TLDR;

É uma abordagem que fornece contexto sob demanda e usa as falhas dos agentes como sinal para identificar lacunas de conhecimento institucional e melhorar a coerência da base de conhecimento. Em vez de apenas empilhar RAGs/MCPs, a metodologia propõe avaliar e testar o que é recuperado, depurando índices e conteúdos a partir dos erros observados nos agentes. O objetivo é transformar dados indeterminísticos e não testados em contexto relevante e mensurável para aumentar a acurácia factual e o impacto real nas entregas empresariais.

Resumo

Raj, engenheiro sênior da IKEA, abriu o workshop explicando que apresentaria agentes e gerenciamento de contexto em três partes: situação, problema e hands‑on. Usou o filme Memento para ilustrar que agentes atuais são muito bons em raciocínio, geração de código e tarefas gerais, mas sofrem com falta de conhecimento institucional. Explicou a evolução de IA — prompt engineering, RAGs, MCPs, agentes multiagente — e observou que, apesar da adoção em massa nas empresas, o retorno de valor é baixo: tarefas simples (verde) são cobertas por LLMs, customizações (laranja) exigem skills ou extensões, enquanto o conhecimento vermelho, embutido em Confluence, Jira, SharePoint e Git, continua inacessível. A solução adotada pela indústria é uma camada de recuperação (retrieval) que alimenta agentes via RAGs ou knowledge graphs, potencialmente melhorando acurácia factual até certo ponto. Porém, ele alertou que muitas implementações empresariais criam dezenas de servidores MCP/RAG com saídas não determinísticas, pouco confiáveis e quase nunca avaliadas; a prática foca em obter respostas, não em medir valor real. Concluiu que é preciso gestão de contexto orientada à demanda, validação e pipelines de avaliação para transformar eficácia técnica em entrega de negócio e garantir impacto mensurável nas métricas operacionais e financeiras do produto e empresa.