Para o agente de IA que opera o recebimento de leite em uma laticínio, "gordura" e "espessura" não são adjetivos soltos. São campos obrigatórios. A função de recebimento em alimentos e bebidas da Infor (abre em nova aba) exige a captura do teor de gordura e da espessura do leite; quando o que chega é carne vermelha, o país de origem entra como configuração adicional. Um assistente genérico, treinado apenas na linguagem de propósito geral, não tem como adivinhar essas regras. É nesse vão entre o genérico e o específico que a Infor localiza o problema das alucinações em agentes corporativos, e é dele que nasce sua resposta de engenharia.
A empresa desenvolve agentes setoriais para manufatura industrial, aeroespacial e defesa, automotivo e alimentos e bebidas, construídos sobre os aplicativos que já vende nesses mercados. O foco inicial é prosaico: gargalos comuns e tarefas repetitivas. Durante a Infor Velocity Week, Suresh Jayaraman, vice-presidente sênior de gerenciamento e desenvolvimento de produto da Inor, descreveu o risco do caminho alternativo:
"Embora os agentes genéricos possam funcionar, você sempre esbarra no desafio de não obter uma resposta determinística toda vez. E haverá muitas alucinações acontecendo."
O anúncio das inovações do release 2026.10 (abre em nova aba), publicado em outubro de 2026, resume a tese com franqueza: um agente que não sabe o que um bill of materials (BOM) significa em aeroespacial é apenas uma forma mais rápida de estar errado. A velocidade sem o contexto setorial amplia o erro em vez de contê-lo.
O modelo de dados, não o prompt
Por que exatamente um agente setorial alucinaria menos que um genérico? A resposta da Infor passa longe do prompt engineering. Na argumentação da empresa, a diferença entre um agente preciso e um agente genérico está no modelo de dados: as suítes CloudSuite e os modelos de dados setoriais são construídos juntos, de modo que um Industry AI Agent herda a lógica do negócio em vez de redescobri-la por texto. Para quem integra sistemas, a leitura é concreta. Entidades, campos, validações e fluxos já existem como restrição estrutural: o modelo de linguagem não precisa "saber" que leite tem teor de gordura, porque opera em um schema em que essa informação é campo de entrada obrigatório do processo de recebimento.
O segundo mecanismo é o grounding, a restrição das respostas da IA a fontes verificáveis, no espírito do que o mercado chama de RAG (retrieval-augmented generation), arquitetura em que o sistema recupera trechos de uma base confiável antes de gerar a resposta. O Infor GenAI Public Knowledge Hub, apresentado no release, ancora as respostas em conteúdo publicado pela própria Infor em vez do melhor palpite do modelo. O acesso aos agentes acontece pelo Infor GenAI Assistant, e os novos GenAI Embedded Experiences levam a interação para dentro das telas de operação do dia a dia.
Escopos e guardrails no release 2026.10
O release de outubro de 2026 fortalece a governança de IA e adiciona guardrails, barreiras de segurança que delimitam o que um agente pode fazer, por meio de escopos e controles de acesso. Em termos práticos, o escopo define quais objetos o agente pode tocar; a camada de segurança define quem pode invocá-lo e em quais condições. É a mesma lógica de menor privilégio que um engenheiro de plataformas aplicaria a qualquer integração, agora estendida a agentes.
A execução também é cercada. Segundo a Infor, os agentes executam o trabalho de rotina de ponta a ponta dentro de fluxos de aprovação governados e trazem uma pessoa para os pontos de decisão. O exemplo citado por Jayaraman é enxuto: um agente consegue criar um pedido e verificar demanda, mas mover o pedido de um cliente para outro ainda exige aprovação humana. A fronteira desenhada é reveladora. Automatiza-se o repetitivo e previsível; interrompe-se no ponto em que o erro teria dono, custo e consequência contratual.
Núcleos comuns, microverticais e salto de escala
A palavra "setorial" esconde granularidade. A Infor usa núcleos comuns compartilhados entre indústrias semelhantes, com configuração leve para microverticais como química e HVAC (aquecimento, ventilação e ar-condicionado). O salto de escala é o que torna o desenho viável: de um campo num formulário de recebimento a um núcleo de dados compartilhado por indústrias inteiras, o mesmo princípio de configuração se repete. O que muda de um domínio para outro é a regra de negócio incorporada ao modelo de dados.
