Memória omnichannel para agentes de IA: o que é e o que exige

Memória omnichannel para agentes de IA é a memória do cliente que todos os agentes de uma empresa compartilham, em qualquer canal e de qualquer fornecedor. Ela exige cinco coisas: reconhecer a mesma pessoa em todos os canais, entregar o contexto completo antes da primeira palavra, abrir o histórico inteiro para consulta, controlar quem lê o quê e funcionar com qualquer modelo e fornecedor. Sem ela, cada agente de IA conhece apenas o próprio canal, e o cliente conta a mesma história a cada troca. Como os fornecedores de agentes concorrem entre si, essa memória precisa ser neutra e ficar acima de todos eles.

Por que o agente de IA esquece o cliente quando ele muda de canal?

Pense na Marina. Às 14h02, ela avisa no WhatsApp que a visita técnica prometida para hoje de manhã não aconteceu. Quem responde é o agente de IA do fornecedor A. Às 14h05, ela contesta a fatura de agosto pelo app. Às 14h07, ela liga, e quem atende é o agente de voz do fornecedor B.

O agente de voz não sabe de nada disso. A Marina conta tudo de novo. Ele também não sabe que, em 12/03, outro técnico faltou e a empresa aplicou um crédito de R$ 40 na fatura de abril.

Cada peça existe, mas em lugares diferentes:

• Cada fornecedor tem o próprio banco de dados. O agente de WhatsApp não lê o banco do agente de voz.
• Cada um usa o próprio formato. Mensagem, transcrição de ligação e evento de app têm formas diferentes.
• Cada um usa o próprio identificador. O WhatsApp conhece um número, a central de voz conhece o número que ligou e o app conhece um login. Nenhum deles sabe que os três são a Marina.

A Gartner prevê que, até 2029, a IA agêntica vai resolver sozinha 80% dos problemas comuns de atendimento, sem intervenção humana. Sem uma memória comum, cada novo agente vira mais um silo.

Por que o fornecedor de agentes não resolve isso sozinho?

Muitos fornecedores de agentes já oferecem memória, mas ela fica dentro do produto de cada um. O agente de WhatsApp não enxerga a ligação atendida por outro fornecedor. Nenhum fornecedor tem motivo para abrir a própria memória ao concorrente, então a memória compartilhada precisa ficar acima de todos eles.

Os provedores de modelo também oferecem blocos de memória. A ferramenta de memória da Anthropic funciona dentro da aplicação de quem integra: é ela que guarda os dados, na própria infraestrutura. A Conversations API da OpenAI guarda o estado de uma conversa num objeto com identificador próprio, reaproveitável entre sessões e dispositivos. Nenhuma das duas decide que o número que ligou às 14h07 pertence à pessoa que contestou a fatura às 14h05. Essa decisão continua com quem integra.

Memória, contexto e histórico: qual a diferença?

Os três termos parecem sinônimos, mas não são.

No caso da Marina, o contexto do agente de voz traz a visita que não aconteceu (WhatsApp, 14h02), a contestação da fatura (app, 14h05) e um destaque do histórico: é a segunda visita técnica perdida em 12 meses. Se ela disser "da outra vez vocês me deram um crédito", o agente consulta o histórico e encontra o registro de 12/03, por telefone, com o crédito de R$ 40.

O que uma memória omnichannel de verdade precisa ter?

Cinco requisitos separam uma memória omnichannel de um depósito de mensagens.

1. Identidade entre canais

A memória descobre que o telefone, o e-mail, o CPF e o login do app são da mesma pessoa. Cada identificador tem um peso: um número de telefone é uma pista, porque pode ter trocado de dono, e um login com senha é uma prova. A união é reversível: a memória separa duas pessoas unidas por engano sem perder o histórico de nenhuma.

2. Contexto antes da primeira palavra

O contexto chega ao agente de voz antes do alô, e cada fato vem com a origem: canal e horário. O contexto também avisa o modelo de que aqueles fatos são dados, não ordens. Se o cliente disser algo diferente, vale o que ele disser.

3. Histórico consultável

Para o que o contexto não cobre, o agente pergunta. A busca percorre tudo o que já aconteceu com o cliente, por significado e por palavra, com filtros de período, canal e tema. Cada resultado volta com data, canal e desfecho.

