TL;DR: O artigo analisa como o Yahoo, em parceria com o Google Cloud, usou tecnologias de grafo (Spanner Graph e BigQuery Graph) para criar uma plataforma agêntica de compra de mídia. O segredo está na separação de dois grafos: um knowledge graph que ancora decisões na realidade do negócio e um context graph que registra toda a cadeia de decisões para auditoria e aprendizado contínuo. A conclusão principal: para operar agentes autônomos em escala com responsabilidade, é preciso substituir modelos probabilísticos por uma base determinística de fatos e um registro imutável de raciocínio.
À medida que as empresas adotam IA agêntica, precisam migrar de sistemas reativos de inteligência para sistemas de ação proativos — equipando os agentes que estão construindo com o contexto e a performance necessários, além de uma responsabilidade de nível regulatório, onde cada decisão é explicável e auditável.
No Google Cloud Next ‘26, discutimos como nosso Agentic Data Cloud viabiliza um sistema de ação, e a plataforma de compra de mídia digital do Yahoo é um exemplo convincente dessa visão. O Yahoo fez parceria com o Google Cloud para construir sua plataforma Seller Agent usando tecnologias de grafo do Google Data Cloud. O Seller Agent condensa processos manuais que levavam semanas em campanhas completamente governadas e executadas em segundos. Em última análise, essa plataforma agêntica serve como um blueprint poderoso para múltiplas indústrias, demonstrando que sistemas autônomos podem operar com velocidade notável enquanto permanecem estritamente responsáveis.
"A missão do Yahoo é ser um guia confiável no mundo digital. Em parceria com o Google Cloud, estamos estendendo essa promessa aos anunciantes: compra de mídia agêntica que é rápida, transparente, eficaz e construída para ser confiável." — Gabriel DeWitt, Head of Monetization, Yahoo
Neste artigo, exploramos a mudança para IA agêntica, examinamos como a arquitetura do Seller Agent do Yahoo resolve os desafios de velocidade e confiança na compra de mídia, e mostramos como aplicar esse padrão baseado em grafos para construir sistemas de ação confiáveis em sua própria organização.
Case study: compra de mídia agêntica
Por anos, workflows complexos e de alto valor — como campanhas de publicidade digital premium — exigiam semanas de trocas manuais, planilhas fragmentadas e análise manual. O Yahoo reconheceu que a IA agêntica poderia colapsar esse cronograma, permitindo que agentes planejassem e executassem campanhas em meros segundos. Esse salto da execução manual para a autônoma representa uma oportunidade massiva de recuperar eficiência operacional e garantir que mais de cada dólar chegue a resultados mensuráveis.
Mas simplesmente inserir LLMs em um workflow de alto risco não resolve o problema; um agente tentando negociar contratos ou colocações de anúncios sem um entendimento determinístico de inventário em tempo real, regras de precificação e restrições de negócio é propenso a alucinar — potencialmente resultando em negócios desastrosos. Uma plataforma agêntica confiável requer uma fonte definitiva e em tempo real da verdade, garantindo que ela aja com base em fatos concretos, não em palpites estatísticos.
Além disso, velocidade e fundamentação factual são apenas metade da equação. No momento em que um agente de IA começa a movimentar orçamentos reais, ele enfrenta escrutínio de reguladores que exigem respostas instantâneas sobre por que decisões específicas foram tomadas ou quais políticas foram aplicadas. Cavar logs brutos do sistema depois do fato é a superfície de controle errada para execução autônoma. Sistemas de ação do mundo real exigem governança e auditabilidade de nível regulatório incorporadas diretamente no workflow, não adicionadas como uma reflexão tardia.
A arquitetura de um sistema de ação confiável
A missão do Yahoo sempre foi ser um guia confiável no mundo digital. A compra de mídia agêntica estende essa promessa a anunciantes, agências, publishers e reguladores que confiam seus orçamentos ao Yahoo — e esperam responsabilidade real. O desafio era automatizar a execução de campanhas de forma explicável, governável e auditável.
Para enfrentar esse desafio, o Yahoo construiu seu Seller Agent como um sistema multi-agente rodando no Google Cloud. As requisições dos compradores entram através de um agente supervisor de planejamento executado no Google Kubernetes Engine (GKE) e orquestrado com o Agent Development Kit (ADK) do Google. O supervisor decompõe cada requisição em tarefas especializadas, incluindo descoberta de inventário, correspondência de audiência, previsão, análise de preços, recomendação de pacotes, revisão de governança e execução. Os agentes coordenam através do protocolo aberto Agent2Agent (A2A), enquanto o Gemini Enterprise Agent Platform hospeda modelos para embeddings, previsão e aprendizado em grafos.
Mas o verdadeiro avanço — o que torna a execução autônoma rápida e totalmente transparente — é a fundação de grafos duais da plataforma. A plataforma é ancorada por dois sistemas de grafo especializados com uma separação intencional de responsabilidades: um knowledge graph otimizado para agir, e um segundo context graph para lembrar e aprender.
