O gargalo não é mais o modelo, mas o estado ausente do fluxo de trabalho

--- title: O gargalo não é mais o modelo, mas o estado ausente do fluxo de trabalho slug: the-bottleneck-is-no-longer-the-model-but-the-missing-workflow-state meta_title: Por que agentes de horizonte longo precisam de estado de fluxo de trabalho meta_description: A Zeroset levantou US$ 5,2 milhões para a Nebula, uma camada de estado que permite aos agentes consultar como uma empresa realmente encaminha aprovações e transferências. category: ai tags: Zeroset,Nebula,memória de agente,estado de fluxo de trabalho,Gradient Ventures,agentes de horizonte longo,IA empresarial,mineração de processos,LongMemEval,contexto ---

Uma rodada pré-seed de US$ 5,2 milhões não é um número grande. A afirmação ligada à Zeroset merece mais atenção do que o cheque: o que bloqueia os agentes empresariais não é a capacidade do modelo, mas a ausência de um sistema de estado.

Akshat Kannan deixou Stanford aos 18 anos. William Zhang deixou a Universidade do Texas aos 21. Eles fundaram a Zeroset em janeiro de 2026 em torno de uma observação restrita. Modelos de fronteira já lidam com rascunhos de e-mail e buscas de voos. Eles travam quando uma tarefa exige saber como uma empresa específica encaminha aprovações, exceções e transferências.

Em 6 de outubro, a Gradient Ventures e a 2048 Ventures co-lideraram uma rodada pré-seed de US$ 5,2 milhões, com a participação da Leblon Capital. A empresa tem cinco pessoas, e o acesso continua sendo uma prévia de pesquisa fechada.

O que a Nebula armazena

A Nebula se conecta aos sistemas que um fluxo de trabalho já usa: Microsoft 365, SharePoint, Outlook, Teams, GitHub e mensagens corporativas. Ela não trata cada documento como um vetor isolado. Ela constrói um grafo vetorial hierárquico com três camadas: fatos semânticos, clusters de eventos episódicos e hábitos procedurais.

A distinção em relação a um armazenamento de memória está no que o agente recebe de volta. Em vez de reconstruir o histórico, ele consulta o estado atual de um fluxo de trabalho. A empresa descreve o retorno como estado tipado e consultável com linhagem: o que é verdadeiro, quando se tornou verdadeiro e por que o sistema acredita nisso.

Os benchmarks são iniciais, mas específicos. No LongMemEval, a Nebula retornou precisão 20% maior que Mem0, Supermemory e RAG ingênuo, com mediana abaixo de 50 milissegundos e com menos tokens por consulta. Nos conjuntos de dados de mineração de processos do BPI Challenge, superou todas as baselines registradas em previsão da próxima atividade em mais de 10%, o que é um teste mais difícil que a recuperação, porque pergunta se o sistema consegue antecipar o próximo passo legítimo.

A contagem de tokens importa tanto quanto a precisão. Menos tokens por consulta significa que uma janela de contexto menor pode carregar a mesma informação, o que reduz o custo em cada turno do agente. Para um fluxo de trabalho que dura uma semana, essa diferença se acumula da mesma forma que os erros.

A observação inicial dos fundadores é a formulação mais precisa do problema. Modelos de fronteira lidam com rascunhos de e-mail e buscas de voos. Eles travam quando uma tarefa exige saber como uma empresa específica encaminha aprovações, exceções e transferências. Nada está errado com o modelo nesse cenário. A informação simplesmente não está no prompt e não pode ser recuperada de um corpus público.

A superfície de integração é o verdadeiro fosso competitivo

Conectar-se ao Microsoft 365, SharePoint, Outlook, Teams, GitHub e mensagens corporativas é um trabalho pouco glamouroso, e também é a parte mais difícil de copiar. Um concorrente pode replicar um design de grafo de três camadas em um trimestre. Reproduzir os conectores com reconhecimento de permissões que mantêm uma camada de estado consistente com o que cada usuário tem permissão de ver leva muito mais tempo, e os compradores empresariais avaliam isso primeiro.

Permissões são a parte que a maioria dos produtos de memória trata mal. Uma camada de estado de fluxo de trabalho precisa respeitar os mesmos limites de acesso que os sistemas subjacentes, para que um agente agindo em nome de um usuário não possa expor um fato que só se torna visível em outro nível da organização. Errar isso não produz tanto uma resposta errada quanto um incidente de conformidade.

Isso também explica por que a empresa está executando uma prévia de pesquisa fechada em vez de um produto de autoatendimento. Camadas de estado são tão boas quanto os fluxos de trabalho que viram, e cada nova integração de cliente revela casos extremos na lógica de encaminhamento que nenhum benchmark cobre.

