Previo: inteligência de cenários baseada em simulação preditiva multi-agente
Um sistema que transforma um único documento-semente em um ecossistema de agentes
autônomos, simula suas interações em rodadas de debate e produz cenários emergentes
com probabilidades, sensibilidade e recomendações acionáveis.
Previo · Pesquisa aplicada e desenvolvimento
Belo Horizonte, MG · Brasil
Em desenvolvimento contínuo
Resumo
Análises estratégicas tradicionais apresentam um cenário único como "o mais provável",
conduzido por vieses invisíveis do analista e estáticos por construção. O Previo
substitui essa abordagem por simulação multi-agente: a partir de um
documento-semente, gera um ecossistema de agentes autônomos com perfis demográficos,
psicográficos e vieses próprios, que interagem e produzem cenários bottom-up.
O motor de simulação é fundamentado no framework OASIS (Open Agent Social
Interaction Simulations) do CAMEL-AI, fruto de pesquisa conjunta de 18
universidades. Sobre esse fundamento científico, o Previo desenvolveu um
código proprietário de validação, geração de personas, grafo
de conhecimento, análise e auditoria. Testes de calibração contra eventos
reais produziram média limpa de 73% de acurácia, com
desempenho superior em cenários complexos multi-stakeholder (72 a 81%).
O problema da análise estratégica tradicional e a proposta do Previo.
Comparativo
metodológico
A prática corrente em consultoria e análise estratégica apresenta um cenário único
como conclusão, conduzido por vieses invisíveis do analista, estático por construção
e incapaz de capturar a dinâmica entre stakeholders. O Previo substitui essa
abordagem por uma simulação multi-agente em que cenários emergem
da interação bottom-up entre atores autônomos.
#
Análise tradicional
Previo
01
Um cenário apresentado como "o mais provável"
Múltiplos cenários com probabilidades atribuídas e justificadas
02
Vieses invisíveis conduzem a conclusão antes da análise
Scorecard de viés analisa input e declara desbalanceamentos
03
Análise estática, desatualizada quando pronta
Variáveis podem ser injetadas a qualquer momento da simulação
04
Não captura como stakeholders reagem entre si
Agentes debatem, mudam de posição e formam coalizões
05
Alternativas reais tratadas como ruído
Cenários bottom-up, com sensibilidade e ramificações
06
Surpresas viram crises por falta de mapeamento
Agentes ilimitados, dimensionados conforme o cenário
§ 02
Método
Pipeline em quatro etapas, do documento-semente ao relatório.
Processamento
automatizado
O processamento é totalmente automatizado. Cada etapa adiciona uma camada de
complexidade ao output anterior. O tempo médio do upload ao relatório final
situa-se entre quatro e oito horas.
Extração de conhecimento
NLP extrai entidades, relações e contexto do documento-semente. O resultado é
um grafo de conhecimento navegável com fatos e conexões.
Geração de personas
Agentes são gerados em quantidade ilimitada, dimensionada conforme o cenário,
com perfil demográfico (idade, gênero, cidade, formação), psicográfico (MBTI,
motivações), vieses cognitivos e conhecimento contextual diferenciado.
Simulação social
Agentes interagem em Info Plaza (debate aberto) e Topic Community (discussão
fechada por tema). A simulação é conduzida em rodadas sucessivas, cuja quantidade
pode ser definida previamente conforme a profundidade desejada.
Análise e relatório
Um ReportAgent (padrão ReACT) gera relatório de 15 a 25 páginas com cenários
preditivos, análise de sensibilidade, mapa de stakeholders e recomendações.
Dashboard web é sincronizado diretamente do markdown.
Agentes
Ilimitados
dimensionados por cenário
Rodadas de debate
Flexíveis
definidas previamente
Tempo médio
4–8 h
documento → relatório
Relatório
Completo
independente e acionável
§ 03
Base científica
Fundamentação em três linhas de pesquisa e contribuição de 18 universidades.
OASIS /
CAMEL-AI
arXiv:2411.11581
O motor de simulação é fundamentado no framework OASIS (Open Agent Social
Interaction Simulations) do CAMEL-AI, a maior comunidade acadêmica de
pesquisa em agentes multi-agente do mundo. O framework apoia-se em três
linhas teóricas:
Tabela 1. Fundamentação teórica do motor de simulação.
