A forma do que chega ao seu tenant.

A Intelligence Layer é o corpus que a plataforma produz e que sua equipe consulta. Não é um relatório. Não é um painel estático. É um substrato de dados por tenant onde cada fato carrega um carimbo de data/hora, um escopo de segmento, uma pontuação de confiança e uma citação de volta ao momento exato em uma entrevista real que o produziu. Você o vê por painéis, seus parceiros de marca o veem por uma API com escopo, e seus agentes de IA o veem por ferramentas MCP. Os três leem o mesmo corpus.

Esta página descreve a camada do ponto de vista do operador. O que ela contém, como uma consulta contra ela retorna, o que um ciclo de atualização faz e como você controla o acesso. O pipeline que produz a camada está em Metodologia. A fronteira de tenant que contém a camada está em Confiança e Segurança.

Cada conversa enriquecida é decomposta em dez dimensões tipadas: pontos de atrito, pontuação de oportunidades, mapa de percepção de marca, pontuação de maturidade em IA, fatores de retenção, sinal de mercado, risco regulatório e de conformidade, lacuna de treinamento, comportamento por segmento de clientes e mapa de menções de concorrentes. Essas dez são o conjunto operacional para o varejo. Para consultoria, restaurantes, farmácia e outros verticals que a plataforma suporta, duas ou três dimensões mudam, mas a forma permanece a mesma: dez slots tipados, esquema estável, uma linha por fato.

Cada linha de fato carrega a dimensão, a afirmação, o identificador de chunk de origem da forma transcript_id / turn_id / sentence_id, a janela bi-temporal, o vetor de segmento, uma contagem de saliência (quantas conversas independentes o corroboram), uma pontuação de confiança e um embedding para recuperação vetorial. Seus painéis agrupam essas linhas por dimensão, por segmento, por tempo. Seus agentes de IA as recuperam com uma chamada de ferramenta.

As dimensões são estáveis entre mercados e ao longo do tempo, o que torna possível o benchmarking entre mercados. Um ponto de atrito em um mercado é comparável a um ponto de atrito em qualquer outro porque a mesma definição e o mesmo protocolo de sondagem produziram os dois.

Cada fato carrega três carimbos de data/hora independentes. learned_at é quando a plataforma o observou (a data da entrevista, a data do enriquecimento). valid_at é quando o fato se tornou verdadeiro no mundo, muitas vezes inferido da própria conversa. invalid_at é quando o fato deixou de ser verdadeiro: definido explicitamente quando uma conversa contraditória chega, ou definido pelo decaimento de meia-vida se nenhuma atualização o confirma. Fatos de percepção de marca decaem em semanas. Fatos de lacuna de treinamento decaem apenas quando o catálogo de treinamento muda. As meias-vidas são calibradas por dimensão, por vertical.

A consequência operacional é o replay por data. Você pode executar uma consulta contra o corpus como estava no maio passado e comparar com a mesma consulta hoje. Um parceiro de marca perguntando "o que seus dados diziam sobre nossa categoria há seis meses, quando tomamos a decisão de compra do T2" recebe a resposta correta para as duas datas. Seus agentes de IA são bloqueados de fundamentar uma recomendação em fatos cuja janela de validade não inclui hoje.

A cadência de atualização está integrada ao ciclo de vida dos fatos. O console exibe o relógio de obsolescência por mercado e por dimensão: quando vinte por cento dos fatos de uma dimensão ficaram fora da validade, a plataforma recomenda um ciclo de atualização. É assim que a camada se mantém honesta sem que você precise lembrar do calendário.

Um fato raramente é verdadeiro em todo lugar. "A base X é rejeitada com mais frequência" pode ser verdadeiro para lojas de massa na América Latina e falso para boutiques europeias. "A marca é um destino de moda acessível" pode ser verdadeiro para clientes finais hoje e contestado no nível dos franqueados. Cada fato na camada carrega um vetor de segmento esparso: uma projeção sobre os eixos de segmentação que importam para seu vertical (nível, geografia, formato de loja, segmento de cliente, parceiro de marca, demografia).

Isso é o que torna tratável a API para parceiros de marca. Quando um parceiro consulta pela API, seu token se projeta sobre sua fatia do vetor de segmento. Ele vê os fatos cujo vetor de segmento intersecta sua projeção. Ele não vê nada fora disso, e a plataforma não lhe dá nenhum sinal de que algo foi filtrado. O mesmo corpus serve a cem parceiros sem vazamento.

Cada afirmação em cada relatório, cada linha em cada painel, cada recuperação no seu agente de IA remete de volta à transcrição que a produziu pelo identificador de chunk. O link está sempre presente, em cada conversa, sem amostragem. Um parceiro de marca pergunta por que você afirma que seu produto perde para um substituto: a resposta são três chunk-IDs, três enunciados de consultores, três carimbos de data/hora, em três armazenamentos nomeados. Não uma inferência. Um recibo.

A cadeia verbatim é aplicada pelo pipeline. Cada citação que sai do sistema é uma substring literal de um turno de usuário real de uma entrevista real. Um filtro determinístico verifica isso antes da persistência. Citações inventadas são excluídas, nunca reescritas. A descrição completa da cadeia está em a página base de Confiança e Segurança.

O mesmo corpus serve três superfícies. Sua equipe de estratégia, merchandising ou operações o consome por painéis. Seus parceiros de marca o consomem por uma API com escopo. Seus agentes de IA o consomem por ferramentas MCP. Cada superfície aplica seu próprio escopo no caminho dos dados. Um parceiro não vê a fatia de outro parceiro. Um copiloto de consultor vê apenas os fatos que seu ticket de sessão OAuth permite. A cascata de segurança completa está documentada em a Cascata de Segurança.

A superfície MCP oculta a complexidade do armazenamento duplo. Os agentes não precisam escolher entre travessia de grafo e SQL. Eles chamam query_facts, traverse_relations, pivot_dimension, replay_as_of e cite. Cada resposta retorna como linhas estruturadas com citação. O agente nunca vê as fronteiras do armazenamento subjacente.

Dentro do seu tenant, o console do operador dá à sua equipe a visão de trabalho da camada. Você vê a saúde do corpus por mercado e por dimensão, o relógio de obsolescência para cada dimensão, as pontuações de qualidade por conversa da auditoria do entrevistador e o rastro de auditoria de cada chamada de enriquecimento. Quando algo parece errado, você pode rastreá-lo até a chamada LLM exata que o produziu, com identificador do modelo, versão do prompt, contagem de tokens e duração.

Quando um especialista de domínio da sua equipe discorda de uma interpretação no seu contexto, ele a corrige no console. O ciclo Expert-in-the-Loop encontra cada conversa no corpus que corresponde ao contexto, as reprocessa e propaga a correção pelo registro histórico. A interpretação anterior fica no rastro de auditoria. Nada é silenciosamente sobrescrito.