O que muda com a ampliação do Agent Toolkit para agentes de IA corporativos?
A Nvidia ampliou o Agent Toolkit, sua plataforma de código aberto para desenvolvimento de agentes de inteligência artificial, com um conjunto de ferramentas voltadas a personalização, controle, monitoramento e governança de agentes corporativos [1].
O anúncio foi feito em 21 de outubro de 2026 e tem como peça central a estreia da Agent Knowledge Foundation, componente que transforma dados internos das empresas em inteligência que os agentes podem usar diretamente [1].
A proposta resolve um problema comum a quem já tentou colocar um agente de IA para operar sobre sistemas legados. A solução permite que organizações alimentem seus agentes com informações proprietárias sem mover dados, reconstruir fluxos de trabalho ou alterar controles de governança já existentes [1].
Para times de comércio que mantêm catálogos, estoque e histórico de clientes espalhados por ERPs, CRMs e marketplaces diferentes, essa promessa é o que separa um piloto de uma implantação em produção.
Quais são as cinco peças do Agent Toolkit?
O Agent Toolkit reúne cinco categorias de componentes que vão da ingestão de dados até a execução segura do agente em produção [1]. Essa composição em camadas é o que a Nvidia chama de pilha completa para configurar, personalizar e supervisionar agentes autônomos orientados por dados operacionais proprietários.
- Agent Knowledge Foundation: bibliotecas Nvidia CUDA-X (cuDF, cuGraph, cuML, cuOpt e cuVS) somadas à nova biblioteca Auto-Ontology, que traduz dados brutos em conceitos de negócio como clientes, produtos e pedidos e mapeia as relações entre eles [1].
- Modelos abertos, entre eles o Nemotron Retriever e a família Kumo (Kumo Tabular, Kumo Relational, Kumo Time Series e Kumo Forecast) [1].
- Nvidia OpenShell, ambiente de execução seguro que define o que os agentes podem acessar e fazer [1].
- Blueprints NemoClaw, modelos de referência para agentes especializados e seguros, com a versão mais recente focada em otimização contínua da inteligência do agente [1].
- Ferramentas de operação, como NeMo Relay e NeMo Compass [1].
Que ganhos os parceiros já registram com os modelos de recuperação?
Quem já está rodando a Agent Knowledge Foundation em produção relata melhorias mensuráveis de velocidade e relevância, não apenas promessas de roadmap. A área de cadeia de suprimentos da própria Nvidia combina a solução com o Palantir Foundry, Ontology e AIP para implantar agentes especializados a partir de dados proprietários [1].
A Databricks integra o Nvidia Kumo Anomaly ao seu Genie Ontology, e a Snowflake liberou o Kumo Engine e os modelos Kumo Relational dentro do Snowflake Notebook [1].
Os modelos Nemotron Retriever também mostraram ganhos de desempenho em aplicações de parceiros fora do ecossistema Nvidia:
| Parceiro | Aplicação | Ganho reportado |
|---|---|---|
| Amazon | OpenSearch Service | relevância de busca maior, quase sem latência adicional [1] |
| SAP | Reranker próprio | execução quase três vezes mais rápida [1] |
| ServiceNow | Qualidade de reranking | latência reduzida em quase um quarto [1] |
| Zoom | Zoom AI Services | melhor compreensão de documentos e recuperação de contexto [1] |
Por que a Nvidia também abriu modelos para rodar agentes dentro da empresa?
Dois dias antes de ampliar o Agent Toolkit, a Nvidia já havia lançado uma nova família de modelos abertos pensada para agentes que ficam ativos o tempo todo e para computação de borda, segundo reportagem do TechCrunch de 19 de outubro de 2026 [2].
“Diferente dos modelos fechados dos grandes laboratórios de IA, as organizações podem pós-treinar o Super VL com seus próprios dados, implantar em sua própria infraestrutura e ser donas do que constroem.”
O Nemotron 3.5 Super VL mira tarefas de agente em ambiente corporativo, enquanto os modelos menores Bolt, caso do Nemotron 3.5 Bolt 74B-A9B, de 74 bilhões de parâmetros, rodam localmente em PCs e estações de trabalho equipados com os chips Nvidia RTX Spark e DGX Spark [2].
