Arquitetura de Supervisor Multiagente: Orquestrando a IA Corporativa em Larga Escala

A BASF é uma multinacional alemã e uma das maiores empresas químicas do mundo, conhecida por sua rede de produção integrada Verbund, escala global e amplo portfólio que abrange desde produtos químicos básicos até soluções agrícolas avançadas. Com uma base sólida em pesquisa e desenvolvimento, a BASF atua em diversos setores, impulsionando continuamente a inovação e a sustentabilidade.

Uma de suas principais divisões operacionais é a BASF Coatings, especializada no desenvolvimento, fabricação e comercialização de revestimentos automotivos e industriais avançados, além de tintas decorativas. Como pioneira em tecnologias de superfície ecoeficientes, a BASF Coatings também está na vanguarda da transformação digital, utilizando plataformas baseadas em IA para aprimorar a produtividade, a inovação, a confiabilidade e o design.

Em parceria com a Databricks, a BASF Coatings implementou uma solução multiagente pronta para produção, governada e com impacto nos negócios. Essa abordagem não apenas aprimora a colaboração entre equipes, mas também permite uma tomada de decisão mais inteligente e rápida em funções empresariais críticas, estabelecendo uma referência de como a análise avançada e a IA podem gerar resultados de negócios tangíveis.

O Desafio: Trazer mais Modularidade, Especialização e Controle para Sistemas de Agentes

Como uma organização com mais de 11.000 funcionários em mais de 70 locais em todo o mundo, gerenciar a crescente complexidade e melhorar a eficiência da digitalização entre departamentos é uma tarefa complexa. Mais especificamente, transformar dados organizacionais vastos e díspares em insights acionáveis e possibilitar a tomada de decisões e a produtividade em tempo real tornou-se fundamental. Resolver esse problema era importante porque a colaboração digital eficiente e a utilização de dados afetam diretamente a capacidade de resposta do mercado, a velocidade da inovação, a satisfação do cliente e a confiabilidade operacional. Os riscos eram particularmente altos em setores como o de revestimentos, onde agilidade e precisão são cruciais em meio a demandas de clientes em rápida mudança e pressões de sustentabilidade.

Um sistema agêntico — no qual agentes de IA autônomos ou semiautônomos gerenciam proativamente os processos de negócios e os fluxos de dados — foi a melhor solução porque poderia automatizar tarefas de coordenação e análise que antes exigiam um esforço manual intensivo. Sistemas de agentes poderiam capacitar organizações como a BASF Coatings a:

• Integre a IA de forma fluida entre domínios, automatizando operações de rotina em vendas, aquisições e gerenciamento da cadeia de suprimentos.
• Fornecer recomendações inteligentes e contextuais e automatizar fluxos de decisão, reduzindo drasticamente gargalos e erros.
• Melhorar a experiência do usuário ao habilitar assistentes de chat “sempre ativos” para suporte, perguntas e respostas, ou integração de fluxos de trabalho entre departamentos.
• Impulsionar a adoção de ferramentas de IA do dia a dia em toda a empresa, tornando as capacidades digitais complexas acessíveis aos stakeholders de negócio e promovendo a alfabetização de dados.

Por mais poderoso que um agente possa ser, à medida que desenvolvemos esses sistemas, eles podem se tornar mais complexos com o tempo, o que os torna mais difíceis de gerenciar e escalar. Por exemplo, um agente pode ter muitas ferramentas à sua disposição e tomar decisões ruins sobre qual ferramenta chamar em seguida. Além disso, o contexto pode se tornar complexo demais para que um único agente consiga acompanhá-lo. É necessário ter múltiplas áreas de especialização no sistema (por exemplo, supervisor, orquestração de domínio, especialista no assunto, etc.)

Outra maneira de ver o desafio é através da diversidade de dados que formam a base de conhecimento do sistema de agentes. Muitos de nós já estamos familiarizados com o RAG (Geração Aumentada por Recuperação), uma técnica que combina modelos de linguagem grandes (LLMs) com a recuperação de dados em tempo real para melhorar a precisão e a relevância das respostas. No entanto, os sistemas RAG são projetados principalmente para lidar com dados não estruturados — como documentos, páginas da web, PDFs ou outras formas de texto livre — em vez de tabelas estruturadas com campos e relacionamentos predefinidos. Ao trabalhar com dados estruturados, a abordagem Text-to-SQL é a mais comum para análise em linguagem natural. No entanto, ela geralmente depende de consultas SQL de exemplo predefinidas e não possui mecanismos integrados para governança de dados e controle de permissões.

