Knowledge Cards: nova proposta de documentação estruturada para IA agêntica

O que aconteceu

A professora Liliana Ferreira, pesquisadora listada como autora do artigo "Knowledge Cards: Structured Knowledge for AI Systems" (arXiv:2608.26176), submeteu o trabalho à plataforma arXiv em 31 de julho de 2026. O estudo apresenta a Knowledge Card como um artefato estruturado que documenta, para um único conceito delimitado, as entidades e relações envolvidas, o raciocínio que as conecta, as condições em que esse raciocínio deixa de valer e a proveniência de cada afirmação. Tudo isso é ancorado em uma ontologia formal de domínio e validado pela assinatura de um especialista.

O artigo explica que os artefatos atuais, como model cards (que descrevem como um sistema se comporta), data cards (que descrevem os dados de treinamento) e system cards (que listam riscos de um sistema implantado), não cobrem a camada entre o input e o output. Especificamente, eles não abrangem os conceitos que o sistema detém, as relações que modela e os padrões de raciocínio que aplica.

Contexto

A documentação de IA evoluiu ao longo da última década. Model cards ganharam popularidade após o artigo de Mitchell et al. em 2019, que propôs fichas padronizadas para descrever o comportamento de modelos de machine learning. Data cards, por sua vez, surgiram para detalhar a origem e as características dos conjuntos de dados. System cards, adotadas por empresas como OpenAI e Google, passaram a documentar riscos pós-implantação.

Nenhuma dessas ferramentas, argumenta o estudo, aborda o conhecimento que o sistema usa para decidir. Para tarefas de reconhecimento de padrões, essa ausência é tolerável. Para a IA agêntica, em que sistemas agem com base em conclusões, essa lacuna é o que mais frequentemente separa um protótipo promissor de uma solução operacional confiável para uma organização.

Por que importa

A Knowledge Card responde a uma necessidade prática de auditoria e confiança. Quando um sistema agêntico atua em domínios como energia e farmacêutico, áreas onde os protótipos iniciais do esquema foram construídos, decisões erradas geram consequências financeiras e regulatórias diretas. Um especialista de domínio revisa e assina cada ficha, o que dá às empresas uma trilha de responsabilidade e ajuste fino.

A proposta também muda a forma como organizações podem avaliar um sistema antes de colocá-lo em produção. Em vez de confiar apenas em benchmarks externos ou em descrições genéricas, o gestor pode inspecionar, conceito por conceito, o que o modelo sabe e em quais condições esse conhecimento falha. Para compliance, uma área citada no artigo, isso é um avanço: é possível verificar se uma obrigação regulatória foi corretamente modelada no raciocínio do sistema.

Impacto

No curto prazo, a publicação do esquema como rascunho público convida a comunidade a testar e criticar as Knowledge Cards. Os protótipos nos domínios de energia e farmacêutico servem como prova de conceito. Se a adoção acontecer, o impacto será sentido em três frentes: na forma como fornecedores de IA documentam seus sistemas, no modo como clientes corporativos exigem essa documentação em contratos e na capacidade de auditores e reguladores de verificar o alinhamento entre o comportamento da IA e as regras de negócio.

Um exemplo concreto: um sistema de IA que recomenda ajuste de dosagem em medicamentos pode ter uma Knowledge Card para o conceito "interação medicamentosa contraindicação". A ficha registraria as entidades (fármacos, pacientes), a relação (contraindicação), o raciocínio (baseado em compêndios médicos), as exceções (como condições clínicas específicas) e a origem de cada afirmação. Um especialista assinaria, e a auditoria se tornaria verificável.

O que muda

Para as empresas de tecnologia, a Knowledge Card pode se tornar um diferencial competitivo em propostas comerciais, especialmente em setores regulados. Para os clientes, ela oferece um mecanismo concreto de diligência prévia, permitindo revisar não apenas o que o modelo faz, mas o que ele entende. Para pesquisadores, o rascunho público cria um espaço de colaboração para refinar o esquema e ampliá-lo para outros domínios.

A novidade também insere a documentação de IA em um novo patamar: em vez de descrever comportamento ou risco, ela documenta o conhecimento em si. Isso aproxima a engenharia de IA de práticas consolidadas em áreas como auditoria financeira e engenharia de segurança, onde a rastreabilidade de decisões é obrigatória.

O que vem agora

O passo seguinte, segundo o artigo, é a coleta de feedback da comunidade com base no rascunho do esquema. Não há data definida para uma versão estável. Em paralelo, os autores devem ampliar os protótipos, possivelmente incluindo outros setores de alto risco, como finanças e saúde. A publicação no arXiv, área de Inteligência Artificial, indica que o trabalho está aberto a revisão acadêmica e a testes práticos por organizações interessadas.