O knowledge graph: ancorando agentes na realidade do negócio
Alimentado pelo Spanner Graph, o knowledge graph do Yahoo representa seu negócio de monetização como um modelo operacional conectado, ancorando cada decisão do agente na realidade do negócio. Ele modela produtos de publicidade, colocações, segmentos de audiência, inventário, contratos e controles de governança como entidades e relacionamentos de primeira classe. Crucialmente, as políticas vivem diretamente dentro do grafo como relacionamentos versionados, em vez de enterradas na lógica da aplicação. Esse design permite que o sistema avalie produtos, obrigações contratuais, requisitos de consentimento e restrições regulatórias juntos em uma única travessia unificada do grafo.
O grafo atua como um contrato semântico em toda a plataforma agêntica. Durante a avaliação de uma campanha, um agente pode navegar dos requisitos iniciais do comprador até audiências elegíveis e políticas vigentes dentro de um único plano de consulta. Os embeddings do Gemini Enterprise Agent Platform enriquecem essas entidades com similaridade semântica, enquanto redes neurais de grafo contribuem com relacionamentos inferidos. Em última análise, isso permite que os agentes façam mais do que apenas recuperar inventário disponível — eles entendem exatamente por que é relevante e ajudam a garantir que satisfaça todas as restrições de governança.
Ontologia do knowledge graph do Yahoo, alinhada com padrões da indústria como IAB AdCOM
O context graph: criando uma memória auditável
A execução em escala de agente só é segura se for totalmente transparente — essa é a função central do context graph. Toda vez que o Seller Agent toma uma ação, esse intervalo operacional exato é capturado pelo BigQuery Agent Analytics plugin. Além de registrar os eventos brutos, o sistema molda essa evidência em um grafo de contexto tipado e consultável usando o BigQuery Agent Analytics SDK, utilizando a ontologia de rastreamento de decisão do Yahoo, armazenada no BigQuery Graph.
Consequentemente, cada ponto de decisão, pacote candidato, avaliação de política, delegação a agente especialista e resultado de execução se torna um grafo conectado de evidências. Como esse rastreamento é estruturado como um grafo tipado, explicar o processo de tomada de decisão do agente se torna uma consulta simples. Um auditor pode instantaneamente rastrear uma decisão desde o briefing da campanha original até cada pontuação atribuída e política aplicada. Isso transforma o comportamento autônomo de um processo opaco em um registro totalmente transparente e continuamente melhorado de tomada de decisão, ajudando a garantir responsabilidade absoluta.
Ontologia do context graph do Yahoo
Da escala humana à escala de agente
Para um exemplo concreto da arquitetura em ação, considere uma execução de campanha de anúncio. O que tradicionalmente exigia semanas de coordenação entre planejamento, vendas, operações e conformidade agora pode ser concluído em segundos através de dois processos simultâneos.
Agindo via o knowledge graph. Este pipeline move o orçamento, navegando linearmente da requisição do comprador até uma campanha ao vivo fundamentada no knowledge graph. Isso ocorre em quatro etapas:
- Enviando o briefing: Um agente comprador submete um briefing de campanha via Ad Context Protocol (AdCP) que descreve a audiência desejada, orçamento, geografia e objetivo de negócio.
- Recuperação de conhecimento: O Seller Agent consulta o knowledge graph para identificar inventário relevante, audiências, disponibilidade contratual, performance histórica e políticas vigentes.
- Avaliação e pontuação: O agente avalia esses fatores juntos para montar um pacote de candidatos à compra de mídia. Modelos de previsão pontuam as oportunidades, enquanto um agente de governança revisa independentemente consentimento, segurança de marca e restrições regulatórias.
- Aprovação e execução: O pacote é aprovado automaticamente sob limites de política ou escalado para revisão humana. Uma vez aprovado, a compra de mídia é executada e ativada.
Auditando e aprendendo via o context graph. Enquanto o pipeline de execução avança, este loop paralelo captura continuamente o raciocínio do sistema no context graph, ajudando a garantir transparência e melhorar ciclos futuros. Isso oferece as seguintes capacidades:
- Captura contínua: Cada candidato considerado, pontuação atribuída, política aplicada e decisão de governança se torna um registro conectado no context graph, vinculado à sessão de campanha original.
- Aprendizado em circuito fechado: À medida que sinais de entrega, atribuição e resultado chegam, eles são associados de volta às decisões que os produziram, criando os dados de treinamento que melhoram recomendações futuras.
- Explicabilidade instantânea: Se um anunciante pergunta por que um determinado pacote foi selecionado ou quais políticas influenciaram o resultado, a resposta é preservada no context graph e acessível através de uma única consulta.