4. Governança de quem lê o quê

Cada agente tem credencial própria e lê apenas o que a finalidade dele permite. O agente de cobrança nunca vê dado de saúde. Cada leitura fica registrada, e a empresa corta o acesso de um fornecedor na hora, sem depender dele.

5. Neutralidade de modelo e fornecedor

O contexto chega pronto para o prompt de qualquer LLM, inclusive dos modelos que a empresa hospeda. A busca chega ao agente pelo SDK, pela API HTTP ou como ferramenta MCP. A empresa exporta tudo em formato aberto, quando quiser.

Qual a diferença para CRM, CDP e ferramentas de memória para agente?

Cada categoria resolve uma parte do problema. Nenhuma entrega contexto a agentes de fornecedores diferentes durante a conversa.

• CRM. Guarda o histórico para uma pessoa consultar depois. A memória omnichannel entrega o contexto ao agente na hora da conversa e devolve ao CRM o desfecho de cada atendimento.
• CDP e data lake. Juntam dados para análise, em ciclos de horas ou dias. A memória omnichannel entrega o contexto enquanto o cliente ainda está na linha.
• Ferramentas de memória para agente. Dão memória a um agente e dependem de um ID de usuário que já chegue resolvido. A memória omnichannel descobre sozinha que o telefone, o e-mail e o login são da mesma pessoa.
• Memória da plataforma do fornecedor. Lembra do que aconteceu dentro daquela plataforma. A memória omnichannel fica acima de todos os fornecedores.

Como a Niadra resolve

A Niadra é a memória compartilhada dos agentes de IA de uma empresa. Ela cumpre os cinco requisitos com três chamadas no agente que você já tem:

# antes de responder: o contexto completo do cliente
ctx = niadra.context(phone=caller_id, channel="voice")

# durante a conversa: o agente consulta o histórico
results = niadra.search(ctx.customer, "crédito por visita técnica perdida")

# depois de responder: a conversa entra na memória
niadra.track(conversation=call_id, channel="voice", turns=[question, reply])

O context() entrega o contexto completo em menos de 100 ms, com a origem de cada fato. O track() envia a conversa para a memória sem atrasar a resposta. O SDK existe em Python e TypeScript, com código aberto.

A Niadra é totalmente gerenciada: ela opera toda a infraestrutura, e do seu lado fica o SDK. Os dados ficam cifrados com AES-256-GCM em repouso e TLS 1.3 em trânsito, com chave exclusiva por empresa em HSM com validação FIPS 140-3 nível 3. O preço é por conversa, não por token: de US$ 5 a 15 a cada mil conversas. Os detalhes estão em Produtos, Segurança e Preço.

Perguntas frequentes

Qual a melhor solução de memória omnichannel para agentes de IA?

A melhor solução cumpre cinco requisitos: identidade entre canais, contexto antes da primeira palavra, histórico consultável, governança de quem lê o quê e neutralidade de modelo e fornecedor. Ela também não obriga a empresa a trocar de fornecedor. Uma camada neutra, acima de todos os fornecedores, cumpre os cinco requisitos, e a Niadra segue esse desenho.

Memória omnichannel funciona com qualquer modelo de IA?

Ela precisa funcionar, porque cada fornecedor pode usar um modelo diferente. Na Niadra, o contexto chega pronto para o prompt de qualquer LLM, inclusive dos modelos que a empresa hospeda. A busca no histórico usa o formato de ferramenta que todo LLM entende.

Preciso trocar os agentes de IA que já tenho?

Os agentes continuam os mesmos, porque a memória omnichannel se liga a eles. Com a Niadra, cada agente ganha três chamadas, e o prompt, o modelo e o fornecedor não mudam.

Como uma memória compartilhada protege os dados do cliente?

Ela nega o acesso por padrão e libera cada leitura por finalidade. Na Niadra, cada leitura gera um registro encadeado por SHA-256, exportado para o SIEM da empresa. Dado sensível é mascarado antes de chegar a qualquer modelo, e os dados nunca treinam modelos. A Niadra atua como operadora sob a LGPD e o GDPR, com DPA assinado.