Buscar uma informação em uma pasta cheia de documentos parece simples até que os arquivos usam palavras diferentes para descrever a mesma coisa. Um contrato pode falar em encerramento, outro em rescisão e um terceiro em término antecipado. Para uma busca baseada apenas em palavras exatas, esses documentos parecem distantes. Para um agente de inteligência artificial, essa diferença pode determinar se a resposta será útil ou incompleta.
A Box anunciou uma solução que tenta tratar esse problema com o modelo de embeddings Nemotron, da Nvidia. A novidade foi apresentada em uma conferência para desenvolvedores e noticiada pelo TechCrunch em 5 de novembro de 2026. O recurso se chama Box Content Retrieval e deve chegar no início de 2027 a clientes do plano Enterprise Advance.
O que é recuperação de conteúdo
Recuperação de conteúdo é a etapa que encontra os trechos relevantes antes que um agente de IA escreva uma resposta. Em vez de entregar uma pasta inteira ao modelo, o sistema seleciona partes relacionadas à pergunta e envia apenas o contexto necessário. Essa técnica diminui custo, acelera o processamento e reduz a chance de a IA ignorar a informação correta no meio de um volume enorme de texto.
O método tradicional costuma depender de palavras-chave. Se o usuário procura por política de reembolso, o sistema dá prioridade a documentos que contêm exatamente esses termos. A busca semântica tenta entender relações de significado. Ela pode encontrar um trecho sobre devolução de valores mesmo que a palavra reembolso não apareça.
Para empresas, isso é importante porque documentos internos raramente seguem um padrão único. Equipes jurídicas usam vocabulário próprio, departamentos de engenharia registram decisões em tickets e áreas de atendimento acumulam manuais, planilhas e apresentações. A capacidade de conectar conceitos pode fazer a diferença entre encontrar uma resposta correta e concluir que a informação não existe.
Como o Nemotron entra no sistema
Modelos de embeddings transformam textos em representações numéricas que preservam relações de significado. Trechos que tratam de assuntos parecidos ficam próximos em um espaço matemático, mesmo quando usam palavras diferentes. Quando alguém faz uma pergunta, o mecanismo compara a representação da consulta com as representações dos documentos e seleciona os resultados mais relacionados.
O Nemotron Embed, da Nvidia, é um conjunto de modelos abertos voltado para essa tarefa. A Box não pretende apenas conectar o modelo a uma pasta. A companhia também combina os embeddings com seus metadados, controles de permissão e estrutura de armazenamento. Isso permite que o sistema encontre um trecho relevante sem entregar informações que o usuário não pode acessar.
Esse detalhe é essencial. Um agente pode identificar o documento correto, mas ainda precisa respeitar a hierarquia de acesso. A busca semântica não deve virar uma brecha para consultar contratos, dados pessoais ou projetos de outra equipe. O controle de permissão precisa ser aplicado antes da resposta, e não apenas depois que a IA já recebeu o texto.
Mais contexto, menos tokens
Segundo a Box e a Nvidia, a integração pode responder consultas até quatro vezes mais rápido, reduzir erros em 20% e usar 90% menos tokens. Esses números são promessas das empresas e devem ser avaliados em diferentes ambientes, mas explicam por que a recuperação de conteúdo virou uma camada estratégica dos sistemas de IA.
Tokens são unidades de texto processadas pelo modelo. Quanto mais tokens uma aplicação envia, maior tende a ser o custo e maior o tempo de resposta. Mandar documentos inteiros para a IA pode parecer uma forma segura de preservar contexto, mas também aumenta ruído. Um sistema que seleciona pequenos trechos relacionados pode economizar processamento e tornar a resposta mais focada.
O ganho não significa que a IA passa a entender tudo. Se os documentos estiverem desatualizados, mal digitalizados ou com permissões erradas, o agente continuará trabalhando com uma base defeituosa. Embeddings melhoram a localização do conteúdo, mas não substituem governança documental, revisão humana e política de retenção.
Exemplos para equipes brasileiras
Uma equipe jurídica poderia perguntar quais contratos mencionam reajuste anual e receber trechos de documentos que usam expressões diferentes. Um time de suporte poderia buscar casos relacionados a uma falha de autenticação sem saber o número do ticket original. Uma área de compras poderia comparar cláusulas de prazo e multa em diferentes fornecedores.
O mesmo raciocínio vale para desenvolvedores. Um agente conectado a uma base de código e documentação poderia localizar decisões antigas sobre uma API, exemplos de configuração e avisos sobre migração. Isso é diferente de pedir para a IA improvisar uma solução sem consultar o histórico do projeto. A qualidade do agente dependerá tanto do modelo quanto da qualidade da recuperação.
Empresas no Brasil precisam considerar também idioma e mistura de fontes. Um acervo pode conter documentos em português e inglês, nomes de produtos, siglas e termos jurídicos locais. O mecanismo precisa reconhecer essas variações para não privilegiar apenas o vocabulário de uma matriz estrangeira.
O desafio de colocar agentes no trabalho
A Box apresenta o recurso como parte de uma mudança para aplicações agentivas. Um agente é um sistema que pode dividir uma tarefa em etapas, consultar arquivos e tomar ações autorizadas. Isso amplia a utilidade da busca, mas também amplia o risco. Um agente que encontra o documento errado pode resumir uma política inválida, abrir uma solicitação incorreta ou sugerir uma decisão baseada em contexto incompleto.
Por isso, o ideal é começar com tarefas de leitura e síntese, mantendo confirmação humana para ações com impacto. Também é importante registrar quais documentos foram consultados, quando foram atualizados e quais trechos sustentaram a resposta. Sem rastreabilidade, a empresa não consegue investigar um erro nem explicar por que a IA chegou a determinada conclusão.
O que acompanhar até 2027
A novidade ainda não está disponível para todos os clientes. Quando começar a ser liberada, será importante observar a qualidade em português, o suporte a arquivos variados e a forma como as permissões são aplicadas. Outro ponto será a possibilidade de exportar resultados, auditar consultas e controlar quais modelos podem processar dados sensíveis.
A principal lição é que a IA corporativa não depende apenas de um modelo maior. Uma camada de recuperação bem projetada, com metadados e permissões, pode melhorar a resposta sem obrigar a empresa a enviar todo o seu acervo para um modelo. Para profissionais digitais e desenvolvedores, esse é um caminho prático para entender por que os agentes precisam de uma boa memória antes de receber mais autonomia.
Fonte original: TechCrunch, Box taps Nvidia’s Nemotron for new agent-first content retrieval system.
