O Que "Consciente de Simulacao"
Realmente Significa

Nao e buzzword. E um design pattern.

15 de fevereiro de 2026
12 min de leitura

Se seu sistema de IA processa documentos e alguem pergunta "por que ele sinalizou esta secao como critica de seguranca?" — o que voce responde?

"O modelo disse" nao e resposta. Nao na construcao. Nao na saude. Nao em nenhuma industria onde documentos tem peso legal e respostas erradas tem responsabilidade profissional.

"Consciente de simulacao" e um design pattern que responde essa pergunta. Toda classificacao e rastreavel a causas especificas. Toda saida e verificavel contra suas entradas. Toda anomalia e detectada antes de chegar a um humano. O padrao e construido a partir de primitivos reais de ciencia da computacao — arvores Merkle, DAGs causais, orcamentos de atencao, verificacoes de paridade — nao de marketing.

A ideia central

Trate cada documento como um pequeno universo. Ele tem suas proprias regras (requisitos obrigatorios, opcoes permissivas), sua propria fisica (cargas estruturais, limites financeiros), sua propria linha do tempo (prazos, marcos), e suas proprias entidades (orgaos de normas, partes, jurisdicoes).

Um sistema consciente de simulacao processa esse universo com o mesmo rigor que um motor de fisica processa um mundo de jogo:

Esta e a arquitetura por tras do AECai. Sao 17 sistemas distribuidos em tres pilares de engine. Aqui esta o que eles realmente fazem.

Sistema 1: Redes de Consistencia Causal

Toda descoberta no pipeline tem uma cadeia causal explicando por que foi feita. Nao um score de confianca. Nao uma probabilidade. Um grafo aciclico direcionado de causas especificas e rastreaveis.

# Unidade 5 classificada como safety_critical. Por que? explanation = ccn.explain("unit_5") # Retorna: { "effect_id": "unit_5", "causal_chain": [ {"cause": "keyword:shall", "relationship": "authority_signal"}, {"cause": "standard:ACI_318", "relationship": "seismic_reference"}, {"cause": "discipline:structural", "relationship": "domain_context"} ] }

Isso importa para defesa de seguro E&O. Quando um cliente pergunta "por que sua IA disse que isso era critico?" voce aponta para a cadeia causal, nao para os pesos do modelo. O grafo tem um verificador de consistencia que detecta ciclos, descobertas orfas e contradicoes. Se uma classificacao nao tem cadeia causal, e sinalizada como descoberta orfa — algo que o sistema produziu mas nao consegue explicar.

Sistema 2: Ancoras de Realidade

Alguns fatos em um documento sao externamente verificaveis. "ACI 318-19" e uma norma real. "15 de janeiro de 2026" e uma data real. "OSHA" e uma organizacao real. Esses sao ancoras — pontos de referencia conhecidamente verdadeiros contra os quais tudo mais e medido.

# Registrar fatos verificaveis como ancoras anchors.register_anchor("std_1", "standard", "ACI 318-19", confidence=1.0) anchors.register_anchor("date_1", "date", "2026-01-15", confidence=1.0) # Vincular descobertas as suas ancoras anchors.attach_to_anchor("finding_12", ["std_1", "date_1"]) # Se uma ancora e invalidada, todos os dependentes cascateiam anchors.invalidate_anchor("std_1", reason="Norma retirada") # → confianca de finding_12 cai de 1.0 para 0.0 # → Todas descobertas vinculadas a std_1 sinalizadas como suspeitas

O modelo de confianca usa media geometrica das confiancias das ancoras. Uma descoberta com tres ancoras verificadas tem confianca ~1.0. Uma descoberta com uma ancora invalidada cai para ~0.0. Uma descoberta sem ancoras recebe baseline 0.5 — o sistema reconhece incerteza em vez de adivinhar.

Sistema 3: Arvores Merkle Temporais

Cada unidade semantica que o pipeline produz recebe um hash em uma arvore Merkle. O hash raiz representa toda a saida. Qualquer unidade individual pode ser verificada sem baixar o dataset completo.

# Construir arvore a partir da saida do pipeline for unit in units: merkle.add_leaf(unit["unit_id"], unit) root = merkle.build_tree() # Depois: verificar uma unica unidade proof = merkle.get_proof(leaf_index=5) valid = merkle.verify_leaf(5, unit_hash, proof) # True/False # Se alguem adulterar a unidade 5, a prova falha.

