Agent Harness: a arquitetura que separa demos de IA de sistemas reais de planejamento

Hoje qualquer modelo consegue responder perguntas interessantes sobre supply chain. Você pode pedir para uma IA analisar riscos geopolíticos que podem afetar sua cadeia de suprimentos, identificar possíveis disrupções logísticas, sugerir alternativas de fornecimento ou resumir impactos de tarifas e conflitos internacionais sobre uma indústria específica.

Isso é útil. E, em muitos casos, impressionante. Mas existe uma diferença enorme entre analisar contexto e executar planejamento operacional real.

Uma LLM pode discutir risco de ruptura de um segmento específico. Ela não consegue, sozinha, recalcular de forma confiável um plano sincronizado de demanda, suprimentos, estoque, capacidade e produção de uma operação multinível real. Muito menos rodar um MRP corporativo respeitando capacidade finita, explosão de BOM, lead times, restrições operacionais, políticas de estoque, shelf life, sincronização entre plantas e impacto financeiro do plano.

Esse não é um problema de chat. É um problema de arquitetura. É exatamente aí que entra o conceito de Agent Harness.

Boa parte do mercado ainda trata IA como um chatbot sofisticado. Você faz uma pergunta. O modelo responde. Fim da história.

Isso funciona para produtividade pessoal. Não funciona para Supply Chain Planning.

O planejamento industrial envolve restrições rígidas, cálculos determinísticos, regras de negócio complexas, impacto financeiro mensurável, múltiplos horizontes e dependências entre módulos. Um agente de IA não pode simplesmente "inventar" uma recomendação de produção, estoque ou capacidade. Ele precisa operar dentro de um sistema confiável.

O harness é a camada que envolve o LLM. É o conjunto de estruturas, regras, ferramentas, memória, validações e mecanismos de execução que transformam um modelo probabilístico em um sistema operacional corporativo confiável.

O LLM sozinho não resolve o problema. É uma peça dentro do fluxo. Tudo o que o cerca, ferramentas permitidas, dados acessíveis, regras de negócio, validações, orquestração entre agentes, memória persistente e governança, é definido pelo harness.

O mesmo modelo gera resultados completamente diferentes dependendo do harness construído ao redor dele.

No contexto de Supply Chain Planning, o harness é composto por cinco camadas trabalhando juntas. O diagrama abaixo mostra como uma solicitação do usuário desce por validação, orquestração e execução, e volta como resposta validada do agente.

A primeira camada protege a organização antes que qualquer prompt chegue ao modelo.

Validação de entrada. Toda solicitação passa por um filtro que a empresa configura. O cliente define o que não pode ser enviado ao LLM: CPFs, CNPJs, dados comerciais sensíveis, propriedade intelectual, qualquer coisa coberta por compliance. O filtro é majoritariamente determinístico, com regras explícitas e auditáveis, e pode incluir validação semântica leve para casos ambíguos.

Filtro de compliance. Regras de negócio que vão além da camada técnica. Uma farmacêutica pode bloquear dados de fórmula. Uma operação multi-país pode restringir fluxos de dados entre plantas. O sistema honra esses limites automaticamente.

Rate limiting. Controle de uso por usuário, time ou módulo. Governa consumo de tokens e previne abusos.

Sanitização de saída. A validação não para na entrada. Antes de qualquer resposta chegar ao usuário, ela passa por uma camada de sanitização que verifica consistência, remove artefatos indesejados e aplica as mesmas regras de compliance no sentido inverso.

O orquestrador é o coração do harness. Recebe a intenção do usuário e decide qual agente especialista acionar, em qual sequência, com qual contexto.

Na NPLAN não existe um único agente genérico. Existe uma rede coordenada de agentes especializados por domínio: agente de demanda, de estoque, de capacidade, de suprimentos, financeiro. Cada um opera com contexto limitado ao seu domínio, ferramentas específicas, objetivos claros e regras próprias.

O cliente pode configurar a personalidade de cada agente, ajustar parâmetros de comportamento ou criar agentes totalmente customizados para necessidades operacionais específicas.

O orquestrador também trata recuperação de erros. Quando um agente retorna um resultado inconsistente, o sistema não propaga o erro: tenta corrigi-lo, escala para revisão humana ou informa o usuário com clareza.