O resultado é uma plataforma onde conhecimento, tomada de decisão, governança, medição e aprendizado operam juntos — permitindo que a compra de mídia autônoma permaneça explicável, auditável e em melhoria contínua.
Um blueprint para muitas indústrias
A era da IA como mera conselheira está terminando. As empresas estão exigindo sistemas de ação — agentes autônomos capazes de executar workflows complexos de múltiplas etapas. Mas em setores regulados, a velocidade que a IA traz se torna um passivo se você não puder provar como uma decisão foi tomada. A principal barreira para a execução autônoma não é mais a inteligência; é a confiança.
A arquitetura que o Yahoo e o Google Cloud construíram fornece um blueprint amplamente aplicável para resolver isso. Embora projetada para corrigir os gargalos da compra de mídia digital, o padrão subjacente se aplica a qualquer indústria que gerencie decisões de alto risco — de negociação financeira a logística de supply chain. Para operar na velocidade do agente mas ainda manter supervisão humana, as empresas devem adotar uma nova linha de base arquitetural que:
- Fundeie decisões na realidade do negócio: Agentes não podem depender apenas de modelos probabilísticos. Eles devem ser ancorados por um knowledge graph que mapeie deterministicamente sua lógica de negócio, contratos ativos e regras de conformidade.
- Construa uma memória auditável: Você não pode governar o que não pode rastrear. Cada ação agêntica deve ser capturada em um context graph, criando um registro imutável e consultável de exatamente por que uma decisão foi tomada e quais alternativas foram rejeitadas.
- Adote interoperabilidade aberta: Confiança requer transparência. Ao construir sobre protocolos abertos e padrões de proveniência, as indústrias podem estabelecer uma linguagem comum e auditável para o comportamento agêntico.
À medida que os modelos fundamentais se tornam commoditizados, as vantagens competitivas das empresas estão mudando. No longo prazo, seu fosso não será o modelo de linguagem que você implanta, mas o grafo proprietário de suas operações de negócio e histórico governado. Da mesma forma, o futuro da IA empresarial não são apenas sistemas que podem agir, mas sistemas que podem explicar, governar e assumir responsabilidade por essas ações.
Comece hoje
Pronto para construir seu próprio sistema de ação confiável? Comece explorando o Spanner Graph para ancorar seus workflows agênticos na realidade do negócio. Em seguida, use o BigQuery Graph para construir uma memória auditável que alimente aprendizado em circuito fechado e explicabilidade de nível regulatório. Você pode começar a capturar e analisar esses traços operacionais hoje usando o BigQuery Agent Analytics Plugin e SDK. Por fim, revise o Ad Context Protocol para entender os padrões de comunicação abertos que sustentam a plataforma agêntica do Yahoo.
Perguntas Frequentes
-
Como garantir que agentes de IA não alucinem ao tomar decisões de alto valor, como compra de mídia?
O case Yahoo mostra que ancorar os agentes em um knowledge graph (grafo de conhecimento) com regras de negócio, contratos e restrições determinísticas elimina o risco de alucinação. Em vez de depender apenas de modelos probabilísticos, o agente consulta um grafo que reflete a realidade operacional em tempo real. -
Qual a diferença entre o knowledge graph e o context graph na arquitetura do Yahoo?
O knowledge graph (Spanner Graph) é o alicerce das decisões: mapeia produtos, audiências, inventário, contratos e políticas. O context graph (BigQuery Graph) é o registro de memória e auditoria: captura cada ação do agente, incluindo alternativas rejeitadas e políticas aplicadas, permitindo rastreabilidade total e aprendizado em circuito fechado. -
Como essa arquitetura se aplica a outros setores além de mídia digital?
O padrão é genérico: qualquer indústria que gerencie decisões de alto risco (finanças, logística, saúde) pode usar um knowledge graph para fundamentar ações e um context graph para auditabilidade. A chave é separar a camada de conhecimento (agir) da camada de memória (aprender e prestar contas), usando grafos relacionais para conectar fatos e decisões. -
Quais tecnologias do Google Cloud foram usadas no projeto?
Yahoo utilizou Google Kubernetes Engine (GKE) para orquestração, Agent Development Kit (ADK) para coordenação de agentes, Spanner Graph para o knowledge graph, BigQuery Graph para o context graph, Gemini Enterprise Agent Platform para embeddings e aprendizado de máquina, e o protocolo aberto Agent2Agent (A2A) para comunicação entre agentes. -
O que significa 'sistema de ação' no contexto de IA agêntica?
Diferente de sistemas de inteligência que apenas recomendam ou analisam, um sistema de ação executa workflows complexos de forma autônoma, movendo orçamentos, ajustando inventários ou negociando contratos. O grande desafio é fazer isso com transparência e governança – exatamente o que a arquitetura com grafos duais resolve.
Artigo originalmente publicado por Bei Li, Sr. Staff Software Engineer, Google Cloud em Cloud Blog.