§
Linha de pesquisa
Contribuição
i
Agent-Based Modeling
Agentes autônomos com regras próprias interagem e produzem comportamentos emergentes impossíveis de prever individualmente.
ii
Stanford Generative Agents
Agentes com memória, reflexão e planejamento. Cada persona tem história, opinião e capacidade de mudar de ideia ao longo da simulação.
iii
OASIS Framework
Até 1 milhão de agentes simultâneos. Replica polarização, efeito manada e propagação de informação em redes sociais.
As dezoito instituições abaixo produzem trabalhos referenciados na arquitetura
do modelo e contribuem para o aprimoramento contínuo do sistema por meio de
pesquisas e publicações acadêmicas.
01Stanford UniversityUS
02University of OxfordUK
03Harvard UniversityUS
04Carnegie Mellon UniversityUS
05Imperial College LondonUK
06California Institute of TechnologyUS
07University of ChicagoUS
08University of MichiganUS
09Northwestern UniversityUS
10Penn State UniversityUS
11KAUSTSA
12Santa Fe InstituteUS
13National University of SingaporeSG
14University of Hong KongHK
15University of SydneyAU
16University of TokyoJP
17Tsinghua UniversityCN
18Fudan UniversityCN
Universidades
18
contribuintes ao framework
Frameworks integrados
3
ABM, Generative, OASIS
Linhas de pesquisa
12+
artigos científicos
Código proprietário
13
camadas exclusivas do Previo
§ 04
Mercado
Simulação multi-agente constitui categoria em consolidação global.
Previo é o
primeiro sistema
brasileiro
na categoria
Empresas líderes substituem pesquisas tradicionais por simulação multi-agente.
A tabela abaixo apresenta os principais operadores internacionais, suas rodadas
de captação e clientes declarados.
Tabela 2. Operadores internacionais em simulação multi-agente.
Empresa
Rodada / Origem
Clientes
Nota
Simile
Série A US$ 100M, Index Ventures
CVS, Gallup, Suntory, Wealthfront
Fundada pelo time de Stanford Generative Agents.
Aaru
Série A, valuation US$ 1B
EY, Accenture, Interpublic Group
Reproduziu pesquisa EY (3.600 investidores, 30 mercados) em 1 dia.
Artificial Societies
Y Combinator W25, Londres
Fortune 100 enterprises
2,5M de agentes treinados. 95% de acurácia vs auto-replicação humana.
CulturePulse
Simulação geopolítica
Nações Unidas (UNDP)
Digital twins de regiões. Analisou dinâmicas do conflito Israel-Palestina.
BCG
Consultoria global
—
AgentKit para supply chain e cenários de marketing.
McKinsey
Consultoria global
—
Agentic AI: +1,5% produtividade ao ano em enterprises.
Limbik
AWS Marketplace
60 países
6.600 segmentos demográficos e psicográficos.
§ 05
Camadas proprietárias
Código proprietário sobre fundamento científico.
OASIS provê
o fundamento
Previo provê
o código e a
inteligência
Sobre o fundamento científico do framework OASIS, o Previo desenvolveu um
código proprietário completo que transforma dados em
inteligência acionável. Esse código é o diferencial exclusivo do sistema:
organiza-se em treze camadas de responsabilidade, descritas
na tabela abaixo.
Tabela 3. Camadas proprietárias desenvolvidas pelo Previo.
§
Camada
Descrição
01
Validação de Input
Scorecard de viés analisa o documento-semente antes da simulação; sugere correções automaticamente.
02
Ontologia Adaptativa
LLM gera ontologia customizada por domínio; tipos de entidades e relações únicos por pesquisa.
03
GraphRAG
Extração agressiva de entidades e relações em grafo navegável.
04
Personas Contextuais
Perfil demográfico, psicográfico, MBTI, vieses e motivações; validação nome-gênero automática.
05
Presets Demográficos
32 setores com distribuição por IBGE, PNAD, CFM, OAB; round-robin de cidades.
06
Config Generator
Gera eventos iniciais, temporalidade e parâmetros por agente a partir do prompt.
07
Otimização de Contexto
Window size e prune de tool calls reduzem consumo de tokens em 70%.
08
Checkpointing
Checkpoint a cada 10 rodadas com retomada automática. Zero perda de dados.
09
ReportAgent
Agente ReACT autônomo gera relatório de 15 a 25 páginas com ferramentas de consulta.
10
Fact-Checker
Validação cruzada de números entre seções. Detecta inconsistências.
