Entrevista com Antonio Duarte Nekt: "Você pode trocar o modelo e continuar com o mesmo problema"

Em setembro, agentes de IA fizeram 1,2 milhão de chamadas à Nekt via MCP, o protocolo que conecta agentes a sistemas externos, número que aparece pela primeira vez nesta entrevista. Segundo Antonio Duarte, CEO e cofundador da empresa, os agentes já usam a plataforma mais do que as pessoas. A Nekt, que em 2025 se apresentava como uma espécie de Databricks brasileira e hoje se define como plataforma de contexto para agentes de IA, fechou o mesmo mês com 263 clientes pagantes, a caminho da meta de 400 para o ano.

O diagnóstico dele contraria um reflexo comum entre executivos. Quando o agente erra, a reação costuma ser trocar de modelo. Para Duarte, o erro quase sempre nasce antes, nas definições que a empresa nunca escreveu: o que conta como cliente ativo, qual desconto foi exceção, qual fornecedor fica fora de cotação. Essas regras vivem só na cabeça do time, e o agente fica sem meio de adivinhá-las.

O que vocês enxergaram, no caminho de plataforma de dados a plataforma de contexto, antes do resto do mercado?

Quando a gente começou, o problema que todo mundo enxergava era que os dados estavam bagunçados e espalhados. Nossa aposta era que isso não ia funcionar com IA. A resposta natural era uma plataforma de dados, e por isso a comparação com uma “Databricks brasileira”. A gente resolvia conexão, organização e transformação. Isso continua sendo a base do que fazemos.

O que mudou foi quem passou a consumir esses dados. Até então, quem fazia perguntas era um analista, alguém que já conhecia o contexto do negócio. Essa pessoa sabia que “cliente ativo” não incluía os trials, sabia que determinado número precisava ser interpretado com algumas ressalvas. Esse contexto nunca precisou ser escrito porque estava na cabeça das pessoas.

Aí chegaram os agentes, que não têm esse contexto. Eles olham uma tabela e usam o que está ali. Acompanhando nossos clientes tentando conectar agentes aos dados, percebemos que o problema não era mais só organizar os dados, mas explicar o que eles significam de um jeito que o agente consiga entender e seguir. A tabela tem o número, mas quem sabe a definição é o time. Enquanto isso estiver só na cabeça das pessoas, o agente vai errar porque ninguém explicou como a empresa funciona.

Essa é a parte que o mercado ainda estava tratando como detalhe e que a gente passou a tratar como produto. Além dos conectores e dos modelos, existe uma camada de contexto que precisa conectar essas duas coisas. Se você olhar para o que Databricks, Snowflake e outros players vêm falando, contexto tem ganhado cada vez mais relevância.

Como funciona exatamente o produto da Nekt?

A Nekt funciona como o cérebro da empresa, o “Company Brain”. 

Conectamos todos os sistemas do negócio (são mais de 400 conectores nativos) e centralizamos tudo num lakehouse gerenciado, que se torna a memória analítica da empresa, com histórico. 

Em cima disso, adicionamos uma semantic layer com as definições de negócio, e acima dela um context graph: um grafo de documentos .md que registra regras, processos e o significado de cada dado. 

Com isso, agentes de IA conseguem consultar e agir (read/write) com o contexto certo, sem chutar. O acesso é pela aplicação web ou via MCP, em Claude, ChatGPT ou agentes próprios, sempre com permissões por usuário e auditoria de cada acesso. 

Para o time técnico, as transformações são em SQL ou Python/PySpark. Somos SOC 2 Type II.

"Company brain", "context layer", ontologia: são nomes diferentes para o mesmo problema, ou a diferença importa para quem vai comprar?

Os termos têm diferenças, mas boa parte dessa discussão parte da mesma necessidade. Para trabalhar dentro de uma empresa, o agente precisa entender como ela funciona, além de conseguir acessar seus sistemas.

Para quem está comprando, eu olharia menos para o nome e mais para como isso funciona na prática. Como esse contexto é construído? Como ele se conecta aos dados? Quem pode acessar? Como é atualizado conforme a empresa muda?

Você pode fazer um projeto de consultoria e terminar com uma documentação muito boa, mas precisa de um processo para manter aquilo atualizado e disponível para os agentes. Caso contrário, em pouco tempo a documentação já não representa a operação.

Na Nekt, esse contexto fica na mesma plataforma que conecta e organiza os dados. A ideia é que o agente consiga consultar um número e também entender a definição usada para chegar nele, respeitando as permissões de acesso. E, conforme trabalha, o próprio agente pode ajudar o time a identificar o que precisa ser complementado ou atualizado.

No teste do site de vocês, o Claude acerta 83% indo direto ao Stripe e ao HubSpot e 100% passando pela Nekt. O que esse número diz a um CEO que pensa em trocar de modelo, e quais são os limites dele?

É a mediana de cinco rodadas com o Claude Opus, em um cenário que a gente montou. Não é um estudo independente ou auditado.

