A coisa mais difícil de ensinar a um sistema de busca é a moderação. A maioria dos agentes de IA, ao serem encarregados de encontrar informações, continuam buscando contexto até atingirem um limite de tokens ou um tempo limite. A Databricks decidiu treinar um que para quando realmente termina.
O resultado é o KARL, um agente de geração aumentada por recuperação construído com aprendizado por reforço, que atinge o desempenho do Claude Opus 4.6, com 33% menos custo e 47% menor latência.
Ensinar um agente a parar
A ideia central por trás do KARL é que a ineficiência na busca geralmente é um problema de timing. Sistemas tradicionais de RAG recuperam mais contexto do que precisam, processam informações redundantes e consomem recursos computacionais para isso. O KARL usa aprendizado por reforço para reconhecer quando a busca adicional deixa de agregar valor e interrompe a busca em vez de continuar por padrão.
O Databricks combina isso com compressão de contexto, uma técnica que permite ao agente condensar o que já recuperou antes de decidir se deve buscar mais.
O que o Agent Bricks adiciona à imagem
O KARL está inserido em um framework maior introduzido pela Databricks chamado Agent Bricks, lançado em setembro de 2026 como uma plataforma para construir agentes autootimizados e específicos de domínio. A premissa é que as empresas não precisam ajustar manualmente cada modelo que implantam. O Agent Bricks realiza essa otimização automaticamente, ajustando o comportamento dos agentes para se adequar a tipos específicos de tarefas definidas em linguagem simples.
Desde o lançamento, mais de 100.000 agentes foram criados na plataforma. O framework suporta principais provedores de modelos, incluindo Claude e variantes do GPT, com governança roteada pelo Unity Catalog da Databricks.
O Databricks também incorporou uma funcionalidade de reclassificação em seu produto AI Search. A reclassificação é o processo de pegar um conjunto inicial de documentos recuperados e reavaliar sua relevância antes de passá-los ao modelo de linguagem. Os ganhos de precisão nos benchmarks empresariais médios foram de 15 pontos percentuais.
Precisão na fronteira sem preços de fronteira
Os números de referência que o Databricks está citando internamente mostram melhorias de precisão de aproximadamente 32% para mais de 90% em certos tipos de tarefas ao usar técnicas especializadas de agentes, como pensamento paralelo e designs multi-LLM.
Ao igualar o Claude Opus 4.6 em tarefas de recuperação e raciocínio, enquanto reduz seus custos em um terço, a Databricks ocupa um lugar interessante no mercado empresarial. A empresa não está vendendo um modelo fundamental. Ela está vendendo a infraestrutura que torna os modelos fundamentais utilizáveis em escala.