Airtable está aplicando sua filosofia de design de dados em primeiro lugar aos agentes de IA com a estreia do Superagent na terça-feira. É um agente de pesquisa independente que implanta equipes de agentes especializados em IA trabalhando em paralelo para concluir tarefas de pesquisa.
A inovação técnica reside na forma como o orquestrador do Superagent mantém o contexto. Os sistemas de agentes anteriores usavam roteamento de modelo simples, onde um intermediário filtrava as informações entre os modelos. O orquestrador do Airtable mantém visibilidade whole sobre toda a jornada de execução: o plano inicial, as etapas de execução e os resultados do subagente. Isso cria o que o cofundador Howie Liu chama de “uma jornada coerente”, onde o orquestrador toma todas as decisões ao longo do caminho. “Em última análise, tudo se resume a como você aproveita a capacidade autorreflexiva do modelo”, disse Liu ao VentureBeat. Liu foi cofundador da Airtable há mais de doze anos com um banco de dados relacional baseado em nuvem em seu núcleo.
A Airtable construiu seu negócio com base em uma aposta singular: o software program deveria se adaptar à forma como as pessoas trabalham, e não o contrário. Essa filosofia impulsionou o crescimento de mais de 500.000 organizações, incluindo 80% das empresas Fortune 100, que utilizam a sua plataforma para criar aplicações personalizadas adaptadas aos seus fluxos de trabalho.
A tecnologia Superagent é uma evolução dos recursos originalmente desenvolvidos pela DeepSky (anteriormente conhecida como Gradient), que a Airtable adquiriu em outubro de 2025.
De dados estruturados a agentes de formato livre
Liu enquadra Airtable e Superagent como fatores de forma complementares que, juntos, atendem a diferentes necessidades empresariais. Airtable fornece a base estruturada e Superagent lida com tarefas de pesquisa não estruturadas.
“Obviamente começamos com uma camada de dados. Está no nome Airtable: é uma tabela de dados”, disse Liu.
A plataforma evoluiu como uma estrutura em torno desse banco de dados central com recursos de fluxo de trabalho, automações e interfaces que podem ser dimensionadas para milhares de usuários. “Acho que o Superagent é um formato muito complementar, muito desestruturado”, disse Liu. “Esses agentes são, por natureza, de forma muito livre.”
A decisão de desenvolver capacidades de formato livre reflete os aprendizados da indústria sobre o uso de modelos cada vez mais capazes. Liu disse que à medida que os modelos ficam mais inteligentes, a melhor maneira de usá-los é ter menos restrições sobre como funcionam.
Como funciona o sistema multiagente do Superagent
Quando um usuário envia uma consulta, o orquestrador cria um plano visível que divide pesquisas complexas em fluxos de trabalho paralelos. Então, por exemplo, se você estiver pesquisando uma empresa para investimento, isso será dividido em diferentes partes dessa tarefa, como pesquisar a equipe, pesquisar o histórico de financiamento, pesquisar o cenário competitivo. Cada fluxo de trabalho é delegado a um agente especializado que executa de forma independente. Esses agentes trabalham em paralelo, sendo seu trabalho coordenado pelo sistema, cada um contribuindo com sua parte para o todo.
Embora Airtable descreva o Superagent como um sistema multiagente, ele depende de um orquestrador central que planeja, despacha e monitora subtarefas – um modelo mais controlado do que agentes totalmente autônomos.
O orquestrador do Airtable mantém visibilidade whole sobre toda a jornada de execução: o plano inicial, as etapas de execução e os resultados do subagente. Isto cria o que Liu chama de “uma jornada coerente”, onde o orquestrador toma todas as decisões ao longo do caminho. A abordagem do subagente agrega resultados limpos sem poluir o contexto do orquestrador principal. O Superagent usa vários modelos de fronteira para diferentes subtarefas, incluindo OpenAI, Anthropic e Google.
Isso resolve dois problemas: gerencia janelas de contexto agregando resultados limpos sem poluição e permite adaptação durante a execução.
“Talvez tenha tentado realizar uma tarefa de pesquisa de uma certa maneira que não funcionou, não conseguiu encontrar a informação correta e então decidiu tentar outra coisa”, disse Liu. “Ele sabe que tentou a primeira coisa e não funcionou. Portanto, não cometerá o mesmo erro novamente.”
Por que a semântica dos dados determina o desempenho do agente
Do ponto de vista do construtor, Liu argumenta que o desempenho do agente depende mais da qualidade da estrutura de dados do que da seleção do modelo ou da engenharia imediata. Ele baseou isso na experiência da Airtable na construção de uma ferramenta interna de análise de dados para descobrir o que funciona.
O experimento da ferramenta interna revelou que a preparação dos dados consumiu mais esforço do que a configuração do agente.
“Descobrimos que a parte mais difícil de acertar não period realmente o equipamento do agente, mas a maior parte do molho especial tinha mais a ver com a manipulação da semântica dos dados”, disse Liu. “Os agentes realmente se beneficiam de uma boa semântica de dados.”
O trabalho de preparação de dados concentrou-se em três áreas: reestruturar os dados para que os agentes pudessem encontrar as tabelas e campos corretos, esclarecer o que esses campos representam e garantir que os agentes pudessem utilizá-los de forma confiável em consultas e análises.
O que as empresas precisam saber
Para organizações que avaliam sistemas multiagentes ou criam implementações personalizadas, a experiência de Liu aponta para diversas prioridades técnicas.
A arquitetura de dados precede a implantação do agente. A experiência interna demonstrou que as empresas devem esperar que a preparação de dados consuma mais recursos do que a configuração do agente. As organizações com dados não estruturados ou documentação de esquema deficiente terão dificuldades com a confiabilidade e precisão do agente, independentemente da sofisticação do modelo.
O gerenciamento de contexto é crítico. Simplesmente unir diferentes LLMs para criar um fluxo de trabalho de agente não é suficiente. É necessário haver um orquestrador de contexto adequado que possa manter o estado e as informações com uma visão de todo o fluxo de trabalho.
Bancos de dados relacionais são importantes. A arquitetura de banco de dados relacional fornece uma semântica mais limpa para a navegação do agente do que armazenamentos de documentos ou repositórios não estruturados. As organizações que padronizam o NoSQL por motivos de desempenho devem considerar a manutenção de visualizações ou esquemas relacionais para consumo do agente.
A orquestração requer recursos de planejamento. Assim como um banco de dados relacional possui um planejador de consultas para otimizar os resultados, os fluxos de trabalho de agentes precisam de uma camada de orquestração que planeje e gerencie os resultados.
“Portanto, a conclusão e a versão resumida é que muito disso se resume a ter uma camada de planejamento e orquestração de execução realmente boa para o agente e ser capaz de aproveitar totalmente os modelos para aquilo em que eles são bons”, disse Liu.
