Imagine uma rede varejista planejando uma campanha promocional. Os modelos de previsão indicam que cortar o preço de determinada categoria em 8% deve elevar significativamente as vendas. Um agente de inteligência artificial analisa os dados, recomenda a promoção e trata de executá-la. A previsão pode até estar certa — ainda assim, o resultado final pode ficar abaixo do esperado. É justamente nesse tipo de descompasso que entra o conceito de Enterprise World Models, uma abordagem que propõe simular, e não apenas prever, os efeitos de decisões dentro de uma organização.
Na prática, o aumento repentino da demanda pode pressionar estoques, sobrecarregar centros de distribuição, alongar prazos de entrega e disparar cancelamentos. Produtos substitutos podem perder espaço nas vendas. Ou seja, a receita cresce, mas as margens e a experiência do cliente podem se deteriorar ao mesmo tempo.
O problema, portanto, não está necessariamente na qualidade da previsão inicial, mas na representação incompleta das consequências da decisão. A questão vai além de estimar uma única variável: envolve entender como diferentes escolhas afetam um conjunto de recursos, processos, restrições e comportamentos interligados.
Os modelos fundacionais ampliaram a capacidade de reaproveitar representações entre diferentes tarefas. Essa flexibilidade, no entanto, não garante que uma aplicação tenha acesso a uma visão atualizada da organização sobre a qual atua — afinal, interpretar informações e acompanhar como um sistema muda ao longo do tempo são capacidades distintas.
O que são os Enterprise World Models
É exatamente nessa lacuna que se encaixa a hipótese dos Enterprise World Models, entendidos como representações computacionais dinâmicas de partes relevantes de uma empresa. A proposta combina dados observados, regras explícitas e relações aprendidas para simular como diferentes decisões podem alterar o funcionamento do negócio.
A ideia não é criar uma réplica perfeita da companhia nem prever o futuro com certeza absoluta, mas sim desenvolver ambientes nos quais decisões possam ser testadas antes de valer, suas possíveis repercussões analisadas e as hipóteses usadas continuamente confrontadas com a realidade.
Quando executar corretamente não basta
Uma decisão pode ser boa para uma área específica e, ao mesmo tempo, prejudicial para o conjunto da operação. Aumentar a utilização de equipamentos, por exemplo, pode elevar a produtividade no curto prazo, mas também ampliar a pressão sobre manutenção e disponibilidade futura — a velha máxima de que um ótimo local não garante um ótimo global.
Quando agentes de IA passam a executar decisões de forma autônoma, a avaliação de resultados precisa acompanhar essa interdependência. Checar apenas se uma tarefa foi concluída deixa de responder a uma parte importante do problema.
O Vending-Bench 2, desenvolvido pela Andon Labs, aproxima essa discussão da realidade de um pequeno negócio. No experimento, agentes administram uma operação simulada de máquinas de venda automática por até um ano, partindo de um saldo inicial de US$ 500. Eles precisam negociar com fornecedores, comprar produtos, definir preços e lidar com atrasos e pedidos de reembolso. A pontuação final corresponde ao saldo bancário, e não a uma apuração completa do lucro contábil.
Segundo a Andon Labs, os melhores modelos mantêm atividade consistente ao longo de toda a simulação e conseguem negociar produtos em condições mais favoráveis — um desempenho que depende de coordenar decisões ao longo do tempo, e não apenas de resolver tarefas isoladas. Vale destacar, porém, que o experimento avalia agentes dentro de um simulador: ele não isola a contribuição específica de um modelo de mundo, nem comprova que um resultado elevado ali se repetiria numa empresa real. Ainda assim, sua contribuição é colocar em evidência a sequência de decisões que leva a determinado resultado.
Outro estudo, o World of Workflows, investigou um problema complementar. O ambiente de teste, baseado no ServiceNow, reúne mais de 4 mil regras, 55 fluxos de trabalho e 234 tarefas. Os autores observaram dificuldades dos modelos avaliados para antecipar mudanças de estado e efeitos em cascata, incluindo violações de restrições que não ficavam evidentes na resposta imediata das ferramentas.
