Em resumo, os quatro Ds formam uma cadeia. Delega\u00e7\u00e3o \u00e9 sobre saber onde a IA ajuda e onde n\u00e3o ajuda. Descri\u00e7\u00e3o \u00e9 sobre dar a ela o papel, o contexto e as regras de que precisa para fazer o trabalho. Esses dois v\u00eam antes de o modelo ser usado. Os outros dois v\u00eam depois: discernimento \u00e9 verificar se a rota que a IA escolheu \u00e9 a certa \u2014 se a abordagem faz sentido e se a sa\u00edda \u00e9 realmente \u00fatil e correta \u2014 e dilig\u00eancia \u00e9 a consci\u00eancia de que, por melhor que seja o assistente, a assinatura na resposta final \u00e9 sua. Ao longo deste artigo, \u00e0 medida que percorremos as formas como a IA agora se conecta aos modelos da PSR, essas quatro etapas valem a pena ser lembradas: elas s\u00e3o o que separa usar bem a IA de meramente us\u00e1-la.<\/p>\n\n\n\n
O uso tradicional da IA<\/h2>\n\n\n\n
O primeiro passo para longe do mapa de papel foi a ascens\u00e3o dos LLMs. A forma mais antiga de utiliz\u00e1-los era a mais simples: escrever uma mensagem (um prompt), enviar ao modelo e ler a resposta que volta. Como isso funciona na pr\u00e1tica? Os LLMs (Modelos de Linguagem de Grande Escala) s\u00e3o treinados em enormes conjuntos de dados textuais. As palavras s\u00e3o primeiro tokenizadas, ou seja, quebradas em pequenos peda\u00e7os e convertidas em IDs num\u00e9ricos que o modelo pode processar. A partir desse treinamento, o modelo aprende a probabilidade de uma dada palavra ou frase seguir outra em um determinado contexto e usa essas probabilidades para gerar novos conte\u00fados sob demanda. \u00c9 o que chamamos de IA generativa. Ela produz e-mails, resumos, trechos de c\u00f3digo e rascunhos de relat\u00f3rios. O resultado \u00e9 genuinamente \u00fatil, mas tem limita\u00e7\u00f5es.<\/p>\n\n\n\n
Um LLM gen\u00e9rico \u00e9 restrito pelo conjunto de dados no qual foi treinado, e retreinar um modelo \u00e9 caro o suficiente para que n\u00e3o possa ser feito em tempo real. A consequ\u00eancia \u00e9 a falta de contexto. Se voc\u00ea perguntar ao IA sobre algo espec\u00edfico da PSR que n\u00e3o fazia parte do seu treinamento, ele n\u00e3o admite; ele adivinha, e o pior, faz isso com total confian\u00e7a. Pergunte a ele, por exemplo, “o que \u00e9 uma esta\u00e7\u00e3o renov\u00e1vel no SDDP?” e o modelo responder\u00e1 usando informa\u00e7\u00f5es p\u00fablicas sobre o conceito f\u00edsico de usinas renov\u00e1veis, algo como: “Uma Esta\u00e7\u00e3o Renov\u00e1vel \u00e9 uma instala\u00e7\u00e3o de gera\u00e7\u00e3o de energia que produz eletricidade a partir de fontes de energia naturalmente renov\u00e1veis, como solar, e\u00f3lica, h\u00eddrica ou biomassa.” \u00c9 o que chamamos de alucina\u00e7\u00e3o.<\/p>\n\n\n\n
Intelig\u00eancia fundamentada: um assistente que conhece a PSR<\/h2>\n\n\n\n