Isso nao e blockchain. Nao ha consenso distribuido, mineracao, nem cadeia. E uma arvore Merkle padrao — a mesma estrutura de dados que o git usa para verificar commits. A diferenca e que opera no nivel da unidade semantica, entao voce pode verificar que um unico paragrafo de uma especificacao de 200 paginas nao foi alterado sem reprocessar o documento inteiro.

Sistema 4: Orcamentos de Atencao

O pipeline tem um orcamento fixo de atencao de 100 unidades por documento. Conteudo critico de seguranca consome mais. Boilerplate consome menos. O orcamento impede que o sistema gaste computacao igual em cada secao.

# Alocar atencao baseado em risco e forca de campo scheduler = ConsciousnessScheduler(total_budget=100) scheduler.allocate("unit_1", field_strength=4.0, risk="safety_critical") # → 16 unidades scheduler.allocate("unit_2", field_strength=1.0, risk="informational") # → 1 unidade # Atencao mapeia para profundidade de processamento: # ≥ 8 → "deep" (analise completa, correspondencia de normas, enriquecimento IA) # ≥ 3 → "standard" (processamento normal) # ≥ 1 → "shallow" (classificacao minima apenas) # < 1 → "skip" (omitir do processamento)

Este e o mesmo principio por tras do scoring de atencao do Decompose, mas aplicado ao pipeline completo. No Decompose, atencao decide o que seu agente le. No AECai, atencao decide qual profundidade de processamento cada unidade recebe.

Sistema 5: Correcao de Erros Multi-Canal

Execute multiplos canais independentes de extracao no mesmo conteudo. Onde os canais concordam, confianca alta. Onde discordam, sinalizar para revisao.

# Canal A: extracao regex (rapido, literal) # Canal B: analise estrutural (consciente de posicao) # Canal C: extracao LLM (semantica, opcional) result = qec.parity_check( "unit_5", channel_a={"risk_level": "compliance", "discipline": "structural"}, channel_b={"risk_level": "safety_critical", "discipline": "structural"}, channel_c={"risk_level": "safety_critical", "discipline": "structural"} ) # → risk_level: corrigido para "safety_critical" (maioria 2/3) # → discipline: acordo unanime "structural"

Isso captura erros de OCR, classificacoes incorretas e casos extremos que qualquer metodo de extracao unico perderia. A correcao e conservadora: unanime = alta confianca, maioria = corrigido com nota, dividido = sinalizado para revisao humana.

Sistema 6: Deteccao de Anomalias

Documentos podem conter contradicoes, datas impossiveis e referencias circulares. O detector de escape de simulacao sinaliza esses problemas antes de chegarem a um humano.

# Verificar linhas do tempo impossiveis escape.check_temporal_consistency([ {"parsed_date": "2026-01-15", "raw_text": "Aviso para prosseguir"}, {"parsed_date": "1847-03-01", "raw_text": "Execucao do contrato"} ]) # → temporal_anomaly: eventos abrangem 65.340 dias # Verificar normas contraditorias escape.check_standard_consistency([ {"body": "ACI", "version": "318-14"}, {"body": "ACI", "version": "318-19"} ]) # → version_conflict: ACI referenciado com versoes {'318-14', '318-19'}

Uma data em 1847 e quase certamente um erro de OCR ou copy-paste. Duas versoes diferentes da mesma norma na mesma especificacao e um conflito real que precisa de resolucao. Ambos sao "escapes de simulacao" — estados que nao deveriam existir dadas as regras internas do documento.

O inventario completo

Seis sistemas explicados acima, onze mais rodando por baixo. Aqui esta o mapa completo, organizado por qual pilar de engine possui cada sistema:

