática. Para uma IA que deve participar de decisões de gestão, importa menos o número de agentes do que um mandato claro, regras transparentes de escalonamento e memória das premissas adotadas. Uma orquestra multiagente vistosa pode dar profundidade, mas sob prazo costuma perder para um esquema simples, explicável e estável.

O próximo passo do CAITO é um agentic workflow com function calling, chamadas assíncronas aos papéis, RAG dinâmico e rastreamento completo. Mas o projeto já mostra algo mais importante: a IA pode assumir boa parte da preparação de uma posição de gestão, enquanto a responsabilidade final e a verificação de fatores não óbvios continuam com uma pessoa.