Para suprir essa falta de contexto, o LLM deve de alguma forma acessar o pr\u00f3prio conhecimento da PSR. Como retreinar completamente o modelo com a documenta\u00e7\u00e3o da PSR seria caro, imagine que podemos conectar um pen-drive ao LLM no momento em que ele precisa ser respondido. A t\u00e9cnica que faz exatamente isso \u00e9 a Gera\u00e7\u00e3o Aumentada por Recupera\u00e7\u00e3o (RAG)<\/strong>. Ela funciona em quatro pequenas etapas. Primeiro, a documenta\u00e7\u00e3o da PSR (manuais, notas metodol\u00f3gicas, exemplos) \u00e9 dividida em peda\u00e7os menores chamados chunks<\/em>, tokenizada e incorporada em um \u00edndice vetorial, para que fale a mesma linguagem num\u00e9rica que o LLM usa para gerar texto (0). Quando um usu\u00e1rio faz uma pergunta (1), a pr\u00f3pria pergunta tamb\u00e9m \u00e9 vetorizada, e uma busca por similaridade usando dist\u00e2ncia de cosseno retorna as passagens cujo significado est\u00e1 mais pr\u00f3ximo. Essas passagens s\u00e3o injetadas no prompt como contexto, para que o LLM receba tanto a pergunta do usu\u00e1rio quanto a documenta\u00e7\u00e3o de que precisa para respond\u00ea-la corretamente \u2014 exatamente a etapa de descri\u00e7\u00e3o de que falamos no par\u00e1grafo de abertura (2). O LLM ent\u00e3o comp\u00f5e uma resposta fundamentada a partir dessa evid\u00eancia, e n\u00e3o a partir do seu treinamento geral (3).<\/p>\n\n\n\n O PSR Assistant usa exatamente essa t\u00e9cnica para permitir que os usu\u00e1rios fa\u00e7am perguntas espec\u00edficas sobre a PSR. Ele n\u00e3o apenas responde \u00e0 pergunta; tamb\u00e9m retorna o link para a p\u00e1gina relevante no PSR Knowledge Hub, para que o usu\u00e1rio possa verificar a informa\u00e7\u00e3o. Al\u00e9m de evitar alucina\u00e7\u00f5es, o ganho real \u00e9 tempo: em vez de pesquisar em centenas de p\u00e1ginas, o usu\u00e1rio obt\u00e9m uma resposta direta com fonte. O Assistant tem dois “irm\u00e3os” constru\u00eddos sobre o mesmo padr\u00e3o, mas fundamentados no c\u00f3digo-fonte das bibliotecas da PSR \u2014 um para o PSR Factory, nossa API de automa\u00e7\u00e3o em Python, e outro para o PSRIO, nossa ferramenta de BI. Para usu\u00e1rios que ainda n\u00e3o dominam essas bibliotecas, eles resolvem o problema da p\u00e1gina em branco: basta pedir um script t\u00edpico e receber um ponto de partida funcional que pode ser adaptado.<\/p>\n\n\n\n Figure 1 \u2014 RAG anchors the LLM on PSR\u2019s own documentation, replacing hallucinated definitions with grounded, sourced answers.<\/p>\n\n\n\n Mas e se a IA pudesse ir al\u00e9m de gerar conte\u00fado e come\u00e7ar a executar tarefas? Imagine que o trabalho manual que um analista realiza todos os dias \u2014 descobrir os dados de entrada de um modelo, editar esses dados, executar casos localmente ou na nuvem, visualizar os resultados \u2014 pudesse ser transformado em tarefas automatizadas acionadas por uma \u00fanica solicita\u00e7\u00e3o em linguagem natural. Esta \u00e9 a terceira etapa da jornada: da IA generativa \u00e0 IA ag\u00eantica, um sistema projetado para executar fluxos de trabalho complexos combinando planejamento aut\u00f4nomo, mem\u00f3ria de longo prazo e a capacidade de interagir com aplica\u00e7\u00f5es externas. Mas se o LLM ainda tem dados limitados, como ele pode saber sobre nossos dados?