Plausível não é o mesmo que verificado

O que o Datta faz que a sua LLM não faz.

Um processo de cumprimento de sentença contra a Fazenda Pública passou pela auditoria automática e saiu do outro lado com o laudo pronto: concluído, sem anomalias.

O laudo não era mentira. Ele apenas não tinha avaliado nada.

Fonte — Documentação Datta, Triagem em Lote. Comportamento removido em 08/08/2026.

A plataforma tentava descobrir sozinha qual código processual se aplicava a cada caso, lendo palavras soltas nos autos. A palavra "administrativo" aparecia nas ementas citadas na fundamentação — e isso bastou para o processo ser encaminhado a um código inexistente naquela instalação. Nenhuma regra rodou. O resultado voltou com a mesma aparência de um processo auditado de verdade.

O caso está documentado pela equipe que construiu a plataforma, com a data em que o comportamento foi removido. Guardo o exemplo porque ele desloca a discussão sobre risco de IA para onde ela deveria estar.

O perigo raramente é a alucinação escandalosa — essa qualquer revisor pega. É o resultado plausível e vazio. E o incômodo é que um modelo melhor não teria evitado nada: a falha não estava no raciocínio, mas na ausência de alguém contando o que foi e o que não foi verificado.

1.A LLM sabe muito. Não sabe da sua empresa.

Dado — McKinsey, The State of AI in 2025. 1.993 respondentes, campo entre 25/06 e 29/07/2025.

Na pesquisa global da McKinsey publicada em novembro de 2025, com 1.993 respondentes, 88% relatam uso regular de IA na organização. Quase dois terços dizem que ainda não começaram a escalar a tecnologia pela empresa. E 39% relatam algum impacto no EBIT — entre esses, a maioria fala em menos de 5%.

A leitura preguiçosa é "as empresas não sabem usar IA". A leitura útil é outra: o acesso ao modelo virou commodity e não resolveu o problema seguinte.

O que uma LLM não tem, por construção, é a sua empresa. O contexto que decide qualquer pergunta corporativa está espalhado entre bancos transacionais, contratos em PDF, a norma que mudou mês passado, o sistema legado que só fala por API e a política que mora na cabeça de três pessoas. Colar um pedaço disso no prompt resolve a demonstração. Não resolve a operação.

É por isso que uma plataforma corporativa começa pelo trabalho mais ingrato: conexões cadastradas uma vez e catalogadas sozinhas, domínios de conhecimento mantidos separados. No Datta, cada contexto tem grafo, índices, prompts e regras próprios, e o conhecimento de um domínio não vaza para outro. Não é glamouroso; é o que faz a resposta de amanhã ser comparável com a de hoje.

2.Responder é diferente de provar

Em ambiente regulado, uma resposta que não se sustenta é pior do que resposta nenhuma: consome a confiança de que a próxima vai precisar.

Fonte — Documentação Datta, Busca; Como a plataforma leu uma regra de triagem.

A diferença aparece em detalhes que parecem pequenos. No Datta, a busca roda três estratégias em paralelo — casamento literal, similaridade semântica e as conexões do documento no grafo — e funde os rankings, mostrando a fonte, o score e a posição em cada uma. Ao exibir como interpretou uma regra de triagem, a plataforma abre um bloco chamado base considerada, que lista os dispositivos e as decisões judiciais que ela de fato entregou ao modelo. A documentação faz questão de dizer o que aquilo é: fato apurado, não saída do modelo.

Há ali um cuidado que merece atenção. Quando essa leitura recebe jurisprudência, o modelo é informado de quantas decisões existem e quantas ele está vendo. Sem a declaração, três acórdãos seriam lidos como o acervo inteiro, e a regra passaria a valer sobre uma certeza fabricada pelo recorte. Ninguém pede isso numa demonstração; é o que decide se o resultado sobrevive a uma auditoria.

O assistente da plataforma mostra de quantas consultas cada resposta saiu — porque, nas palavras da documentação, uma resposta que não se apoia em nenhuma consulta é o assistente falando de memória, e o usuário precisa poder notar isso. E há a frase mais desarmada do portal, escondida no FAQ: resposta sem fonte não deve ser usada como base de decisão.

3.O silêncio precisa ter nome

Aqui está a diferença mais subestimada entre um modelo e um sistema.

Fonte — Documentação Datta, Motor BPM. Variáveis separadas em 22/08/2026.

Quando uma regra não é confirmada, há pelo menos três motivos incompatíveis entre si: a IA olhou e o dado não estava no processo; a IA nunca olhou, porque a chamada ao provedor falhou; ou não havia texto indexado para olhar. Um modelo devolve silêncio nos três casos. Uma operação precisa tratá-los diferente — o primeiro se revisa, o segundo se reexecuta, o terceiro se indexa.

