Os Sistemas Empresariais Precisam de Modelos do Mundo Aprendidos? A Importância do Contexto para Inferir Dinâmicas

Resumo

Modelos de mundo permitem que agentes antecipem os efeitos de suas ações ao internalizar a dinâmica do ambiente. Em sistemas empresariais, no entanto, essa dinâmica é frequentemente definida por lógicas de negócios específicas do inquilino que variam entre implantações e evoluem ao longo do tempo, tornando modelos treinados em transições históricas frágeis sob mudanças de implantação. Fazemos uma pergunta que a literatura de modelos de mundo não abordou: quando as regras podem ser lidas no momento da inferência, o agente ainda precisa aprendê-las? Argumentamos, e demonstramos empiricamente, que em ambientes onde a dinâmica de transição é configurável e legível, a descoberta em tempo de execução complementa o treinamento offline ao ancorar as previsões na instância ativa do sistema. Propomos agentes de descoberta empresarial, que recuperam a dinâmica de transição relevante em tempo de execução ao ler a configuração do sistema, em vez de depender apenas de representações internalizadas. Introduzimos o CascadeBench, um benchmark focado em raciocínio para previsão de cascatas empresariais que adota a metodologia de avaliação do World of Workflows em diversos ambientes sintéticos, e o utilizamos em conjunto com a avaliação sob mudança de implantação para mostrar que modelos de mundo treinados offline podem ter bom desempenho dentro da distribuição, mas se degradam à medida que a dinâmica muda, enquanto agentes baseados em descoberta são mais robustos sob mudanças ao ancorar suas previsões na instância atual. Nossos achados sugerem que, em ambientes empresariais configuráveis, os agentes não devem depender apenas de dinâmicas internalizadas fixas, mas sim incorporar mecanismos para descobrir a lógica de transição relevante em tempo de execução.

English

World models enable agents to anticipate the effects of their actions by internalizing environment dynamics. In enterprise systems, however, these dynamics are often defined by tenant-specific business logic that varies across deployments and evolves over time, making models trained on historical transitions brittle under deployment shift. We ask a question the world-models literature has not addressed: when the rules can be read at inference time, does an agent still need to learn them? We argue, and demonstrate empirically, that in settings where transition dynamics are configurable and readable, runtime discovery complements offline training by grounding predictions in the active system instance. We propose enterprise discovery agents, which recover relevant transition dynamics at runtime by reading the system's configuration rather than relying solely on internalized representations. We introduce CascadeBench, a reasoning-focused benchmark for enterprise cascade prediction that adopts the evaluation methodology of World of Workflows on diverse synthetic environments, and use it together with deployment-shift evaluation to show that offline-trained world models can perform well in-distribution but degrade as dynamics change, whereas discovery-based agents are more robust under shift by grounding their predictions in the current instance. Our findings suggest that, in configurable enterprise environments, agents should not rely solely on fixed internalized dynamics, but should incorporate mechanisms for discovering relevant transition logic at runtime.