A Solução: Um Supervisor Multiagente de Ponta a Ponta para Informações Estruturadas e Não Estruturadas

Para lidar com esses desafios, propomos dividir nosso aplicativo em vários agentes menores e independentes e compô-los em um sistema multiagente. Este sistema seguirá um padrão de supervisor que coordena os agentes especialistas, especificamente agentes Genie e agentes de chamada de função, que interagem com a ferramenta Databricks Vector Store Retrieval.

O AI/BI Genie, um dos recursos mais populares do Databricks, foi projetado para tornar dados estruturados, como tabelas e visualizações Delta, diretamente acessíveis aos usuários de negócios, utilizando interfaces de linguagem natural. Ele utiliza metadados do Unity Catalog, como descrições de tabelas, relacionamentos PK/FK e nomes/descrições de colunas. Esses metadados guiam o Genie na análise das perguntas do usuário, na construção de SQLs precisos e no fornecimento de respostas contextualmente relevantes, ajudando a mitigar erros ou alucinações. Além disso, os autores do Genie podem aprimorar o espaço editando metadados localmente, definindo junções, adicionando sinônimos e curando instruções específicas da BASF. Isso permite que os administradores de dados gerenciem e mantenham ativamente a qualidade de seus espaços Genie, contribuindo diretamente para o sistema de agentes com seu valioso conhecimento de domínio de negócios.

Para facilitar o uso do Genie em frameworks de orquestração de agentes, existem frameworks que oferecem wrappers Python dedicados para criar agentes Genie (confira aqui para referência). Além disso, a equipe de produtos da Databricks apresenta notebooks de exemplo que guiam nossos usuários na configuração de um sistema multiagente usando o Mosaic AI Agent Framework junto com o Genie. Esses exemplos utilizam o LangGraph (uma biblioteca de orquestração de agentes de código aberto) e demonstram como compor fluxos de trabalho onde o Genie é um agente especializado entre vários.

Uma visão geral da nossa arquitetura é a seguinte. Adotamos o framework Mosaic AI da Databricks para simplificar as complexidades do gerenciamento dos ciclos de vida de agentes de IA, oferecendo ferramentas e prototipagem rápida de coordenação multiagente, avaliação rigorosa e monitoramento operacional eficaz em tempo real. É importante destacar que também integramos o endpoint do supervisor implantado com o Microsoft Teams para execução de agentes em tempo real e disponibilizamos insights gerados por IA para todos os tipos de usuários, incluindo stakeholders de negócios menos familiarizados com plataformas de dados, incorporando endpoints de implantação conversacionais diretamente na interface do Teams. Existem aceleradores claros e reutilizáveis para provisionar recursos na nuvem (Azure Bot Service, App Service) e para conectar endpoints ao Teams.

Impacto Real nos Negócios

Enquanto a BASF Coatings desenvolve agentes de IA para aprimorar seus processos de negócios, o primeiro projeto de landing zone, Marketmind, foca na divisão de Vendas e Marketing. O caso de uso permite análises quantitativas e qualitativas avançadas, consolidando relatórios internos de visitas a clientes do Salesforce e insights de consumo de mercado com tendências de mercado externas, incluindo notícias do S&P 500. Parte desses dados já é processada e está disponível na forma de tabelas e visualizações Delta, enquanto o restante existe como arquivos de texto livre e documentos PDF, cada um chegando em velocidades diferentes e sendo atualizado em frequências variadas. Além disso, os dados são gerenciados por diferentes equipes e administradores. Por exemplo, tabelas estruturadas são fornecidas principalmente pela organização central de Enterprise Data Lake (EDL) da BASF, com especialistas de negócios de Vendas e Marketing enriquecendo-as com metadados específicos do domínio. Em contraste, dados não estruturados são processados principalmente através de pipelines de ETL code-first desenvolvidos e mantidos pela equipe do escritório de Dados e IA da Coatings.