Esta camada resolve um problema que a maioria das soluções de IA ignora: como combinar raciocínio probabilístico com cálculo determinístico que tem que estar correto na primeira vez.

A base completa nunca sai do ambiente. Na maioria das interações, o agente recebe apenas amostras estruturais e ofuscadas das tabelas: esquemas, exemplos representativos e distribuições, suficientes para o modelo raciocinar. Quando uma resposta exige um recorte específico, parte desse recorte pode trafegar até o LLM, sempre dentro dos limites de compliance do cliente. Mesmo nesse caso, a base completa permanece local e cada chamada é registrada e auditável. É um modelo radicalmente mais seguro do que enviar a base inteira para a IA.

O engine de supply chain. MRP, explosão de BOM, capacidade finita e otimização de estoque rodam em um engine matemático especializado, determinístico e reprodutível. O LLM não calcula: aciona o engine e interpreta o resultado.

Output enriquecido. As respostas dos agentes não são apenas texto. O harness transforma resultados em gráficos HTML configurados dinamicamente por contexto, widgets de planning grid para dados estruturados e formatos específicos por análise.

Sugestões de próximos passos. Ao final de cada interação o sistema sugere proativamente os próximos passos relevantes, mantendo a conversa produtiva e contextualizada.

LLMs não têm memória entre chamadas. O harness precisa fornecê-la de forma inteligente.

A memória opera em três horizontes: curto prazo (a conversa ativa), médio prazo (parâmetros do cenário ativo de planejamento, horizonte, políticas, restrições de chão de fábrica, calendário operacional, períodos congelados) e longo prazo (políticas de estoque consolidadas, comportamento histórico, preferências configuradas).

O agente não recebe apenas histórico de conversa. Ele recebe contexto operacional vivo: cenário ativo, períodos congelados, restrições de capacidade, políticas de estoque, horizonte de planejamento, metas financeiras e prioridades da operação.

Engenharia de contexto especializada é o que separa um agente genérico de um agente de supply chain. Enviar algumas linhas em um prompt não basta. O harness injeta parâmetros do cenário, prioridades estratégicas, metas de serviço, regras por planta e indicadores financeiros. Isso muda completamente a qualidade das decisões.

Quanto mais autonomia os agentes ganham, mais crítica fica a governança.

Validação de resposta. Cada resposta é validada antes de chegar ao usuário. O sistema verifica consistência interna, confere se os números fazem sentido dentro das restrições do plano e aplica loops de verificação determinística. O agente não apenas responde, ele se autocorrige continuamente.

Auditoria de queries. Qualquer raciocínio que produziu uma resposta pode ser inspecionado. Se houver suspeita de alucinação, o analista pode auditar a query exata que rodou, os dados utilizados e a lógica aplicada. Rastreabilidade real, não apenas um log de chat.

Logs de decisão. Tudo que é enviado ao LLM fica registrado. Histórico de decisões, versionamento e explicabilidade total.

Loop de aprendizado por feedback. Cada resposta convida o usuário a avaliá-la como positiva ou negativa. Quando negativa, o feedback não desaparece em um dashboard esquecido, ele alimenta o processo de melhoria do harness. O sistema aprende com os erros de forma estruturada.

Plataformas horizontais estão commoditizando o básico rapidamente: conectores OAuth, integrações SaaS, skills genéricas, agentes que executam tarefas administrativas.

Mas Supply Chain Planning não é um problema genérico.

Um workflow pré-construído não entende capacidade finita, política de estoque por segmento, planejamento multinível, explosão de BOM, restrições de chão de fábrica, shelf life, lead time variável, sincronização entre plantas ou o impacto financeiro do plano.

É impossível resolver isso apenas com prompts.

Muita gente ainda discute qual modelo é melhor. Esse debate perde peso rapidamente porque os modelos estão convergindo.

A vantagem competitiva real está migrando para arquitetura, harness, contexto, governança, orquestração, integração com engines matemáticos reais e especialização vertical.

É exatamente isso que separa uma demo de IA de um sistema operacional corporativo baseado em IA.

O futuro do planejamento não será uma tela de chatbot substituindo planejadores. Será uma camada inteligente trabalhando ao lado de engines matemáticos especializados, onde os planejadores continuam existindo, mas com simulação muito mais rápida, recomendações contextualizadas, análise automatizada de exceções e copilotos específicos por domínio.