Esses dois estudos ajudam a separar a execução de uma ação da representação das mudanças que ela provoca. Seus resultados estão limitados aos ambientes testados, mas a questão que levantam é relevante justamente para pensar a delegação de decisões a agentes de IA.
O que os modelos de mundo ajudam a compreender
No trabalho “A Path Towards Autonomous Machine Intelligence”, Yann LeCun propõe uma arquitetura para sistemas capazes de aprender representações do ambiente, antecipar consequências de ações e planejar comportamentos orientados por objetivos. Nessa proposta, o modelo de mundo ocupa posição central, pois permite estimar estados futuros possíveis e comparar alternativas antes mesmo da execução. Trata-se, porém, de um documento conceitual, e não de uma arquitetura empresarial já validada.
Essa agenda também envolve uma mudança na forma de aprender representações. Na família Joint-Embedding Predictive Architecture (JEPA), a previsão ocorre em um espaço de representações aprendidas, sem a necessidade de reconstruir detalhadamente as observações originais. O I-JEPA demonstrou esse princípio em imagens, prevendo representações de regiões em vez de reconstruir pixel a pixel.
Em 2025, o trabalho V-JEPA 2 mostrou como representações aprendidas a partir de vídeos poderiam servir de base para um modelo condicionado a ações. Após treinamento adicional com dados de ações robóticas, sua variante V-JEPA 2-AC foi usada para planejar tarefas delimitadas de manipulação.
Outras linhas de pesquisa exploram princípios semelhantes por meio de arquiteturas diferentes. A terceira geração do Dreamer, publicada na Nature em 2025, aprende um modelo do ambiente e utiliza trajetórias imaginadas para aprimorar o comportamento do agente, tendo sido avaliada em mais de 150 tarefas experimentais.
Esses resultados sustentam a utilidade de representações dinâmicas aprendidas para planejamento e controle nos ambientes estudados — mas não comprovam sua transferência automática para a gestão de organizações reais. A questão empresarial, nesse sentido, é investigar como essas representações podem capturar as relações relevantes para cada tipo de decisão.
Conhecer informações sobre um sistema é diferente de representar como ele pode mudar quando uma ação é executada.
Um modelo de linguagem pode interpretar documentos, relacionar informações e participar da formulação de alternativas. No entanto, essas capacidades não garantem, por si só, um estado empresarial persistente, regras atualizadas ou previsões multietapas validadas. Assim, a distinção não opõe modelos de linguagem a modelos de mundo — ela explicita o que precisa existir ao redor ou dentro desses sistemas para que suas projeções mereçam confiança.
A empresa vista como um sistema dinâmico
Para construir esse tipo de representação, é preciso começar pelo estado atual: identificar o que está acontecendo, quais recursos estão disponíveis, quais compromissos já foram assumidos e quais condições ainda permanecem incertas.
Esse estado não é apenas uma fotografia de indicadores. Ele precisa preservar informações que influenciam o que pode acontecer depois, como atividades em andamento, prazos, recursos comprometidos e efeitos de decisões anteriores. Segundo a hipótese discutida, essas informações alimentariam uma dinâmica que pode ser expressa, de forma simplificada, pela relação: estado futuro = f(estado atual, ações, condições externas, incerteza).
Essa relação deve admitir diferentes trajetórias possíveis, e não um único futuro fixo. Em cada trajetória, o resultado estimado de uma etapa se torna a condição inicial da etapa seguinte, permitindo examinar efeitos que se acumulam ao longo do tempo.
Isso, no entanto, não exige reproduzir todos os detalhes da empresa. A representação adequada depende da decisão em questão e do horizonte de tempo analisado. Avaliar uma mudança de turno em uma fábrica demanda informações bem diferentes daquelas necessárias para decidir onde instalar uma nova unidade — por isso, o desafio central dos Enterprise World Models está em preservar as relações que realmente importam para cada contexto de decisão, sem tentar simular tudo ao mesmo tempo.
Com informações de mitsloanreview.com.br.
