AgroAnswers — Inteligência artificial generativa aplicada à gestão do conhecimento na assistência técnica agrícola

CALL FOR CASES • MIT-ANPEI BRAZIL SUMMIT 2026 AgroAnswers Inteligência artificial generativa aplicada à gestão do conhecimento na assistência técnica agrícola

Aderência ao tema “Cooperar para competir em um mundo fragmentado”: o case trata da fragmentação do conhecimento técnico dentro de uma cadeia produtiva com milhares de agricultores integrados, e de como a IA aplicada, combinada a governança de dados e cooperação entre áreas, transforma essa dispersão em vantagem operacional.

1. Resumo executivo

O AgroAnswers é um agente de inteligência artificial generativa desenvolvido internamente pela área Leaf da Philip Morris Brasil para consolidar, em uma única interface conversacional, o conhecimento técnico usado diariamente por técnicos de campo que atendem aproximadamente 5.000 produtores integrados nos três estados do Sul do Brasil.

A solução foi construída sobre a plataforma Microsoft Copilot, alimentada exclusivamente por conteúdo homologado pela companhia (programa técnico, doses de defensivos, manejo de pragas e doenças, portfólio de variedades, manuais de sistemas internos e procedimentos de sustentabilidade) e submetida a um processo formal de avaliação de IA, segurança da informação e aprovação pelos data owners de governança global.

Em uma prova de conceito iniciada em 11 de agosto de 2026 com 12 técnicos de campo e o time de gestão, o AgroAnswers tornou-se, em três semanas, o agente de IA mais utilizado da área Leaf globalmente e um dos mais utilizados de toda a região Américas da companhia — evidência de adoção espontânea e de aderência real à rotina de campo.

2. Contexto e problema

2.1 A operação A área Leaf da Philip Morris Brasil é responsável pela produção integrada de tabaco junto a agricultores fornecedores. A operação conta com 37 técnicos de campo contratados e 16 técnicos sazonais, que atendem cerca de 5.000 produtores integrados distribuídos pelo Rio Grande do Sul, Santa Catarina e Paraná. Esses profissionais respondem por contratação, assistência técnica, orientação sobre boas práticas agrícolas e coleta e reporte de dados de sustentabilidade.

2.2 A dor À medida que o escopo de atividades e a complexidade regulatória do setor cresceram, o conhecimento necessário ao técnico permaneceu fragmentado entre formatos e plataformas distintos: materiais impressos, conteúdos digitais, treinamentos anuais, sistemas internos e a experiência individual de cada profissional. O resultado desse acúmulo é um problema clássico de gestão do conhecimento com consequências operacionais diretas:

Tempo elevado de busca por informação durante interações de campo sensíveis ao tempo, na presença do produtor.

Variação na consistência da orientação técnica repassada, dependente da memória e da senioridade de cada técnico.

Curva de aprendizagem longa no onboarding de técnicos novos e sazonais, que se renova a cada safra.

Risco de uso de plataformas públicas de IA, que podem gerar respostas desalinhadas dos procedimentos internos e das recomendações agronômicas corporativas.

O problema, portanto, não era ausência de conhecimento — a informação existia e era de boa qualidade. Era ausência de acesso no momento e no formato em que a decisão precisa ser tomada.

3. O que foi desenvolvido

3.1 Concepção O AgroAnswers foi concebido como um agente conversacional que combina IA generativa, base de conhecimento homologada, regras de uso e um objetivo delimitado: apoiar o técnico de campo com informações técnicas de agronomia, procedimentos operacionais dos sistemas internos, sustentabilidade e saúde e segurança. A premissa de desenho foi explícita desde o início — a ferramenta é copiloto, não piloto automático: não toma decisões contratuais, não substitui a assistência técnica oficial e não cria regras inexistentes. A responsabilidade técnica pela recomendação permanece com o profissional.

3.2 Construção da base de conhecimento A etapa mais intensiva do projeto foi a curadoria. O trabalho envolveu mapear as fontes efetivamente utilizadas pelos técnicos, consolidar uma biblioteca única, separar conteúdos por tópico e validar cada material com o time técnico de agronomia antes da ingestão. A base cobre, entre outros conteúdos, o programa técnico da cultura, doses e recomendações de defensivos, identificação de pragas e doenças, portfólio de variedades e manuais dos sistemas internos de coleta de dados.

3.3 Engenharia de prompt e travas de segurança Foram testadas inúmeras versões de prompt até se chegar à configuração atual, com adaptação da linguagem à realidade do técnico de campo, teste sistemático de limitações e alucionações, conferência das respostas contra os materiais técnicos originais, travas de segurança e prompts específicos de checagem e revalidação de dados. Cada desvio identificado é registrado e classificado quanto à causa — lacuna documental, conteúdo desatualizado, ambiguidade de redação ou formulação imprecisa da pergunta — gerando o ajuste correspondente na base ou nas instruções do agente.

3.4 Governança, segurança e IA responsável O caso foi submetido ao processo corporativo de AI assessment, com aprovação formal dos data owners de Global Leaf Governance sobre o conteúdo utilizado, mapeamento documentado de cada fonte (formato, origem, periodicidade de atualização, proprietário, nível de segurança e aprovador) e coleta estruturada de dados para InfoSec e Legal. Todo dado de produtor consumido pelo agente origina-se dos sistemas internos da companhia.

3.5 Evolução funcional durante o piloto Alimentado pelo feedback semanal dos usuários, o agente ganhou funcionalidades não previstas no escopo original, entre elas avaliação de risco, planejamento de visitas com priorização por proximidade geográfica e pendências, consulta a pendências documentais e de análise de solo e leitura do histórico do produtor. Foi também publicado um playbook de prompts, organizado por perfil de usuário, para acelerar a curva de uso.

4. Resultados alcançados

Resultados qualitativos observados: padronização da orientação técnica repassada ao produtor; redução percebida do tempo de busca por informação; apoio direto ao onboarding de técnicos; e mudança cultural mensurável na postura do time diante de ferramentas digitais, com os próprios técnicos passando a propor novas aplicações.

O piloto também explicitou limitações relevantes, tratadas como aprendizado e não como ruído: dependência de conectividade em área rural, latência de resposta em consultas a bases extensas, limitações da leitura programática de arquivos estruturados e necessidade permanente de validação humana das respostas.

5. Replicabilidade do aprendizado

O caminho percorrido é reproduzível por qualquer organização com conhecimento técnico disperso e uma força de trabalho distribuída em campo. Cinco aprendizados sustentam a replicação:

A curadoria vale mais que o modelo. O diferencial não está na tecnologia de IA, disponível a todos, mas na qualidade e na validação da base de conhecimento que a alimenta.

Delimitar o que a ferramenta não faz gera confiança. Explicitar limites desde o kickoff acelerou a adoção em vez de freá-la.

Governança antes da escala. Conduzir avaliação de IA, segurança e aprovação de data owners durante o piloto evita retrabalho e bloqueios na expansão.

Piloto pequeno com cadência semanal de feedback. Um grupo reduzido e ouvido com frequência produziu mais evolução funcional do que um escopo fechado a priori.

Medir adoção, não apenas percepção. Combinar dashboard de uso com pesquisa qualitativa permite distinguir entusiasmo inicial de valor sustentado.

6. Lastro tecnológico

9. Contato

Adson Henrique Barbosa — Sr Supervisor Leaf Crop & Data Strategy Philip Morris Brasil — Santa Cruz do Sul, RS adson.barbosa@pmi.com Documento preparado para submissão ao Call for Cases do MIT-ANPEI Brazil Summit 2026. Versão 1.0 — 16 de setembro de 2026.