A ONU quer que agentes de IA parem de errar números. O plano começa nos dados

Resumo: A ONU lançou uma camada de dados para consultas em linguagem natural e agentes de IA. O plano usa Google Data Commons e MCP para reduzir respostas sem fonte verificável.

A ONU está trocando uma velha lógica de consulta por algo mais ambicioso: dados públicos preparados para humanos e agentes de IA. O novo UN System Data Commons usa a base open source do Google Data Commons para reunir estatísticas globais e aceitar perguntas em linguagem natural. A mudança parece técnica. Na prática, ela revela uma falha que empresas brasileiras já sentem: um agente sem fonte conectada pode soar seguro enquanto entrega um número errado.

A plataforma substitui o UNData tradicional e organiza informações das agências da ONU em uma camada mais consultável. Em vez de procurar planilhas e portais isolados, a proposta é perguntar sobre indicadores globais e receber dados estruturados. A cobertura do TechCrunch sobre o lançamento destaca que o sistema também suporta o Model Context Protocol, ou MCP.

O MCP é um padrão para conectar modelos e agentes de IA a fontes externas. Ele não transforma um modelo em especialista por conta própria. Ele cria um caminho para que o modelo consulte uma fonte definida, em vez de depender apenas do que aprendeu antes ou de uma resposta provável. Para dados que influenciam políticas públicas, relatórios ou decisões empresariais, essa diferença é enorme.

O problema não é teórico. Segundo a apuração do TechCrunch, um benchmark da UNICEF avaliou seis modelos em mais de 133 mil respostas sobre indicadores de desenvolvimento global. A acurácia média foi de apenas 21,2%. Em cerca de três a cada cinco respostas, os modelos não entregaram um número utilizável. Quando recebiam duas rodadas para responder, repetiam o mesmo número só em aproximadamente metade dos casos.

Esses resultados não significam que toda IA generativa seja inútil para análise. Eles mostram que pedir um número a um modelo, sem indicar uma fonte verificável, é um processo frágil. Uma resposta pode parecer bem escrita e ainda assim ser imprecisa, incompleta ou inconsistente. O risco cresce quando a resposta entra numa automação e passa a alimentar planilhas, alertas, campanhas ou decisões sem revisão.

A própria procura por dados via interfaces de IA já está mudando o comportamento de quem pesquisa. A UNICEF registrou crescimento de 67% nas visitas ao seu site de dados vindas de links do ChatGPT entre 1º de janeiro e 14 de setembro. No período, esses links responderam por 6,4% das sessões. O sinal é claro: as pessoas estão usando assistentes para chegar às fontes, não apenas para receber uma explicação pronta.

O projeto começa com escala relevante. Vinte e seis entidades da ONU aderiram. Quase 20 já tinham dados disponíveis no lançamento. A meta é levar 80% dos conjuntos estatísticos do sistema ONU para a plataforma até 2027. O Google.org contribuiu com US$ 2 milhões em capacidade e suporte técnico. Também não se trata de uma iniciativa isolada: outras coberturas sobre a parceria descrevem o Data Commons como a camada que torna essas estatísticas mais acessíveis a sistemas de IA e consultas em linguagem natural.

A parte interessante para o Brasil está menos na ONU e mais no padrão que ela está escolhendo. Muitas empresas já falam em colocar agentes para responder clientes, qualificar leads, gerar relatórios e acionar fluxos internos. Só que um agente que consulta dados desconectados, ou que recebe contexto manual e desatualizado, repete a mesma fragilidade apontada no benchmark da UNICEF.

É aqui que entra o que vale chamar de automação com lastro: automações em que cada resposta relevante nasce de uma fonte governada, com origem identificável e possibilidade de auditoria. Não é um nome para uma tecnologia nova. É uma disciplina operacional. Ela pede que a empresa defina qual base o agente pode consultar, quando a informação foi atualizada, quem responde pelo dado e o que acontece quando a fonte não devolve uma resposta confiável.

MCP pode ajudar nessa arquitetura, pois padroniza a conexão entre agentes e sistemas externos. Mas adotar MCP sem governança não resolve tudo. Uma conexão rápida com um CRM mal preenchido continua devolvendo contexto ruim. Uma integração com uma base sem dono continua espalhando números antigos. O protocolo reduz o atrito técnico; a qualidade depende do dado e do processo.

Para equipes brasileiras, o primeiro passo não precisa ser construir um agente complexo. Vale mapear as decisões que já dependem de números: estoque, receita, tickets, conversão, atendimento, crédito ou indicadores operacionais. Depois, vale escolher uma fonte oficial para cada métrica e registrar como ela será validada. Só então faz sentido dar autonomia para um modelo consultar, resumir ou disparar uma ação.

Essa cautela conversa com uma transformação maior no mercado de software. O SaaS tende a deixar de ser apenas uma tela onde pessoas clicam e passa a servir também como fonte e destino de ações feitas por agentes. No Runzos, explicamos essa mudança em nosso panorama sobre o futuro do SaaS com IA.

A decisão da ONU não elimina os erros de IA. Ela faz algo mais útil: assume que respostas sobre o mundo precisam de uma rota até os dados. Para empresas que querem automatizar com segurança, essa é a lição principal. Antes de pedir que o agente decida, é preciso garantir que ele sabe onde procurar e que alguém consegue conferir o caminho.