Model Spec OpenAI: guia prático de governança para agentes de IA em atendimento, vendas e follow-up

A OpenAI atualizou o Model Spec, o documento público que descreve como a empresa quer que seus modelos se comportem. A revisão do Model Spec OpenAI reorganiza a orientação em torno de cinco valores: fidelidade à intenção humana, minimização de danos, honestidade e transparência, agência humana e cuidado. Também adiciona orientação sobre contexto, supervisão e agência, ajusta alguns padrões de comportamento e retira boa parte da orientação detalhada de estilo.

Para quem opera agentes de IA em atendimento, vendas e follow-up, o documento não é filosofia de alinhamento. É matéria-prima para escrever instruções, definir níveis de autonomia e montar auditoria. O que segue é minha leitura da fonte primária, convertida em decisões de operação. Onde não há dado na fonte, eu digo que não há dado. Se você quer entender como esse tipo de orientação vira automação real, vale começar pelo que o teste do Dots da OpenAI ensina sobre automação real (leia também: Agentes de IA para empresas: o que o teste do Dots da OpenAI ensina sobre automação real).

O que é o Model Spec OpenAI e por que ele importa para quem opera agentes de IA

O Model Spec é a descrição pública de como a OpenAI quer que seus modelos se comportem. A empresa diz escrever o Spec, definir limites e treinar modelos para respeitá-los. Desenvolvedores direcionam aplicações dentro desses limites. Usuários direcionam o trabalho do modelo sujeito a essas restrições. É uma cadeia explícita de responsabilidade, e ela importa porque define quem responde por quê.

A diferença entre alinhamento filosófico e aplicação operacional está no que você consegue transformar em regra. Um valor abstrato não muda um fluxo de aprovação. Uma cadeia de comando escrita muda. O Spec afirma que os valores viram orientação prática, com limites firmes onde necessário para proteger pessoas e sociedade e, fora isso, majoritariamente na forma de padrões que usuários e desenvolvedores podem sobrepor. Isso é uma decisão de arquitetura: onde você trava e onde você deixa configurável.

Os cinco valores, traduzidos para o dia a dia de uma equipe de atendimento, vendas e follow-up:

• Fidelidade à intenção humana: o agente serve o que o cliente quer, não o que a meta do mês quer.
• Minimização de danos: o agente não executa ação irreversível sem rede de proteção.
• Honestidade e transparência: o agente não inventa informação para fechar conversa.
• Agência humana: o agente apoia a decisão da pessoa, não a substitui em silêncio.
• Cuidado: o agente trata dado sensível e momento sensível do cliente com cautela.

Na governança de agentes de IA, isso se traduz em três perguntas que toda operação deveria responder antes de ligar um agente: quem aprova o quê, o que fica registrado, e como se corrige um comportamento errado.

Os cinco valores do Model Spec aplicados à operação de agentes

Fidelidade à intenção humana

O Spec afirma que fidelidade à intenção humana é a base da abordagem: entender e ajudar as pessoas a perseguir o que importa para elas. A seção parte da ideia de que o que as pessoas valorizam é primário e que instruções são normalmente os sinais mais claros e importantes desses valores.

Na prática, isso vira uma regra de operação: o agente não desvia para objetivo próprio. Se o cliente pede segunda via de boleto, o agente não aproveita para empurrar upgrade. Se o cliente pede cancelamento, o agente não transforma a conversa em retenção forçada sem declarar o que está fazendo. O teste que eu uso: se o cliente lesse o log da conversa, ele reconheceria a própria intenção ali? Essa pergunta vale especialmente quando o agente roda no canal onde a maioria das conversas acontece, o WhatsApp (leia também: Agentes de IA no WhatsApp para empresas: o que realmente funciona e como implantar).

Supervisão humana de IA

O Spec afirma que a revisão adicionou padrões sobre apoiar a agência humana e expandiu a orientação existente sobre controle. É o valor que sustenta a aprovação humana em automação. Sem ponto de aprovação, agência humana é discurso.

Governança de agentes de IA

Governança aqui é política escrita: limites de atuação, o que o agente pode fazer sozinho, o que precisa de aprovação, o que é proibido, e para onde escalar. O Spec dá o enquadramento. A política da sua empresa dá o conteúdo.

Consider context carefully

A nova subseção, "consider context carefully", explica como conversas, memórias e outras evidências contextuais devem informar a compreensão das intenções e preferências das pessoas. É a base para personalizar sem perder controle, e volto nela mais adiante com regras concretas.

Cadeia de comando

A seção incorpora uma cadeia de comando atualizada que explica quais instruções se aplicam e como conflitos são resolvidos. Esse é o ponto mais operacional do documento inteiro. Sem hierarquia declarada, o agente resolve conflito por conta própria, e você descobre o critério dele só na auditoria.

