Como knowledge graphs vão transformar a IA corporativa em 2026
No GraphSummit 2026, Neo4j, Collibra, Blitzy e Raymond James mostraram como knowledge graphs viram camada única de contexto, reforçam governança e segurança e turbina assistentes de IA.
Inteligência Artificial
Especialistas revelam o impacto dos knowledge graphs na evolução da IA corporativa, destacando segurança e governança aprimoradas.
Leia também: Google detecta ataques cibernéticos 100% automatizados por IA
Especialistas de empresas como Neo4j, Collibra, Blitzy e Raymond James defenderam, durante o GraphSummit 2026, que knowledge graphs se tornem a camada única de conhecimento dentro das companhias para sustentar agentes de IA, garantir governança em tempo real, aumentar a segurança em mudanças de software e dar mais precisão à automação no setor financeiro.
Knowledge graph como camada única de conhecimento
Jesús Barrasa, CTO de gen AI na Neo4j, explicou que, para serem realmente úteis, agentes de IA precisam não só dos dados da empresa, mas do contexto de negócios em que esses dados existem. Em vez de repetir esse contexto a cada novo agente por meio de prompts, o knowledge graph passa a concentrar tudo em uma camada única.
“This knowledge layer, this idea of capturing your enterprise knowledge and using it as the context engine for your agents, not only gives you the consistency … it gives you the explainability”, afirmou Barrasa, em entrevista ao estúdio de livestreaming theCUBE. Segundo ele, essa camada permite rastrear de onde veio cada informação usada para formar uma resposta e quais elementos foram combinados.
Na prática, a proposta é que diferentes agentes conversem com o mesmo grafo de conhecimento, reduzindo redundâncias, evitando contradições entre sistemas e facilitando auditorias posteriores.
Como governar agentes de IA “na velocidade da IA”
Com agentes mais autônomos, a pergunta passa a ser como controlá-los em tempo real. Felix Van de Maele, CEO e cofundador da Collibra, disse que decisões antes tomadas com calma por equipes humanas agora precisam ser feitas em segundos por algoritmos, o que muda a lógica da governança.
“The challenge is: how do you govern at the speed of AI, which is different than the way we had to govern five years ago?”, disse Van de Maele. A Collibra construiu, sobre o banco de dados em grafos da Neo4j, um conjunto de ferramentas — como Live Map, Maestro, Guardian Agents e Agent Contracts — que funcionam como um sistema de controle para os agentes.
O Maestro permite criar “steward agents”, responsáveis por tarefas de governança. “Maestro gives our customers the ability to build these governance steward agents that automate up to 80% of the governance work. You’re able to govern quickly and efficiently enough to keep up with the demands of new AI workloads”, afirmou o executivo.
Já os Agent Contracts monitoram o comportamento dos agentes, checando se seguem regras pré-definidas e bloqueando ações que violem essas políticas. A meta é evitar decisões não autorizadas em sistemas críticos sem travar o ganho de velocidade trazido pela automação.
Entenda o contexto
A combinação entre knowledge graphs e esses “agentes de governança” cria um tipo de painel em tempo real sobre o que a IA está fazendo com os dados da empresa, quem autorizou quais ações e onde podem estar os principais riscos. Segundo os executivos, isso desloca boa parte do trabalho manual de compliance para camadas automatizadas, enquanto humanos passam a supervisionar regras, exceções e casos sensíveis.
IA vigiando IA para mudar milhões de linhas de código
No desenvolvimento de software, o desafio é garantir que mudanças feitas por agentes não quebrem sistemas complexos. A Blitzy, que executa milhares de agentes de codificação em paralelo para mudanças em larga escala, usa knowledge graphs para mapear dependências e riscos dentro dos sistemas.
De acordo com Neeraj Deshmukh, diretor de engenharia da empresa, o grafo oferece o contexto de que os agentes precisam para operar em ambientes com milhões de linhas de código sem se perder. Os planos de ação são definidos e aprovados por humanos e, em seguida, executados por agentes com apoio de testes automatizados.
“On top of that, we have agents who are watching other agents to make sure that they abide by the spec, the plan that we had created and approved by the human in the loop”, disse Deshmukh. Segundo ele, essa “camada de supervisão” é o que evita deriva de comportamento ou alucinações durante grandes mudanças.
O modelo, baseado em grafo, permite identificar rapidamente que parte do código pode ser afetada por uma alteração e quais caminhos são mais seguros, reduzindo o risco de falhas em produção.
Setor financeiro aposta em fontes ‘douradas’ e assistente Raimond
No setor financeiro, a Raymond James usa knowledge graphs para garantir que os agentes de IA operem apenas com dados de fontes consideradas totalmente confiáveis, chamadas internamente de “golden sources”.
Naveen Mahankali, vice-presidente de tecnologia, explicou que essas fontes são sistemas já consolidados na operação da instituição. Mesmo quando os dados vêm de múltiplas origens, tudo é integrado no Neo4j, que serve como grafo central de conhecimento. A empresa roda avaliações automáticas comparando as informações integradas com as “golden sources” e só libera soluções que atinjam 100% de precisão.
Paralelamente, a Raymond James já colocou em campo Raimond, um assistente de IA voltado a apoiar consultores financeiros. “We have an AI assistant … it’s gotten huge adoption, and it’s just going to get smarter”, afirmou Jeff Griffith, vice-presidente de engenharia de IA e ciência de dados da companhia.
Segundo Griffith, a estratégia é redesenhar o ambiente de trabalho para que os profissionais deixem tarefas manuais para os agentes e passem a gerenciá-los como ferramentas. Isso muda o perfil de habilidades demandadas, priorizando quem sabe formular problemas relevantes e coordenar a atuação da IA sobre os dados certos.
Impactos para empresas e profissionais
Os relatos no GraphSummit apontam para um consenso: knowledge graphs tendem a ser peça central na adoção de agentes de IA em ambientes corporativos complexos. Eles funcionam como fonte única de verdade para dados e regras, ancorando tanto a explicabilidade quanto a governança em tempo real.
Para as empresas, isso significa potencial de mais eficiência, menos erros e mais confiança em automações que já tomam decisões sensíveis. Para profissionais, o movimento exige adaptação: sai o foco em executar tarefas repetitivas, entra a responsabilidade de desenhar políticas, supervisionar agentes e lidar com exceções em parceria com sistemas cada vez mais autônomos.