<\/p>\n\n\n\n Plataformas modernas de IA \u2014 da OpenAI, da Anthropic e de outras \u2014 agora suportam ramifica\u00e7\u00f5es personalizadas que d\u00e3o ao modelo acesso a aplica\u00e7\u00f5es externas. O modelo ent\u00e3o se comporta como um orquestrador: ele usa essas ramifica\u00e7\u00f5es, juntamente com seu pr\u00f3prio LLM, para executar tarefas para o usu\u00e1rio. Para executar uma tarefa automaticamente, o modelo precisa de acesso a uma fun\u00e7\u00e3o de c\u00f3digo personalizada que possa chamar e que, por sua vez, possa acessar fontes de dados externas. A forma padr\u00e3o de fazer essa conex\u00e3o \u00e9 o Model Context Protocol (MCP), um protocolo aberto que permite que qualquer LLM interaja com sistemas externos por meio de uma interface consistente. Um servidor MCP publica um cat\u00e1logo de ferramentas \u2014 fun\u00e7\u00f5es tipadas, cada uma com uma descri\u00e7\u00e3o clara \u2014 que o modelo pode navegar e invocar. O PSR Agent<\/strong> \u00e9 o nosso servidor MCP. Ele exp\u00f5e fun\u00e7\u00f5es que, por meio da API Python do PSR Factory, conversam com os bancos de dados dos modelos PSR. A orquestra\u00e7\u00e3o geralmente come\u00e7a com um plano interno do que deve ser feito; o modelo ent\u00e3o compara esse plano com as descri\u00e7\u00f5es no cat\u00e1logo de ferramentas, por similaridade, e seleciona a ferramenta que melhor corresponde \u00e0 tarefa em quest\u00e3o.<\/p>\n\n\n\n Para que a IA fa\u00e7a tudo isso bem, ela precisa de uma boa descri\u00e7\u00e3o de como essas ferramentas funcionam e qual fluxo de trabalho deve ser usado para cada tarefa. Mas seria tedioso escrever essas instru\u00e7\u00f5es do zero toda vez. A solu\u00e7\u00e3o natural \u00e9 empacot\u00e1-las uma vez e reutiliz\u00e1-las. Esta \u00e9 a ideia por tr\u00e1s das Habilidades<\/strong> (Skills<\/em>): pacotes de instru\u00e7\u00f5es, exemplos e scripts auxiliares que o agente carrega sob demanda quando reconhece um tipo de tarefa familiar. Onde o MCP d\u00e1 \u00e0 IA acesso, as Habilidades lhe d\u00e3o expertise \u2014 a ordem correta em que chamar as ferramentas, as armadilhas comuns a evitar, o estilo da PSR para relatar resultados. Um fluxo de trabalho t\u00edpico est\u00e1 ilustrado abaixo; ao final dele, o LLM \u00e9 utilizado mais uma vez, desta vez para redigir o resultado ou para relatar uma mensagem de sucesso ou falha.<\/p>\n\n\n\n Figure 2 \u2014 The PSR Agent: an AI model uses its LLM to discover and load Skills for domain expertise, accesses PSR tools through MCP, and reads from and writes to the SDDP database via PSR Factory.<\/p>\n\n\n\n A caixa de ferramentas que a PSR incorporou ao Agent est\u00e1 centrada nas partes do dia que levam mais tempo. Localizar um objeto, navegar por suas rela\u00e7\u00f5es ou filtrar elementos por condi\u00e7\u00e3o se torna uma \u00fanica pergunta, em vez de uma sequ\u00eancia de abas e cliques pela interface. Opera\u00e7\u00f5es em massa repetitivas \u2014 atualizar capacidades, escalar s\u00e9ries temporais, criar novos objetos \u2014 podem ser executadas automaticamente em um modo de c\u00f3pia segura que preserva o caso original. Simula\u00e7\u00f5es no SDDP, no OptGen e no NCP podem ser iniciadas diretamente da conversa, com o Agent monitorando o status de execu\u00e7\u00e3o e extraindo resumos estruturados de erros, avisos e informa\u00e7\u00f5es de converg\u00eancia dos logs de execu\u00e7\u00e3o. Compara\u00e7\u00f5es de cen\u00e1rios, c\u00e1lculos de receita e an\u00e1lises de resultados tamb\u00e9m podem ser realizados por meio da conversa; uma \u00fanica instru\u00e7\u00e3o \u00e9 suficiente para empacotar as sa\u00eddas e notificar a equipe.