Dada a complexidade do cenário de dados, adotamos a arquitetura de supervisor de múltiplos agentes para o projeto Marketmind e usamos o notebook de modelo como nosso ponto de partida. Criamos um espaço Genie para dados estruturados, enriquecendo-o com tabelas selecionadas, descrições detalhadas de colunas, relacionamentos de junção locais do Genie e amostragem de valores. Para melhorar a precisão, adicionamos exemplos de SQL e instruções claras para guiar as respostas do Genie, e realizamos testes de Benchmark regularmente à medida que novos dados chegavam para avaliar seu desempenho geral.

Para dados não estruturados, como relatórios de visita do Salesforce e notícias de mercado, construímos índices de busca vetorial para cada fonte usando embeddings para permitir a busca por similaridade sensível ao contexto. Em seguida, criamos funções do Unity Catalog que encapsulam consultas do Mosaic AI Vector Search, garantindo governança pronta para a empresa, descoberta e rastreamento automático do MLflow. Finalmente, desenvolvemos um agente de chamada de ferramentas de função que invoca ferramentas de recuperação de vetores para lidar com solicitações específicas de tarefas passadas pelo supervisor.

Nosso projeto Marketmind começou sua fase de escopo em abril deste ano, seguido por uma prova de conceito (PoC) de 5 a 6 semanas. Em seguida, passamos para a fase de implementação completa, acompanhada por workshops de capacitação técnica, revisões de arquitetura e discussões sobre produtos e funcionalidades com a equipe de produtos do Mosaic AI da Databricks. Realizamos um piloto de um mês com 25 usuários-chave e agora estamos na fase final de refinamento antes do go-live e do lançamento na América do Norte até o final de outubro . Após o lançamento, mais de 1.000 representantes de vendas em todo o mundo usarão o Marketmind, com as entradas sendo atualizadas frequentemente.

O Marketmind já está mudando a forma como as equipes de vendas da BASF Coatings se preparam, interagem e fazem o acompanhamento com seus clientes. Em vez de procurar leads em anotações e pastas dispersas, os representantes de vendas recebem notificações personalizadas juntamente com ações e estratégias sugeridas com base nos acontecimentos atuais do mercado. Se mais informações forem necessárias, o Marketmind oferece a opção de aprofundar-se nos dados e relatórios subjacentes usando uma interface de chat fácil de usar. A captura de tela abaixo ilustra essa mudança. Sinais do mercado são apresentados em uma interface acionável e conversacional dentro do Microsoft Teams, para que a equipe de vendas da Coatings possa mudar seu foco de “O que aconteceu?” para “O que devo fazer a seguir?” sem trocar de ferramentas.

Como mostrado acima, as equipes de vendas podem não apenas fazer perguntas ad-hoc ao chatbot Marketmind diretamente no Teams, mas também receber adaptive cards proativos com as últimas tendências de mercado semanalmente. Os usuários podem explorar tópicos de interesse com mais detalhes clicando na URL anexada, que os redireciona para a fonte de dados original. Para aprimorar ainda mais a qualidade do agente, também integramos um mecanismo de votação que permite aos usuários dar um "joinha" ou "não joinha" rapidamente, ou fornecer feedback escrito mais detalhado no campo inferior. Esse feedback é capturado na tabela de inferência do modelo e integrado com os dados de payload existentes.

“O Marketmind transforma nossas interações de campo em ações oportunas e orientadas por IA — incentivando follow-ups inteligentes, revelando oportunidades relevantes e conectando colegas que enfrentam desafios semelhantes. O resultado: preparação mais rápida, conversas com clientes mais precisas e mais tempo para vender onde realmente importa.” — Adrian Fierro, Chefe de Inteligência de Mercado Global da BASF Coatings

Por que funcionou

A arquitetura de múltiplos agentes com o Genie como um agente oferece várias vantagens significativas para empresas como a BASF que buscam utilizar a IA de forma eficaz em seus contextos de negócios. Resumimos os principais pontos fortes nos seguintes aspectos:

Capacidades de agente especializadas com alta escalabilidade e modularidade: em um sistema multiagente, vários agentes podem se concentrar em seus domínios ou tarefas específicas, permitindo uma especialização mais profunda no tratamento de diversas consultas e conjuntos de dados. Além disso, organizações como a BASF podem expandir seu portal para soluções de IA com uma arquitetura que permite que cada divisão de negócios opere de forma independente, enquanto são orquestradas centralmente. Este design modular ajuda a gerenciar a complexidade ao longo do tempo.