Vanta / Pipeline
Bus de Mensagens Quantizado
Passagem de mensagens deterministicas entre estagios com ordenacao causal e commits atomicos.
Vanta / Pipeline
Contextos Hierarquicos
Processamento aninhado de documentos — quando uma spec diz "conforme ASTM A615," cria um contexto filho para essa norma.
Vanta / Pipeline
Evolucao Memetica
Padroes de deteccao evoluem: padroes confirmados ganham peso, falsos positivos perdem. Padroes de seguranca sao imutaveis.
Vanta / Pipeline
Orcamento de Atencao
Orcamento de 100 unidades por documento. Critico de seguranca recebe analise profunda. Boilerplate e pulado.
Vanta / Pipeline
Detector de Irredutibilidade
Identifica conteudo que nao pode ser parafraseado: valores de engenharia, mandatos legais, formulas.
Aletheia / Verificacao
Consistencia Causal
DAG de por que cada classificacao foi feita. Deteccao de ciclos e orfaos para defesa de auditoria.
Aletheia / Verificacao
Correcao de Erros
Extracao multi-canal com voto majoritario. Unanime = confiavel. Dividido = sinalizado para revisao.
Aletheia / Verificacao
Ancoras de Realidade
Fatos verificaveis como pontos de ancoragem. Invalidacao cascateia para todas descobertas dependentes.
Aletheia / Verificacao
Verificacao Merkle
Deteccao de adulteracao por unidade. Verifique qualquer paragrafo sem reprocessar o documento.
Aletheia / Verificacao
Deteccao de Anomalias
Datas impossiveis, normas contraditorias, referencias circulares. Sinalizados antes da entrega.
Aletheia / Verificacao
Logger Contrafactual
Trilha de auditoria what-if. "Se esse padrao tivesse pontuado diferente, o que teria mudado?"
Daedalus / Dados
Armazenamento Holografico
Codificacao resiliente a erasure. Perca 30% das unidades, ainda reconstrua o significado do documento.
Daedalus / Dados
Segregacao de Dados
Isolamento de PII e dados de cliente via brading topologico. Sem contaminacao cruzada entre projetos.

Mais quatro sistemas no subsistema de torsao (agendamento lazy, computacao de campo spin-curvatura, cache de vortex, feedback de quiralidade) que lidam com os calculos iniciais de fisica de campo antes da classificacao comecar.

Por que o enquadramento de simulacao

Pergunta justa. Por que chamar de "consciente de simulacao" em vez de "pipeline de processamento de documentos"?

Porque o enquadramento muda como voce projeta sistemas. Se voce pensa em um documento como texto para extrair dados, voce constroi um pipeline. Se voce pensa em um documento como um universo para verificar, voce constroi algo diferente:

O enquadramento de simulacao nos levou a sistemas que nao teriamos construido de outra forma. Redes de consistencia causal existem porque perguntamos "podemos rastrear a cadeia causal para cada descoberta?" Ancoras de realidade existem porque perguntamos "quais sao os fatos conhecidamente verdadeiros neste documento, e o que acontece quando um esta errado?" Arvores Merkle existem porque perguntamos "podemos verificar um unico paragrafo sem reprocessar 200 paginas?"

O que isso habilita

1. Defesa de auditoria

Quando um cliente ou regulador pergunta "por que seu sistema sinalizou esta secao como critica de seguranca?", voce mostra a cadeia causal: palavra-chave "shall" (autoridade obrigatoria) + referencia a OSHA 1926 (norma de seguranca) + contexto de disciplina estrutural = classificacao critica de seguranca. Cada elo na cadeia e um sinal especifico e verificavel.

2. Verificacao incremental

Uma especificacao de 500 paginas foi processada ha seis meses. Hoje, a secao 14 precisa de re-verificacao. A arvore Merkle fornece um caminho de prova para a secao 14 sem reprocessar as secoes 1-13 e 15-500.

3. Confianca em cascata

ASTM C150-22 e substituida pela C150-23. Uma invalidacao de ancora, e toda descoberta em todo documento que referenciou a norma antiga e sinalizada como "suspeita" com uma trilha clara. Sem reprocessamento necessario — apenas uma atualizacao de ancora que cascateia pelo grafo de dependencias.

O que abrimos como open source

Decompose e a versao open source de dois desses sistemas: o pontuador de atencao (sistema 4) e o detector de irredutibilidade (sistema 5). Roda em regex puro, processa documentos em ~14ms em media, e da a qualquer agente a capacidade de priorizar o que importa.

Os 15 sistemas restantes fazem parte do AECai, que roda localmente no seu hardware e processa documentos AEC com a arquitetura completa consciente de simulacao.

Ambos sao construidos pela Echology. Se voce esta construindo inteligencia de documentos para uma industria onde respostas erradas tem consequencias, vamos conversar.

AECai Decompose Contato