A ServiceNow apresentou o AutoSynthData, um sistema para gerar dados de treino para agentes de inteligência artificial em ambientes empresariais. Num artigo publicado na Hugging Face a 2 de outubro de 2026, a equipa descreve uma abordagem que identifica tarefas difíceis para um modelo e usa essas dificuldades para orientar a criação de novos exercícios. O artigo enquadra o método como uma forma de produzir dados para pós-treino.

A motivação é que um modelo pode ter capacidades gerais e, ainda assim, ter dificuldades com determinados fluxos de trabalho, ferramentas ou regras de um ambiente específico. Para treinar essas capacidades, não basta observar uma falha isolada: é necessário criar tarefas variadas, executáveis no ambiente e semelhantes a pedidos que um utilizador poderia fazer. As tarefas devem também ter uma forma fiável de verificar se foram concluídas.

No enquadramento apresentado, cada tarefa é composta por uma especificação do sistema, um pedido dirigido ao agente e um verificador. A especificação define as instruções e políticas aplicáveis e pode incluir elementos de inicialização, como um estado de base de dados. O pedido descreve o objetivo e as restrições do utilizador. O verificador avalia se a trajetória do agente satisfaz o pedido e respeita as condições relevantes.

A equipa propõe que as tarefas sejam viáveis, realistas e suficientemente difíceis para o modelo atual. A viabilidade exige que exista pelo menos uma forma de cumprir o pedido no ambiente, respeitando as instruções e as ações disponíveis. O realismo diz respeito à plausibilidade do pedido. A dificuldade, por sua vez, deve expor uma limitação do agente; tarefas que este já resolve de forma fiável oferecem menos sinal de treino.

O AutoSynthData começa por avaliar o modelo-alvo no ambiente e identificar padrões nas tarefas em que tem dificuldades. Um modelo professor mais capaz ajuda a caracterizar quais dessas tarefas são resolúveis e que comportamento pode ser bem-sucedido. O sistema usa essa informação para gerar novas tarefas, verifica-as no ambiente e utiliza as amostras aceites no pós-treino. Uma nova avaliação do modelo atualizado pode indicar que lacunas continuam por resolver e orientar outra ronda de geração.

A validação é uma parte central do processo descrito. Segundo os autores, um verificador permissivo pode aceitar comportamentos incorretos, enquanto um verificador demasiado restritivo pode rejeitar soluções válidas. Por isso, defendem que o critério deve ser consistente com o pedido, a especificação e o estado do ambiente; deve rejeitar falhas, mas não exigir uma trajetória de referência única. O artigo ilustra a abordagem com o EnterpriseOps Gym e refere um conjunto de dados divulgado.

Porque importa

Agentes empresariais têm de operar dentro das ferramentas, dos estados e das políticas de ambientes específicos. A abordagem descrita procura direcionar o pós-treino para essas dificuldades, recorrendo a tarefas executáveis e a verificadores que aceitem soluções válidas distintas.

Fontes

AutoSynthData: Generating Training Data for Enterprise AgentsHugging Face ↗