O que ele mostra é o seguinte: sem a Nekt, o agente foi direto ao Stripe e ao HubSpot, fez centenas de chamadas, encontrou limites de uso das APIs, não conseguiu relacionar alguns clientes entre os dois sistemas e levou 15 minutos para chegar a 83% de acerto. Com a Nekt, foi uma consulta, em segundos, com 100% de acerto. Usamos o mesmo modelo, mas com os sistemas já conectados, os dados padronizados e as definições disponíveis.

Para o CEO que está pensando em trocar de modelo, o ponto é que muitas vezes o problema está nos dados e no contexto que ele recebe. Trocar de GPT para Claude ou Gemini não resolve se “cliente ativo” significa coisas diferentes em dois sistemas e ninguém explicou qual definição usar. Você pode trocar o modelo e continuar com o mesmo problema. O ganho maior pode estar em melhorar o contexto que você entrega para ele.

Deixar o agente entrevistar o time e redigir as definições faz dele o autor das regras que vai seguir, e quem atualiza esse material quando o negócio muda?

É uma preocupação válida. Mas vale separar o agente que ajuda a entrevistar e documentar daquele que vai consultar essas definições na operação. Um está ajudando a organizar o conhecimento, e o outro está usando esse conhecimento para trabalhar. E nenhum dos dois aprova as regras por conta própria. O agente ajuda a escrever, mas a decisão continua sendo das pessoas.

Por que deixar o agente escrever a primeira versão? Porque a dificuldade das empresas muitas vezes não é decidir o que é um “cliente ativo”, mas parar para documentar isso. O agente entrevista o time e prepara uma proposta, o que facilita bastante esse trabalho. Quem valida é uma pessoa, e a plataforma registra quem definiu e quando.

Sobre a atualização, é justamente por isso que a gente não trata essas definições como documentos isolados. Elas ficam junto dos dados, com histórico. Conforme os agentes trabalham com esse contexto, eles também vão propondo melhorias e atualizações. Você começa com um mapeamento inicial e vai evoluindo junto com a empresa, que tende a usar cada vez mais agentes na operação.

Como ficam as regras que existem só na cabeça das pessoas, como o desconto exclusivo do diretor comercial ou o cliente com condição especial?

Essas regras são uma parte muito importante do que a gente faz, e é justamente o que falta quando você conecta um agente direto ao banco de dados. O dado não explica que aquele desconto de 40% foi uma exceção que só o diretor pode aprovar. O agente vê os 40% e pode entender que aquilo é uma condição normal.

Para lidar com isso, essas regras precisam ser documentadas e ter controle sobre quem pode consultar ou alterar, em vez de continuarem só na cabeça das pessoas. É o papel da camada de definições. Você explica que um desconto acima de determinado valor exige uma aprovação específica, que aquele fornecedor é estratégico e não deve entrar em uma comparação automática de preços, ou que um cliente tem condições especiais por determinado motivo. Assim, esse conhecimento passa a estar disponível para o agente junto com os dados.

Que cliente passou a ter agentes entregando trabalho de verdade depois que os dados foram organizados?

Vou compartilhar um case que acabou de ser publicado por um cliente nosso. Acho que a melhor forma é trazer o relato de quem está usando na prática.

Nota da redação: o case indicado por Duarte é o da Pixeon, empresa de sistemas para hospitais, clínicas e laboratórios, relatado em 26 de outubro por Luan Vitor Batalha, responsável pela mídia paga da companhia. O desafio vinha do ciclo de venda longo: o gerenciador de anúncios mostrava o lead, e a venda só aparecia semanas ou meses depois, no CRM. A solução foi reunir na Nekt os dados de Meta, Google e LinkedIn Ads, GA4, CRM e RD Station, para que um agente de mídia cruzasse cada campanha com as vendas e agisse nas contas pelos conectores da plataforma.

O resultado de maior peso, segundo a empresa, veio de uma campanha com bons números no gerenciador e só 14% dos contatos no perfil de cliente buscado; com a pausa do anúncio que atraía o público errado, a fatia subiu para 93% nos dias seguintes, com a campanha ainda no ar. Batalha relata também que o primeiro criativo produzido por um agente ficou com custo por lead qualificado abaixo da média da campanha. O relato fica sem divulgação de custo, de valores em reais e do período de comparação.

A própria Nekt usa agentes para acompanhar os clientes: o que mudou, com isso, na forma como vocês tocam a empresa?

A gente usa a própria plataforma para isso. Temos agentes que acompanham os clientes, cruzam o uso do produto com as informações do CRM e fazem esse acompanhamento em uma frequência que uma equipe pequena não conseguiria manter manualmente. Nos últimos anos, isso deixou de ser um experimento e passou a fazer parte da operação.

Saímos de 100 para mais de 250 clientes pagantes aumentando a equipe de 12 para 15 pessoas. Entre elas, contratamos duas pessoas para expandir o comercial e vender mais, não para sustentar a base que cresceu.

Muitos conselhos têm medo de dar a um agente acesso ao financeiro e aos dados de clientes; o que o CEO precisa garantir antes de liberar esse acesso?

Essa preocupação faz sentido. Não dá para sair liberando acesso a tudo só porque a empresa está animada com IA. Antes de liberar, eu garantiria quatro coisas, e isso vale para qualquer fornecedor, inclusive para a Nekt.