A lógica dos dois lançamentos é a mesma: tirar a empresa da dependência de um único provedor de modelo fechado. Segundo a vice-presidente de Modelos Abertos e Software da Nvidia, Kari Briski, citada pelo TechCrunch, qualquer empresa que já tenha infraestrutura Nvidia passa a ter um modelo aberto para seu nível de uso [2].
A Nvidia já lista Skydance, EY, Ramp, CrowdStrike, Perplexity e Salesforce como usuárias do Super VL [2].
Por que isso importa para quem vende no Brasil?
Nenhuma varejista brasileira aparece hoje na lista de parceiros do Agent Toolkit, mas o pano de fundo é exatamente o mercado em que essas empresas competem por atenção e conversão. Alguns números recentes mostram o tamanho dessa disputa:
No Brasil, análises do setor de varejo do BTG Pactual apontam o Mercado Livre, líder do e-commerce no país, como uma das empresas mais bem posicionadas para essa transição, por já incorporar IA em busca, publicidade, atendimento e crédito [3].
É nesse ponto que uma peça como o Agent Toolkit se torna relevante para quem decide tecnologia no comércio brasileiro: a disputa deixou de ser só sobre qual modelo de linguagem usar e passou a ser sobre quem conecta esse modelo aos dados de catálogo, estoque e cliente sem recriar a arquitetura do zero.
- 91% das varejistas e empresas de bens de consumo consultadas pela Nvidia já usam ou avaliam IA; 89% atribuem receita a essas iniciativas e 95% relatam corte de custo [3].
- A McKinsey projeta que o comércio mediado por agentes de IA movimente entre US$ 3 trilhões e US$ 5 trilhões até 2030 [3].
- Segundo a Bain, o volume de visitas vindas de plataformas de IA generativa para sites de varejo cresceu cerca de 4.700% no último ano [3].
- 55% dos consumidores já usam modelos de linguagem para pesquisar produtos antes de comprar [3].
Como a governança vira o campo de disputa entre fornecedores de infraestrutura?
A peça do Agent Toolkit voltada a segurança, o OpenShell, define especificamente o que um agente pode acessar e executar, funcionando como uma camada de controle separada do modelo de IA em si [1].
Essa separação entre "o que o agente sabe" e "o que o agente tem permissão de fazer" é a resposta da Nvidia a uma preocupação crescente entre equipes de TI: dar autonomia a um agente sem abrir mão de auditoria e limites de acesso.
Para operações de comércio que já lidam com dados sensíveis de pagamento, CPF e histórico de compra, essa camada de governança pesa tanto quanto a qualidade do modelo na hora de decidir se um agente vai do piloto para a produção.
O que decisores de comércio devem observar agora
A decisão prática não é se adotar agentes de IA, e sim que camada de infraestrutura vai sustentar esses agentes sem forçar uma reconstrução de sistemas já em produção. Três pontos merecem atenção de quem avalia essa escolha:
- 1Verificar se a ferramenta exige mover ou duplicar dados de catálogo, estoque e CRM, ou se consegue operar sobre o que já existe, como propõe a Agent Knowledge Foundation [1].
- 2Exigir uma camada de governança separada do modelo, que defina e audite o que cada agente pode acessar, nos moldes do que o OpenShell se propõe a fazer [1].
- 3Acompanhar os números de adoção do próprio setor: com 89% das empresas de varejo já atribuindo receita a iniciativas de IA, segundo a Nvidia, a pergunta deixou de ser "se" e passou a ser "com que infraestrutura" [3].
Fontes
- [1]IT Forum, NVIDIA amplia plataforma para criar agentes de IA corporativos — itforum.com.br
- [2]TechCrunch, Nvidia launches new open models to run agents in the enterprise and on PCs — techcrunch.com
- [3]InvestNews, O robô vai às compras: como os agentes de IA já estão em todo lugar do varejo brasileiro — investnews.com.br