11
Dashboard Sincronizado
Cenários extraídos direto do markdown; zero reinterpretação.
12
Selo SHA-256
Hash criptográfico em cada relatório; rastreabilidade e integridade.
13
Calibração Contínua
Sete testes contra eventos reais; vieses identificados, medidos e declarados.
§ 06
Figura demonstrativa
Visualização do motor GraphRAG em execução.
56 entidades
87 relações
5 clusters
A visualização abaixo reproduz o comportamento do motor GraphRAG. Entidades
são extraídas iterativamente do documento-semente e, à medida que surgem,
conectam-se progressivamente umas às outras, formando o ecossistema de
relações que sustenta a simulação.
Figura 1. Construção do grafo de entidades e relações
Ao vivo
Entidades
00 / 56
Relações
00 / 87
Clusters
5
Progresso
0%
Pessoa
Instituição
Organização
Político
Governo
Nota: nomes de entidade são fictícios. A distribuição esférica utiliza espiral de
Fibonacci. Conexões surgem progressivamente, em laranja durante a formação e em
preto quando consolidadas. Pulsos representam inferências cruzadas após o
vínculo estar estabelecido.
§ 07
Setores de aplicação
Cenários com múltiplos stakeholders, em qualquer setor.
Aplicações
multi-domínio
O Previo se aplica a qualquer cenário em que múltiplos atores com interesses
conflitantes interagem e geram resultados imprevisíveis. A seguir, os sete
setores onde o sistema já foi testado ou aplicado.
01
Finanças e mercado de capitais
Simulação de cenários em que bancos, reguladores, investidores, agências
de rating e mídia interagem sob pressão. O Previo modela como decisões de
um ator propagam consequências nos demais.
Fusões e aquisições — CADE, BC, sindicatos, acionistas.
Crise de confiança bancária — corrida, contágio, FGC.
IPO — pricing, demanda de investidores, cobertura.
Câmbio e comércio exterior — tarifas, sanções, hedge.
02
Política e eleições
Dinâmicas eleitorais, crises políticas e disputas entre poderes envolvem
dezenas de atores com agendas próprias. O Previo simula como coalizões se
formam e se desfazem, como narrativas competem e como o eleitor reage.
Cenários eleitorais — redistribuição de votos, alianças.
Crise política — CPMIs, delações, Judiciário.
Dinâmica entre poderes — Executivo, Legislativo, Judiciário.
Mudanças regulatórias afetam ecossistemas inteiros. O Previo simula como
setor privado, governo, sociedade civil e mídia reagem a novas leis,
reformas e decisões de agências reguladoras.
Nova lei — reforma tributária, marco legal, regulação de IA.
Decisões do Banco Central — Selic, regras de capital.
Concessões e PPPs — licitações de infraestrutura.
Regulação de preços — estacionamento, pedágio, energia.
04
Marketing e co-branding
Lançamentos de produto, campanhas e collabs dependem de como consumidores,
varejo, mídia e concorrentes reagem simultaneamente. O Previo simula
viralização, rejeição e cenários de vendas.
Lançamento B2C — recepção do mercado, viralização.
Co-branding — risco e oportunidade de associação.
Campanha — teste de mensagem antes de veicular.
Ruptura de estoque — hype e escassez.
05
Crises e gestão de riscos
Crises são por definição multi-stakeholder. O Previo simula como mídia,
governo, consumidores, acionistas e concorrentes reagem simultaneamente, e
como a resposta da empresa influencia cada um.
Crise de imagem — escândalo, vazamento, polêmica.
Greves e paralisações — sindicatos, governo, setor.
Guerra comercial — tarifas, embargos, retaliação.
Recall de produto — mídia, consumidores, órgãos.
06
Tecnologia e plataformas
O ecossistema tech é movido por adoção rápida, network effects e
competição por atenção. O Previo simula como usuários, investidores,
reguladores e concorrentes reagem a lançamentos e mudanças.
Lançamento de app — adoção, churn, viralização.
Mudança de política — reação de usuários e criadores.
Regulação de tech — antitruste, privacidade, IA.
Incumbente vs disruptor — resposta competitiva.
07
Agronegócio e commodities
O agronegócio brasileiro opera na interseção de clima, geopolítica,
regulação ambiental e comércio exterior. O Previo simula como variáveis
externas afetam decisões de produtores, exportadores e governo.
