Como arquitetar um sistema de IA do zero — sem precisar ser engenheiro de ML

A palavra 'arquitetura' ainda assusta muita gente que não tem formação técnica clássica. Ela evoca UML, diagramas complexos e discussões de engenharia que parecem ter pouco a ver com o problema prático de 'quero automatizar esse processo com IA'. Mas arquitetura de sistema, no sentido útil da palavra, é simplesmente responder: quem faz o quê, com quais dados, em qual ordem, e quando.

Construí dezenas de sistemas de IA — automações internas, produtos para clientes, ferramentas de produção — sem diploma em ciência de dados. O que aprendi é que as decisões de arquitetura que realmente importam não são sobre qual algoritmo usar. São sobre como organizar o fluxo de informação, onde colocar inteligência e onde colocar regra fixa, e como garantir que o sistema seja mantível quando algo mudar.

As três camadas de qualquer sistema de IA

Todo sistema de IA — independentemente de complexidade — tem três camadas: entrada, processamento e saída. Parece óbvio, mas a maioria dos problemas de arquitetura começa quando uma dessas camadas não está bem definida.

• Camada de entrada: de onde vêm os dados? Quais são os formatos possíveis? Como garantir qualidade mínima antes de processar?
• Camada de processamento: qual modelo ou lógica transforma os dados? Há etapas de pré-processamento? Há encadeamento de chamadas?
• Camada de saída: onde vai o resultado? Precisa de formatação? Precisa de aprovação humana antes de agir?

A decisão mais importante: onde colocar a IA

Um erro comum ao arquitetar sistemas de IA é colocar o modelo de linguagem no centro de tudo — como se ele devesse resolver cada parte do problema. Na prática, IA de linguagem é excelente para compreensão, geração e raciocínio em linguagem natural. Para lógica determinística, formatação de dados, operações matemáticas precisas ou regras fixas de negócio, código convencional é mais confiável e mais barato.

Agentes, chains e orquestração: quando usar o quê

Três padrões dominam a arquitetura de sistemas de IA modernos. Entender quando usar cada um evita over-engineering e under-engineering.

Single prompt (sem orquestração)

Uma chamada ao modelo, uma resposta, fim. Ideal para tarefas de geração ou transformação simples — resumo, extração de dados, classificação, reescrita. É o padrão mais simples, mais barato e mais fácil de manter. Use sempre que possível antes de adicionar complexidade.

Chain (encadeamento sequencial)

A saída de uma chamada alimenta a próxima. Usado quando o problema tem etapas claras em sequência — pesquisa → análise → síntese, por exemplo. É previsível e fácil de depurar, mas tem um ponto fraco: se uma etapa falha, todo o chain pode falhar. Adicionar verificação entre etapas resolve a maior parte dos problemas.

Agente (loop de raciocínio + ação)

O modelo decide quais ferramentas usar, executa, observa o resultado e decide o próximo passo — em loop, até concluir a tarefa. É o padrão mais poderoso e o mais complexo. Adequado para tarefas abertas onde o caminho não é previsível de antemão. Exige mais cuidado no design de ferramentas e limites para evitar loops infinitos ou ações indesejadas.

Ferramentas: a cola entre IA e o mundo real

Um agente sem ferramentas é um modelo que só fala. As ferramentas são o que permite que a IA aja — buscar informações, criar arquivos, enviar mensagens, chamar APIs, ler bancos de dados. O design das ferramentas disponíveis para um agente define, na prática, o escopo do que ele pode fazer.

• Ferramentas de leitura: busca na web, leitura de arquivos, consulta a banco de dados
• Ferramentas de escrita: criação de documentos, envio de emails, atualização de registros
• Ferramentas de execução: rodar código, acionar webhooks, disparar automações
• Ferramentas de comunicação: enviar mensagens, criar tarefas, notificar equipes

Memória e contexto: o que o sistema precisa lembrar

Modelos de linguagem não têm memória nativa entre sessões. Tudo que eles 'sabem' está no contexto da conversa atual. Para sistemas que precisam de persistência — lembrar de uma preferência do usuário, de um estado de processo, de dados de sessões anteriores — é necessário projetar a camada de memória explicitamente.

• Memória de curto prazo: mantida no contexto da sessão — desaparece ao fim da conversa
• Memória de longo prazo: armazenada em banco de dados ou vetor store — persiste entre sessões
• Memória semântica: embeddings que permitem busca por similaridade — útil para grandes volumes de informação

Governança: quem supervisa o sistema

Todo sistema de IA que age no mundo real precisa de algum nível de supervisão humana. A questão não é se haverá supervisão, mas onde colocá-la no fluxo. Para ações reversíveis de baixo impacto, o agente pode agir autonomamente. Para ações irreversíveis ou de alto impacto — enviar um email para mil pessoas, deletar registros, executar uma transferência — uma etapa de aprovação humana é arquiteturalmente prudente.

“A melhor arquitetura não é a mais sofisticada — é a mais simples que resolve o problema com confiabilidade suficiente para o contexto.”

— Thiago Amarante