O que os compradores devem perguntar antes de adotar

Três perguntas separam uma camada de estado útil de uma demonstração. O sistema registra quando cada fato se tornou verdadeiro e consegue invalidar um fato que foi superado? Consegue explicar por que acredita em algo, rastreando de volta até o evento de origem? Ele impõe as mesmas permissões que os sistemas dos quais lê?

O requisito de linhagem é o que tende a ser respondido de forma vaga. Uma camada de estado que retorna um fato sem proveniência é funcionalmente um cache, e um cache desatualizado dentro de um agente autônomo é pior do que nenhuma memória, porque o agente agirá com base nele com confiança.

A persistência é a questão de segunda ordem. Estado contínuo ao longo de dias ou semanas é toda a proposta de valor, e armazenar tanto conhecimento organizacional derivado levanta uma conversa de governança de dados sobre retenção, exclusão e residência regional.

Por que o estado obsoleto se acumula

O modo de falha que a empresa nomeia é a razão pela qual a categoria existe. Um fato desatualizado ou uma instrução contraditória não causa um único erro. Ele se torna o estado inicial para o próximo turno, produzindo retrabalho que se acumula, chamadas de ferramenta extras e intervenção humana.

O acúmulo é o que torna isso caro. Uma única ação errada é recuperável. Uma suposição errada que persiste ao longo de um processo de vinte etapas corrompe todas as etapas seguintes, e quando alguém percebe, o trabalho precisa ser refeito a partir de um ponto de verificação anterior. Agentes que rodam sem supervisão por horas pioram isso, porque ninguém está observando o desvio.

Sistemas de memória conversacional recuperam blocos semelhantes. Se o fato recuperado tem três semanas e o fluxo de trabalho já avançou, o agente raciocina a partir de um mundo que não existe mais, e nada na resposta sinaliza a discrepância. Similaridade de recuperação e atualidade factual são propriedades diferentes, e um armazenamento vetorial otimiza para a primeira.

O grafo de três camadas da Nebula é uma tentativa de dar ao agente uma maneira de distingui-los. Fatos semânticos descrevem o que é verdadeiro. Clusters de eventos episódicos descrevem o que aconteceu. Hábitos procedurais descrevem como a organização costuma fazer as coisas. A linhagem é a peça que torna isso auditável: o fato, quando ele se tornou verdadeiro e por que o sistema acredita nele.

Onde isso se encaixa

Mem0 e Zep ocupam a categoria adjacente de infraestrutura de memória. A aposta da Zeroset é que agentes empresariais de horizonte longo precisam de estado de processo em vez de memória conversacional, e a distinção importa para qualquer coisa que abranja dias ou semanas atravessando limites de sistemas: tratamento de sinistros, aprovações de lançamento, compras em várias etapas.

Esses processos compartilham uma estrutura. Eles envolvem transferências entre pessoas e sistemas, exceções que seguem regras não escritas e aprovações que dependem de quem está disponível. Nada disso vive em um documento. Vive na prática, e é por isso que tem sido difícil de representar.

A mineração de processos é a técnica anterior mais próxima, e é revelador que a Zeroset faça benchmarks com conjuntos de dados de mineração de processos. Esse campo passou duas décadas reconstruindo como o trabalho realmente flui a partir de logs de eventos. Fazer a mesma coisa em tempo real, para que um agente possa consultá-la no meio da tarefa, é uma evolução razoável.

A tese publicada da Gradient faz o mesmo argumento. Agentes de consumo tiveram sucesso porque foram treinados na web pública. Agentes empresariais ainda carecem de uma representação de como o trabalho realmente se move dentro de uma organização privada.

O que muda se funcionar

Duas coisas. Os harnesses de agentes param de enviar janelas de contexto cada vez maiores para compensar a estrutura ausente, porque o problema nunca foi o tamanho da janela. E as empresas podem manter o modelo operacional de seus próprios fluxos de trabalho dentro de sua própria fronteira, em vez de esperar que um modelo geral eventualmente o infira.

A segunda consequência é a mais estratégica. Uma representação de fluxo de trabalho que vive dentro dos limites de uma empresa é um ativo que a empresa possui. Uma inferida por um modelo geral é uma capacidade que ela aluga. Para setores regulados, essa diferença decide se um agente pode sequer ser implantado.

Há um risco competitivo que vale a pena nomear. Se um grande fornecedor de plataforma decidir que o estado de processo pertence ao seu conjunto de produtos, uma startup de cinco pessoas enfrenta um problema de distribuição, independentemente de quão boa seja a camada de estado. O envolvimento da Gradient ajuda, e distribuição não é algo que uma rodada de US$ 5,2 milhões resolve.

Os números hoje são pequenos: cinco pessoas, dois benchmarks públicos, uma prévia fechada. A afirmação é maior, e é testável. Se a automação empresarial passou da fase de capacidade, a próxima rodada de competição é sobre quem sabe o que o trabalho realmente é.