A comparação feita pela própria Infor para um mesmo agente de compras em três contextos mostra o quanto o modelo de dados muda o comportamento:
| Contexto | Prioridade que o agente incorpora |
|---|---|
| Hospital | Conformidade com a FDA (agência reguladora de alimentos e medicamentos dos EUA) e continuidade do suprimento |
| Automotivo | Desempenho de fornecedores frente a cronogramas just-in-time |
| Alimentos e bebidas | Prazo de validade (shelf life) |
Nenhum prompt genérico reproduz essas hierarquias com confiabilidade. Quando a prioridade é herdada do modelo de dados, o agente deixa de depender de contexto implícito no texto para operar sobre restrição explícita no sistema.
De Coleman aos agentes sobre o Infor LN
A aposta atual tem antecedente. Antes da onda generativa, a Infor já mantinha uma plataforma de inteligência artificial chamada Coleman, anunciada em 2017 e batizada em homenagem à matemática Katherine Johnson, dos cálculos de trajetória da NASA. O Coleman era máquina preditiva e assistente, mas o ativo estratégico era o mesmo de agora: dados setoriais estruturados dentro de sistemas operacionais reais. A geração de linguagem natural muda o instrumento, não a matéria-prima.
A base de produto escolhida para os novos agentes é o Infor LN, ERP (enterprise resource planning) de longa data voltado a manufatura complexa, com linhagem que remonta ao Baan. O release 2026.10 nomeia os agentes de nova geração construídos sobre o LN:
- Manufacturing (manufatura)
- Supply Chain (cadeia de suprimentos)
- CRM (relacionamento com o cliente)
- Procurement (compras)
- Logistics (logística)
- Service (serviços)
- Financials (finanças)
- Sales Order (pedidos de venda)
- Engineering (engenharia)
- Quality Inspection (inspeção de qualidade)
- Project (projetos)
- Common Master Data (dados mestre)
Há um movimento organizacional na mesma direção: a Infor está contratando especialistas de domínio para trabalhar ao lado de tecnólogos. A justificativa de Rick Rider, vice-presidente sênior de inovação em IA da Infor, fecha o raciocínio: "Cada cliente é diferente de um jeito único, e IA pronta para uso não existe no nosso mundo."
O que o anúncio não diz
Os materiais da Infor descrevem desenho, não medição. Nenhum deles publica taxa de alucinação medida, benchmark comparativo com agentes genéricos ou métrica de acurácia em tarefas end-to-end. A alegação central, de que o modelo de dados herdado reduz alucinações, é plausível e tecnicamente fundamentada: quanto mais restrição estrutural e grounding confiável cercam o modelo de linguagem, menor a superfície em que ele pode improvisar. Reduzir superfície, porém, não equivale a abolir erro. O modelo por baixo segue probabilístico, e a governança diminui a chance de saída fora de escopo, não a natureza estatística da geração.
Para equipes técnicas que avaliam essa classe de produto, a consequência é direta. O trabalho determinístico está no schema, nos fluxos de aprovação e nos escopos, e é ali que se deve auditar; o modelo de linguagem continua sendo o ponto frágil a ser testado com dados transacionais próprios e fronteiras de erro definidas antes da implantação. A promessa da Infor, "construído para executar, não apenas aconselhar", só se sustenta quando a verificação acompanha o agente em cada passo.
Perguntas frequentes
O que é o Infor GenAI Public Knowledge Hub?
É a camada de conhecimento do release 2026.10 que ancora as respostas da IA em conteúdo publicado pela Infor, em vez de depender do palpite do modelo de linguagem. Funciona como restrição de fontes, no espírito das arquiteturas de grounding.
Quais agentes a Infor anunciou no release 2026.10?
São agentes construídos sobre o ERP Infor LN, nas famílias Manufacturing, Supply Chain, CRM, Procurement, Logistics, Service, Financials, Sales Order, Engineering, Quality Inspection, Project e Common Master Data, acessados pelo Infor GenAI Assistant.
Por que a Infor atribui a precisão dos agentes ao modelo de dados, e não ao prompt?
Porque as suítes CloudSuite e os modelos de dados setoriais são desenvolvidos em conjunto, de modo que o agente herda entidades, validações e fluxos do setor. A empresa argumenta que prompt genérico não reproduz essa lógica com confiabilidade.
Os agentes da Infor dispensam aprovação humana?
Não. Eles executam rotinas de ponta a ponta dentro de fluxos de aprovação governados e trazem uma pessoa para os pontos de decisão, como no exemplo citado pela empresa: mover o pedido de um cliente para outro ainda exige aprovação humana.