<\/p>\n\n\n\n Em resumo, o conjunto atual de ferramentas foi projetado para reduzir o trabalho operacional repetitivo realizado tradicionalmente pela interface gr\u00e1fica. O projeto deve evoluir de forma incremental: \u00e0 medida que novos fluxos de trabalho recorrentes e necessidades dos usu\u00e1rios forem identificados, capacidades adicionais ser\u00e3o incorporadas ao Agent ao longo do tempo.<\/p>\n\n\n\n Na pr\u00e1tica, um \u00fanico prompt como “atualize a capacidade instalada da Usina X para 1.350 MW, execute o SDDP para o horizonte de 2026 e envie os resultados por e-mail para a equipe de opera\u00e7\u00f5es” j\u00e1 corresponde a um fluxo de trabalho que anteriormente exigia v\u00e1rias etapas manuais em diferentes interfaces. O usu\u00e1rio ainda revisa as a\u00e7\u00f5es propostas e valida a resposta final, mas o atrito operacional cai drasticamente.<\/p>\n\n\n\n Fundamentar o LLM no conhecimento da PSR e conect\u00e1-lo \u00e0s ferramentas da PSR cobre as partes de “informa\u00e7\u00e3o” e “execu\u00e7\u00e3o” do problema. A terceira pe\u00e7a, ainda em desenvolvimento, \u00e9 a camada de an\u00e1lise: um agente que n\u00e3o apenas responde perguntas ou executa tarefas operacionais sob demanda, mas interpreta resultados de simula\u00e7\u00f5es, formula hip\u00f3teses sobre o que os est\u00e1 impulsionando e obt\u00e9m os dados necess\u00e1rios para testar essas hip\u00f3teses.<\/p>\n\n\n\n O prot\u00f3tipo, atualmente em desenvolvimento, est\u00e1 estruturado como um pipeline multiagente. Um orquestrador despacha a solicita\u00e7\u00e3o do usu\u00e1rio para subagentes especializados \u2014 um para classifica\u00e7\u00e3o do problema, um para hip\u00f3tese de causa, um para descoberta de dados \u2014 cada um com seu pr\u00f3prio conjunto restrito de ferramentas. O orquestrador ent\u00e3o combina suas sa\u00eddas em uma \u00fanica resposta sintetizada, com evid\u00eancias rastre\u00e1veis que o analista pode auditar passo a passo.<\/p>\n\n\n\n Figure 3 \u2014 Reasoning agent under development: specialized sub-agents classify the problem, generate hypotheses and discover data, then return a synthesized, evidence-backed analytical answer.<\/p>\n\n\n\n Juntos, RAG, IA ag\u00eantica e a camada de racioc\u00ednio tra\u00e7am um caminho claro para a IA dentro da PSR: de explicar os modelos, para oper\u00e1-los, para raciocinar sobre seus resultados. O objetivo n\u00e3o \u00e9 substituir o analista, mas retirar o trabalho rotineiro do prato do analista, para que o tempo economizado seja dedicado ao que realmente requer julgamento humano.<\/p>\n","protected":false},"featured_media":1014659,"template":"","meta":{"_acf_changed":true},"report_section":[479],"class_list":["post-1014161","analytics_post","type-analytics_post","status-publish","has-post-thumbnail","hentry","report_section-inbrief"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-14.png\")
<\/figure>\n\n\n\nIA ag\u00eantica: de respostas a a\u00e7\u00f5es<\/h2>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-15.png\")
<\/figure>\n\n\n\nA pr\u00f3xima etapa: uma camada de racioc\u00ednio<\/h2>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-16.png\")
<\/figure>\n\n\n\n