Os agentes KARL Databricks chegaram para desafiar modelos de linguagem de grande porte em um terreno crítico para empresas: a busca dentro da própria organização. O KARL — sigla para Knowledge Agents via Reinforcement Learning — é um agente de IA desenvolvido pela Databricks para realizar seis comportamentos distintos de busca empresarial, com desempenho equivalente ao Claude Opus 4.6 da Anthropic, mas 33% mais barato e 47% mais rápido por consulta.
Para o empreendedor, isso significa algo concreto: qualidade de Claude em buscas corporativas, pagando menos e recebendo respostas mais rápidas. E sem pagar pelo custo de um modelo de propósito geral para tarefas que um agente especializado resolve melhor.
Como os agentes KARL Databricks foram treinados
Jonathan Frankle, Cientista-Chefe de IA da Databricks, identificou o problema central: "Muito pouco do que as empresas fazem no dia a dia em tarefas de conhecimento é verificável." Em outras palavras: é difícil treinar um agente com dados rotulados por humanos quando as respostas corretas raramente são claras ou documentadas.
A solução foi desenvolver o OAPL (Optimal Advantage-based Policy Optimization with Lagged Inference), algoritmo de reforço que permite treinamento estável com mais de 400 passos de gradiente fora de política — 100 vezes mais eficiente que abordagens anteriores. Todo o treinamento dos agentes KARL Databricks utilizou exclusivamente dados sintéticos, sem nenhum rótulo criado por humanos, e consumiu apenas milhares de horas de GPU no total.
Em cada tarefa de busca, o agente realiza até 200 consultas sequenciais a bancos de dados vetoriais, comprimindo o próprio contexto quando necessário para não estourar os limites de memória.
As seis buscas empresariais que o KARL domina
O benchmark interno KARLBench mede seis comportamentos críticos para operações corporativas:
- Busca por entidade com restrição — localizar registros dentro de condições específicas
- Síntese de relatórios entre documentos — cruzar informações de múltiplas fontes corporativas
- Leitura longa com raciocínio tabular — navegar documentos extensos com tabelas numéricas
- Recuperação exaustiva de entidades — listar todos os registros que atendem a critérios
- Raciocínio procedural — seguir processos técnicos descritos em manuais internos
- Agregação de fatos internos — consolidar informações de notas corporativas dispersas
Nos testes, os agentes KARL Databricks alcançaram qualidade equivalente ao Claude Opus 4.6 nessas seis categorias, com custo 33% menor e latência 47% inferior. Para equipes que precisam de respostas em tempo real durante auditorias, negociações ou análises de contratos, essa diferença de velocidade é determinante.
O modelo tem limitações documentadas: lida mal com perguntas ambíguas com múltiplas respostas válidas, pode parar cedo em consultas difíceis e, por ora, está restrito à busca vetorial.
Por que isso importa para o seu negócio
Se você usa IA para acessar informações internas da empresa — seja o Claude, o ChatGPT ou outra ferramenta —, a evolução dos agentes especializados vai mudar o mercado que você conhece. Modelos menores, treinados para tarefas corporativas específicas, tendem a ser mais precisos, mais baratos e mais rápidos do que LLMs de propósito geral nesses casos de uso.
O KARL é evidência disso: não tenta fazer tudo, mas resolve muito bem o que a maioria das empresas precisa — buscar, cruzar e sintetizar informações internas. A metodologia com dados sintéticos e reforço também é relevante para PMEs sem acervos de dados rotulados. Saiba mais na publicação técnica do KARL no blog da Databricks.
Conteúdo reescrito e traduzido para PT pela redação luiscortex, revisado por humano.
Fonte: VentureBeat