Choque climático — safra, preço, seguro agrícola.
Geopolítica — sanções, tarifas, redirecionamento.
Regulação ambiental — ESG, mercado de carbono.
Dinâmica de exportação — China, EUA, Europa.
§ 08
Calibração
Testes de calibração contra eventos reais verificáveis.
Média limpa
73%
4 testes
Testes de calibração foram conduzidos contra eventos reais, com data de corte
anterior ao evento. Acurácia medida por comparação com gabarito de controle
ponderado. Cada estudo apresenta três leituras visuais: barras de critérios,
radar ponderado e dispersão complexidade/acurácia. Ao final de cada estudo, o
hash SHA-256 permite auditoria do relatório gerado.
Visão geral dos sete testes
01
Estacionamento BH
91%
02
Eleição BH
85%
03
Escândalo INSS
81%
04
Banco Master
79%
05
Tarifas Trump
72%
06
Greve dos Caminhoneiros
59%
07
Co-branding
53%
Cálculo
Estacionamento BH (91%) — teste primário de pipeline, baixa complexidade; excluído.
Co-branding (53%) — viés negativo acima da média, cenário excepcional; excluído.
Média de 4 testes limpos
73%
Desempenho superior em cenários complexos multi-stakeholder (72 a 81%) em
relação a previsões binárias simples.
Estudos detalhados e auditáveis
Estudo 01
Banco Master
28 agentes · Teste limpo · Corte Jan 2026
79/100
Critérios (peso × nota)
Contágio
10/10
TCU
10/10
Reforma
10/10
Migração
10/10
Prisão
8/10
FGC
4/10
WillBank
7/15
Coerência
10/10
Radar ponderado
Complexidade × acurácia
Critério
Peso
Nota
Resultado
Contágio não-sistêmico
10%
10/10
Previu flight-to-quality e migração para bancos grandes.
TCU não reverteu liquidação
10%
10/10
Politicamente inviável e desestabilizador.
Reforma regulatória
10%
10/10
Previu quatro eixos de reforma que se materializaram.
Migração de depósitos
10%
10/10
Previu fuga de 5 a 15% da base de bancos menores.
Prisão de Vorcaro
10%
8/10
Previsto em dois de três cenários.
FGC velocidade de pagamento
10%
4/10
Previu menos de 20%. Real: 96% (R$ 38,9 bi).
WillBank destino
15%
7/15
Cenário principal previa sobrevivência; liquidado em 21 dias.
Padrão observado: desempenho é superior em cenários complexos
multi-stakeholder (72 a 81%) do que em previsões binárias simples (59%).
Calibração contínua permite identificar, medir e declarar vieses em cada relatório.
§ 09
Transparência
Viés existe em humanos e em máquinas.
Identificar
Medir
Declarar
Todo sistema preditivo carrega vieses, humanos e computacionais. Um analista
tradicional tem vieses invisíveis de formação, experiência e incentivos.
Um modelo de IA tem vieses de treinamento e de dados. A diferença é que o
Previo identifica, mede e declara seus vieses em cada relatório.
Detecção automática de viés
O Previo analisa o documento-semente antes da simulação com um
Scorecard de Viés que detecta desbalanceamentos
(por exemplo, 13 riscos contra 6 oportunidades), linguagem polarizada
e stakeholders ausentes. Sugestões de correção são geradas
automaticamente antes de qualquer rodada de debate.
Viés é inerente às relações sociais
Os agentes simulados reproduzem vieses que existem nas comunidades
reais: polarização, efeito manada, ancoragem em precedentes. Isso
não é uma falha do sistema, é a simulação capturando
como as pessoas realmente pensam e decidem. A
transparência sobre esses vieses permite ao leitor calibrar sua
leitura dos cenários.
Compromisso editorial
A transparência sobre vieses é um diferencial do Previo, não uma
fraqueza. Pesquisas tradicionais não declaram seus vieses. Modelos
estatísticos os escondem em premissas. Cada relatório do Previo inclui
um selo de proveniência com
verificação de viés, permitindo ao leitor avaliar a análise
com pleno contexto.
§ 10
Encerramento
Antes de tomar a decisão, simule como o mercado vai reagir.
Agentes autônomos ilimitados. Cenários emergentes, vieses declarados,
auditoria criptográfica em cada relatório.
Previo · Berith Partners 2026Belo Horizonte · Brasil