O Datta separa esses estados e os expõe como variáveis distintas no motor de processos. A documentação registra por quê: até 22 de agosto de 2026, a segunda situação não existia como dado — a regra simplesmente sumia do laudo —, e uma condição escrita como qtdSemContexto == 0 mudava o rumo de um processo por causa de uma indisponibilidade do fornecedor.

O padrão se repete, e é ele que define a personalidade do produto. Certidão com data ilegível vira "não verificável" — e a documentação diz, com todas as letras, que isso nunca vira "válida" por omissão. Regra que não pôde ser avaliada não carimba o veredito, nem para conformidade nem para anomalia.

Nada disso tem significado dentro de um modelo. Tem significado total dentro de um processo.

4.Responder é diferente de executar

Empresas não funcionam por perguntas e respostas. Funcionam por processos, com prazo, responsável e consequência. A recomendação mais bem fundamentada do mundo, entregue numa caixa de conversa, ainda depende de alguém abrir outro sistema e digitar de novo.

Fonte — Documentação Datta, Motor BPM; Painel de Pendências de Compliance.

No Datta, o fluxo é desenhado em BPMN 2.0 e é executável. A triagem alimenta as variáveis que os pontos de decisão consultam, prazos são cobrados pela própria plataforma — inclusive depois de um reinício — e um evento de mensagem deixa o processo esperando um sistema externo avisar que o documento foi juntado, sem ninguém olhando painel.

O exemplo mais instrutivo é o painel de pendências de compliance, e a frase que o descreve é curta: não existe banco próprio do painel — o registro é o processo. Cada pendência abre uma instância BPM com três saídas, todas terminando em decisão humana com motivo obrigatório. Regularizar exige anexar a evidência; aceitar o risco exige segunda alçada, porque quem aprova não é quem propôs.

O assistente da plataforma segue a mesma assimetria, e ela é a coisa mais sensata que li na documentação: consulta à vontade; para alterar, pergunta antes. Ao chegar numa operação que muda alguma coisa, ele mostra um cartão de plano com o que vai mudar, com quais dados e qual permissão cada passo exige. Age com a identidade de quem pediu, nunca com uma elevada — o que você não faz pelas telas, também não faz por ele.

Essa é a distância entre uma IA que recomenda e uma IA que trabalha dentro da operação. A primeira produz texto. A segunda produz uma tarefa com dono, prazo e registro.

5.A IA vai até o dado — com a ressalva que importa

Fonte — Documentação Datta, FAQ; Arquitetura Copilot e LLM.

O material de comunicação fala em operar "no seu datacenter", e essa é a frase que merece ser verificada antes de repetida. O que a documentação sustenta: o núcleo roda no seu ambiente — banco de grafos, índice de busca, mensageria, motor analítico e os serviços da plataforma. A única capacidade que usa API externa por padrão é o modelo de linguagem. Em ambientes isolados, o administrador ativa o modo local com vLLM e modelos abertos, e as funções de IA continuam disponíveis.

A ressalva importa e vale dizê-la em voz alta: numa instalação padrão, a pergunta do usuário sai para um provedor externo. A afirmação de que nenhum dado deixa o datacenter é verdadeira quando o modelo local está configurado — e a documentação preserva a condicional, o que é um sinal de honestidade que nem sempre se encontra em material de produto.

Feita a ressalva, a arquitetura importa para quem opera sob sigilo — governo, bancos, saúde, telecom, utilities, jurídico. Não porque a nuvem seja insegura, mas porque a pergunta do auditor não é "é seguro?", e sim "onde estava o dado quando isso foi decidido, e quem podia vê-lo?". Um sistema que roda no seu perímetro responde com um diagrama de rede. Um que não roda responde com um contrato.

6.O ativo estrutural não é o modelo

Dado — Stanford HAI, AI Index 2025 e 2026. Chatbot Arena Elo.

Vale olhar para o que aconteceu com os modelos enquanto todo mundo discutia qual escolher. Pelo AI Index de Stanford, a distância de Elo entre os dois melhores da Chatbot Arena caiu de 4,9% em 2023 para 0,7% em 2024, e a diferença entre o melhor modelo fechado e o melhor de pesos abertos encolheu de cerca de oito pontos percentuais para perto de dois entre janeiro de 2024 e o início de 2025.

E aí vem a parte que desmonta a tese fácil: pelo índice de 2026, essa distância voltou a abrir, para 3,3%. Não há convergência tranquila em que os abertos alcançam os fechados e o assunto se encerra — há troca de liderança, em ciclos de meses, com mudanças de preço e de licença pelo caminho. Ancorar a arquitetura da empresa num fornecedor específico deixou de ser decisão técnica e virou exposição desnecessária.

Fonte — Documentação Datta, Arquitetura Copilot e LLM; Datta Captain.