1. Cada agente deve ter acesso apenas ao que precisa para realizar sua tarefa. Em vez de liberar todo o financeiro, você define quais dados ele pode consultar. Se o agente que responde sobre faturamento não precisa ver dados pessoais dos clientes, ele não deve ter esse acesso.
2. As consultas e os acessos precisam ficar registrados. A empresa deve conseguir verificar o que o agente consultou e quais dados utilizou. Se acontecer algum problema, esse registro permite entender o que houve.
3. É preciso separar a permissão para consultar da permissão para executar ações. Dar acesso de leitura aos dados financeiros é diferente de permitir que um agente faça uma movimentação com dinheiro. Você pode começar pela consulta e avaliar a liberação de ações como uma etapa seguinte.
4. As permissões precisam permitir controle por tabela e por time, em vez de funcionar como um acesso a tudo ou a nada. Também vale avaliar a segurança do fornecedor, incluindo certificações como SOC 2 e criptografia, que deveriam ser requisitos básicos.

Para o conselho, eu diria que o principal é ter clareza sobre o que cada agente pode acessar e fazer, com registro desse uso. Com esses controles, a empresa consegue liberar os acessos de forma muito mais segura.

Em 2025 vocês tinham 60 clientes e miravam 400 até o fim deste ano. Onde estão hoje, e qual número mostra melhor o resultado?

Fechamos setembro com 263 clientes pagantes. Ainda não chegamos aos 400 que colocamos como meta, mas estamos animados com a velocidade com que conseguimos colocar casos de uso para funcionar dentro das empresas, aumentar o consumo e expandir para outras áreas.

Um número que acho que mostra bem essa evolução, e que ainda não tínhamos divulgado, é que em setembro chegamos a 1,2 milhão de chamadas de agentes via MCP. Mais interessante do que o volume é perceber quem está usando a plataforma. Hoje, os agentes de IA já são os principais usuários da Nekt. Os agentes usam mais a Nekt do que as pessoas.

Para mim, isso valida a nossa aposta de que o próximo grande consumidor de dados seria um agente fazendo perguntas, além das pessoas consultando dashboards. Inclusive, na Nekt você não cria gráficos ou relatórios em si.

"Hoje, os agentes de IA já são os principais usuários da Nekt. Os agentes usam mais a Nekt do que as pessoas"

Qual é o erro mais comum nas empresas que começam a usar agentes de IA?

Achar que o problema é o modelo. A empresa conecta um agente, ele erra, e a conclusão é que precisa esperar a próxima versão ou trocar de fornecedor de IA. Aí faz a troca e continua recebendo respostas erradas porque o problema estava nos dados e no contexto.

O agente recebe os dados sem uma explicação de como a empresa funciona. É como contratar uma pessoa muito inteligente, colocar ela na frente dos sistemas no primeiro dia, sem onboarding ou alguém para explicar o que as informações significam, e esperar que ela acerte tudo. Ela também vai ter dificuldade.

Outro erro que costuma aparecer junto é querer automatizar ações antes de garantir que o agente entende o negócio. A empresa quer que ele mande e-mails e faça alterações nos sistemas, mas ainda não validou se ele está interpretando as informações corretamente. Primeiro, você precisa conseguir confiar nas respostas dele sobre a empresa. Depois, amplia o que ele pode fazer.

Muitos executivos acham que precisam arrumar a casa inteira antes de começar. Qual o roteiro para ter agentes trabalhando pela empresa em 90 dias?

Não esperem arrumar a casa inteira para começar. Esse acaba sendo um dos principais motivos para adiar o uso de IA. Nenhuma empresa tem tudo organizado, nem a nossa. Se você esperar chegar nesse ponto, vai continuar esperando.

Você pode conectar os dados como estão a uma plataforma de contexto e disponibilizá-los para os agentes. Isso pode ser feito em menos de uma semana e economizar meses de trabalho.

Na sequência, você começa por um caso de uso. No início da Nekt, normalmente era responder a alguma pergunta de negócio, como quantos clientes ativos a empresa realmente tinha. Hoje, cada vez mais, é automatizar um processo ou uma tarefa para alcançar um objetivo. Pode ser melhorar em 20% os resultados com Ads ou unificar os dados de cada cliente.

No fim dos 90 dias, eu esperaria ter agentes trabalhando em um objetivo real do negócio, entendendo o contexto da empresa e com o time acompanhando os resultados. A partir desse primeiro ciclo, você repete para os próximos casos de uso.

Assim, a organização dos dados acontece junto com a solução dos problemas, conforme o trabalho exige. Esse caminho tende a ser mais rápido, mais barato e mais viável para a maioria das empresas.

"Nenhuma empresa tem tudo organizado, nem a nossa. Se você esperar chegar nesse ponto, vai continuar esperando"

Entrevista concedida por escrito a Cassyano Correr | TheAgent em 26 de outubro de 2026. O texto das questões e das respostas foi editado para o espaço disponível, mantendo cada dado e sentido do entrevistado. Este artigo é conteúdo editorial, sem caráter publicitário.