Ontologias voltam: por que agentes de IA estão ressuscitando a web semântica

Se você programa há tempo suficiente, provavelmente lembra da promessa da "web semântica" dos anos 1990 e 2000: um mundo de dados estruturados, ligados por ontologias, que máquinas conseguiriam entender. A ideia nunca decolou de verdade. Agora, segundo um artigo da newsletter Latent Space, esse conceito antigo está voltando, e o motivo é justamente o hype do momento: os agentes de IA.

O artigo parte de uma palestra de Frank Coyle, professor de ciência da computação na UC Berkeley, apresentada na AI Engineer World's Fair de 2026. O argumento central de Coyle é direto: LLMs são ótimos para raciocínio probabilístico, mas sistemas agênticos precisam de "logical guardrails" (barreiras lógicas) para funcionar de verdade. E essas barreiras, na visão dele, são as ontologias.

O que é uma ontologia, na prática

No sentido de ciência da computação, uma ontologia é uma descrição da estrutura de dados: classes, propriedades e relações dentro de um domínio de conhecimento. Coyle resume de forma ainda mais simples, como "dados em forma de grafos". Ele lembra que o conceito remonta a Aristóteles e sempre esteve presente na história da IA.

O ponto interessante para quem constrói sistemas hoje é que muitas ontologias já existem e já estão no dataset de treino dos LLMs. Coyle cita Schema.org, FOAF, Dublin Core, além de tecnologias como RDFS (Resource Description Framework Schema) e OWL (Web Ontology Language). A vantagem prática: em vez de reinventar uma ontologia do zero, dá para prompt-ar o modelo pedindo que use uma já estabelecida. "Esse material sempre esteve por aí, por baixo de muita coisa que já fazemos", disse Coyle segundo o artigo. "Aproveitem essas coisas que já existem."

Neurossimbólico: LLM mais regras

Coyle chama a convergência entre agentes probabilísticos e ontologias de IA neurossimbólica. O nome soa pomposo, mas ele mesmo desmistifica: são redes neurais amarradas a IA simbólica, ou seja, sistemas baseados em regras e os grafos de conhecimento que estamos montando. A função é sempre a mesma: manter o LLM na linha.

Um exemplo concreto citado na fonte é um loop de agente Claude que usa uma ontologia para validar o raciocínio do modelo depois que a ferramenta rodou. Coyle também mostrou como usar OWL como verificação: enquanto a linguagem natural é escorregadia, "um axioma OWL é uma regra que a máquina impõe". A ideia de um reasoner construído sobre a ontologia, checando as saídas do modelo, é o que ele descreve como "um conjunto limitado de regras em torno de um loop ilimitado".

O elefante na sala: manutenção

Quem viveu a era da web semântica sabe por que ela fracassou: manter ontologias atualizadas é trabalhoso e caro. O artigo não esconde isso. Kingsley Idehen, da OpenLink Software, que trabalha com essas tecnologias há anos e agora monta um "agent engineering stack" com memória em RDF, resume bem a complementaridade: "A beleza dos LLMs é que são processadores poderosos de linguagem. A beleza de uma ontologia é que ela define os tipos de entidades e relações através dos quais a linguagem adquire contexto computável."

Mas a manutenção continua sendo o calcanhar de Aquiles. A saída proposta na fonte, por Prasenjit Sarkar, é curiosa: e se o próprio agente mantivesse a ontologia como parte de sua operação, atualizando definições ao encontrar casos de borda? Isso muda a natureza do problema, embora, como ele mesmo admite, continue sendo difícil.

Por que isso importa para quem constrói

A leitura mais útil aqui é a de contexto. Depois do auge do "vibe coding" em 2025, quando parecia que qualquer um poderia gerar software, veio a ficha caindo: alguém precisa manter esse código e garantir que ele não quebre. O artigo enquadra a volta das ontologias como parte de um retorno maior à disciplina de engenharia de software em 2026.

A visão do CEO da Neo4j, Emil Eifrem, também citado, aponta para onde isso pode ir: sair de "agentes gordos" com fontes de dados cabeadas manualmente para "agentes magros" apoiados numa camada semântica compartilhada. Ele descreve três tipos de ontologia: a de negócio (conceitos-chave da organização), a técnica (metadados de todas as fontes de dados) e os execution traces (sinais de runtime dos agentes).

O trade-off é claro: você ganha um freio determinístico sobre um sistema probabilístico, mas paga o custo de modelar e manter estrutura. Para quem já automatiza fluxos com LLMs no Brasil e vive apanhando de alucinação e loops que descarrilham, vale ao menos testar uma ontologia estabelecida como validador antes de descartar a ideia como coisa de "dev acima dos 40".

Fonte: Latent Space