Colaboração aprimorada e melhor experiência do usuário: os agentes podem compartilhar informações e contexto entre si, permitindo respostas mais abrangentes que integram dados de várias fontes. Isso facilita a tomada de decisões mais inteligentes e rápidas em várias funções empresariais. Ao integrar endpoints de IA ao MSFT Teams como uma interface de chat, permitimos que os usuários interajam com os agentes usando linguagem natural, tornando-o mais acessível para as partes interessadas não técnicas.

Governança e conformidade: A proteção de dados pessoais e de clientes é a base fundamental do Marketmind e continua sendo nossa maior prioridade. Cada interação é construída em estrita conformidade com os padrões de proteção de dados da BASF, aproveitando os recursos de governança de nível empresarial do Databricks, como o Unity Catalog, para controle de acesso refinado, rastreamento de linhagem e auditabilidade. Isso garante que, embora o Marketmind acelere insights e ações, ele o faça dentro de um ambiente seguro, transparente e totalmente governado.

Trabalho em equipe próximo entre BASF, Databricks e parceiros: Desde o início do projeto, as equipes de contas e produtos da BASF Coatings e da Databricks, e o parceiro Accenture, engajaram-se proativamente em workshops,. o que ajudou a alinhar os objetivos de negócio, os requisitos técnicos e a visão do produto, estabelecendo uma base sólida para uma implementação bem-sucedida. Pontualmente, sessões práticas criaram ciclos de feedback rápidos. A orientação especializada foi fornecida continuamente pela equipe de produtos da Databricks, ajudando a personalizar a solução para as necessidades complexas e em evolução da BASF e garantindo qualidade de nível empresarial.

Olhando para o futuro: Orquestração multicamada e Agent Bricks

Com o sucesso da solução de supervisor multiagente Marketmind, a empresa agora está expandindo o impacto nos negócios para operações mais amplas, incluindo Cadeia de Suprimentos, Compras, Chemetall (subsidiária de Tecnologia de Superfície) e Pessoas & Cultura. Juntamente com nossa equipe de produto, estamos explorando uma arquitetura multicamadas mais escalável, onde cada divisão opera seu próprio supervisor multiagente, enquanto um orquestrador de nível superior para toda a divisão de Coatings atende a todos os usuários. Este sistema hierárquico, um “supervisor de supervisores”, atinge o equilíbrio certo: ele permite o controle de acesso a dados e ferramentas no escopo da divisão, preserva a flexibilidade no desenvolvimento de agentes e oferece suporte a uma capacidade “Pergunte-me qualquer coisa” para toda a divisão de Coatings.

Um de nossos objetivos de aprimoramento futuro é a adoção do Agent Bricks, apresentado este ano no Data & AI Summit. Embora nossa solução atual baseada em Mosaic AI ofereça suporte à orquestração multiagente, ela continua priorizando o código e exige uma abordagem mais prática, com complexidade adicional na implantação e no gerenciamento. O Agent Bricks oferece uma maneira simplificada de criar e otimizar sistemas de agentes de IA de alta qualidade e específicos do domínio para casos de uso comuns, incluindo configurações multiagente. Com recursos como otimização automática, eficiência de custo e qualidade e mecanismos de feedback orientados pelo usuário, ele simplifica a implementação de agentes e permite que as equipes se concentrem nos principais desafios: dados, métricas e resolução de problemas. Embora ainda não tenhamos conseguido testar totalmente suas capacidades devido à disponibilidade regional limitada, vemos o Agent Bricks como uma direção visionária e planejamos habilitar a integração assim que estiver acessível, acelerando o desenvolvimento de supervisores multiagente específicos para cada divisão.

(This blog post has been translated using AI-powered tools) Original Post