O Datta trata o modelo como peça trocável, e isso é verificável na documentação. A plataforma roda pesos abertos na sua própria infraestrutura — Qwen3 é o padrão local documentado, ao lado de DeepSeek, e modelos como o gpt-oss entram pelo mesmo caminho, servidos em vLLM ou por endpoints dedicados. Em paralelo, conversa com APIs pagas: Gemini e OpenAI. Uma camada de acesso unifica os dois mundos atrás da mesma interface, roteando por disponibilidade local, preferência do administrador e falha. E há um requisito de arquitetura registrado que resume a intenção: a plataforma tem de funcionar com as chaves de nuvem vazias.

A ironia é boa demais para deixar passar: foi a própria OpenAI que publicou o gpt-oss sob licença Apache 2.0 — pesos abertos, com o modelo de 120 bilhões de parâmetros rodando em uma única GPU de 80 GB e chegando perto do o4-mini em raciocínio, segundo o cartão do modelo. Quando o fornecedor comoditiza o próprio produto, apostar a arquitetura corporativa numa API específica fica difícil de justificar.

Há uma prova medida disso na documentação. Uma busca no chat levava cerca de doze segundos, e 9,8 deles estavam numa única decisão mecânica — qual das 28 ferramentas chamar —, executada pelo modelo caro. Separadas as etapas, um modelo rápido escolhe a ferramenta e o mais capaz escreve o texto que o usuário lê. A busca caiu para a casa dos cinco segundos.

É o argumento em miniatura. Quando o modelo é um componente com preço, latência e licença, você o aloca por tarefa; quando é a arquitetura, aceita o preço que vier. O que dura, na empresa, é a outra coisa: os dados, as regras escritas, os processos desenhados, as integrações que já funcionam, a governança e o histórico do que foi decidido.

7.De copilotos a agentes, e de agentes a processos

Fonte — Documentação Datta, Integrações MCP; Arquitetura Copilot e LLM.

"Multiagente" virou palavra de folheto, então convém ser concreto. No Datta, cada superfície enxerga um recorte declarado — o copilot de um painel publicado vê os dados renderizados ali e nada além, por decisão de escopo, não por limitação. O ponto não é a quantidade de agentes: é que o recorte de cada um é auditável.

O caminho inverso desfaz a falsa oposição entre plataforma e assistente. A plataforma publica um servidor MCP: qualquer cliente compatível — o assistente que o seu time já usa, uma IDE, uma automação — consulta os dados do Datta com a mesma autenticação e as mesmas permissões da interface, e o console mostra quem conectou e o que executou. Substitui algo conhecido: exportar planilha e colar no prompt. É aí que "Datta e LLM" vale mais do que "Datta contra LLM".

8.O que uma plataforma como essa não resolve

Nenhum artigo sobre um produto merece crédito se não disser onde ele para.

Fonte — Documentação Datta, leitura de regras; governança de dados; histórico de execuções; catálogo de features.

Dado ruim não fica bom porque passou por uma plataforma. Regra mal escrita continua mal escrita: como a triagem opera sobre texto subjetivo — "dossiê completo", "em tempo hábil" —, a documentação orienta que a subjetividade se corrige no texto da regra, não no modelo. É honesto, e é limitante: alguém precisa saber redigir a regra.

A validação de referências normativas é descrita como indicativa, não vinculante: não bloqueia salvar uma regra que cita dispositivo inexistente. O validador de saída do copilot de fórmulas ainda não está implementado — é intenção de projeto para uma fase futura, e a proteção efetiva hoje é nada entrar no gráfico sem aceite do usuário. A governança de dados não tem políticas por atributo nem aprovação em duas etapas. O histórico durável de execuções cobre hoje a triagem em lote. E várias funcionalidades — o assistente entre elas — carregam o rótulo preview, com contratos que podem mudar entre versões.

Some-se o óbvio, que nenhuma tecnologia dispensa: desenho de processo continua sendo trabalho humano, e supervisão humana continua necessária onde a decisão tem consequência. A plataforma não elimina a governança — dá lugar para exercê-la, o que é diferente e mais útil.

9.Duas perguntas, e o que elas mudam

As duas perguntas que separam uma demonstração de uma operação são sempre as mesmas: como você sabe disso? e quem autorizou o que veio depois?. Nenhuma é respondida por um modelo, por melhor que ele fique. Ambas são respondidas por sistema — e sistema é escolha de arquitetura, não de fornecedor.

O laudo vazio do começo deste texto não foi consertado com um modelo melhor. Foi consertado ensinando a plataforma a recusar: em vez de devolver algo com cara de pronto, ela passou a dizer qual configuração falta e a deixar o caso pendente, visível, na tela de alguém. Trocar um resultado falso por uma pendência aberta parece retrocesso em qualquer demonstração. É exatamente o contrário.