Onde colocar aprovação humana em automação de atendimento, vendas e follow-up

A regra prática que eu aplico: aprovação humana obrigatória para ação irreversível ou de alto impacto. O resto pode rodar em autonomia, com registro. Pontos críticos que sempre entram na lista:

• Transações financeiras: reembolso, estorno, cobrança extra, alteração de valor de contrato.
• Alterações de cadastro: mudança de titularidade, dados bancários, endereço de entrega de alto valor.
• Promessas de prazo: compromisso de data que a operação não consegue cumprir com folga.
• Condições comerciais: desconto acima da alçada, exceção de política, prazo estendido.

Exemplos por área:

• Atendimento: reembolso acima de um teto definido vai para fila de aprovação com o histórico da conversa anexado.
• Vendas: desconto fora da tabela fica bloqueado até um supervisor liberar dentro do CRM.
• Follow-up: proposta personalizada com condição especial só sai depois de revisão humana do texto e do valor.

Como configurar o fluxo: o agente identifica o gatilho, pausa a ação, abre uma tarefa de aprovação com contexto (o que o cliente pediu, o que o agente quer fazer, qual regra disparou) e notifica o supervisor. Aprovado, o agente segue. Reprovado, o agente informa o cliente sem expor o processo interno. O que não existe na fonte é qualquer número de referência sobre taxa de aprovação ou tempo de resposta. Não há dado. Você mede na sua operação.

Como escrever instruções que respeitem a cadeia de comando e a fidelidade à intenção humana

A hierarquia que eu uso em prompt de agente, do mais forte para o mais fraco: política da empresa, depois preferências declaradas do cliente, depois otimização de métricas internas. Métrica nunca fica acima de política. Se a instrução de vendas empurra cross-sell e a política diz que o cliente em atraso não recebe oferta, a política ganha, e o prompt precisa dizer isso de forma explícita.

Para evitar conflito de interesse, escreva a proibição em texto direto: "não priorize meta de vendas sobre necessidade declarada do cliente; se houver conflito, registre e escale". Instrução vaga não sobrevive ao contato com a conversa real.

Para garantir fidelidade, faça o agente confirmar entendimento antes de agir em pedido ambíguo. Um passo de confirmação custa uma mensagem e evita uma ação errada.

E documente. Instrução versionada, com data, autor e motivo da mudança, é o que permite auditar depois. Prompt sem versionamento é opinião. Isso pesa ainda mais agora que a OpenAI tem evoluído seu ecossistema de agentes: quem montou operação em cima de soluções anteriores precisa migrar para agentes integrados (leia também: OpenAI desistiu dos GPTs personalizados: guia passo a passo para migrar para agentes de IA integrados).

O que auditar em agentes de IA: métricas e processos para governança contínua

Auditoria de agentes de IA começa por três registros: log de decisões do agente, trilha de aprovações e registro de intervenções humanas. Se você não consegue reconstruir por que o agente fez o que fez, não há governança, há confiança cega.

Métricas que fazem sentido acompanhar:

• Fidelidade: proporção de ações que seguiram a intenção declarada pelo usuário, medida por amostragem de conversas revisadas por humano.
• Desvio de política: quantidade de ações bloqueadas por regra, e quais regras mais bloqueiam.
• Intervenção humana: frequência com que um supervisor corrigiu o agente, por tipo de correção.
• Escalonamento: quantas conversas subiram para humano e por qual motivo.

Monitore desvios com alerta para comportamento fora da política, não para volume de conversa. Volume alto não é erro. Ação fora da regra é.

Revisão periódica: ciclos de auditoria com atualização do seu Model Spec interno, o documento da sua empresa que espelha os valores e define os limites. A própria OpenAI diz refinar o Spec com pesquisa, experiência de implantação, feedback público e discussões com especialistas externos. Sua operação merece o mesmo ciclo.

Usando 'consider context carefully' para calibrar memória e histórico do cliente sem perder controle

O Spec diz que conversas, memórias e outras evidências contextuais devem informar a compreensão das intenções e preferências das pessoas. Isso autoriza personalização. Não autoriza acúmulo sem critério.

Defina escopo de memória: quais dados o agente lembra, por quanto tempo e para qual finalidade. Dado que não serve à tarefa não precisa ser lembrado. Regras de privacidade e consentimento entram aqui, com registro de base legal para cada tipo de dado guardado.

O agente deve usar contexto para personalizar sem invadir: priorizar informação relevante para a tarefa em curso, não despejar histórico inteiro na conversa. Mecanismos de controle que eu considero obrigatórios: opção de esquecimento a pedido do cliente, revisão periódica da memória armazenada e transparência sobre o que está guardado. Memória sem botão de apagar é passivo, não ativo.