Toda resposta nomeia a nota de onde veio. Sem nota, sem resposta.
A MIA Human Technology constrói assistentes de IA verticais para pequenas e médias empresas dos setores regulados do Brasil: advocacia, contabilidade, saúde e hotelaria. Retrieval é uma camada de dez. As outras nove é que seguram a resposta honesta.
O que esta empresa constrói
- Empresa
- MIA Human Technology, empresa de software sediada no Brasil. Fundador: Daniel Ravetta.
- Produto
- Assistentes de IA verticais para escritórios de advocacia, contabilidade, clínicas e hotelaria.
- Método
- Dez camadas em volta do retrieval: uma nota curada injetada no contexto, busca vetorial e semântica, expansão do chunk encontrado até a nota-mãe, um grafo de similaridade, uma camada de rerank e uma base que se limpa e se reescreve sozinha. As lacunas são preenchidas por notas geradas a partir de fontes oficiais, revisadas publicamente pela comunidade Legion e aprovadas em lote pela equipe da MIA. Cada resposta nomeia a nota que usou.
- Limite
- Quando nenhuma nota curada cobre a pergunta, o agente se abstém em vez de responder assim mesmo.
- Controle
- Saída sensível espera aval humano. Cada acesso é registrado. O que sobe vai pseudonimizado e só a chave do usuário lê de volta. Um modo local coloca base e inferência na máquina do próprio cliente: testado em volume, ainda não em beta.
- Estágio
- Os produtos estão em beta, em teste ou em desenvolvimento. Nenhum deles está em produção geral.
Retrieval é uma camada. Estas são as outras nove.
Busca vetorial e busca semântica rodam dentro deste sistema. Essa parte não é o argumento. Retrieval ingênuo falha de um jeito que qualquer time que já colocou isso de pé reconhece, e cada falha tem uma camada contra ela. A unidade embaixo de todas é uma nota curada: ancorada em fonte verificável, marcada por vertical, e admitida na base só depois que um humano revisou.
O caminho, em texto corrido: uma nota curada é injetada no contexto, a busca vetorial e semântica roda, o chunk encontrado é expandido até a nota-mãe de onde veio, um grafo de similaridade liga as notas entre si, e uma camada de rerank separa as notas que respondem das notas que só pontuaram bem. A resposta nomeia a nota que usou. Quando não volta nada confiável, o agente se abstém, e a abstenção vira o segundo gatilho da mesma camada de auto-geração que já reage quando uma fonte oficial muda: um mecanismo, duas entradas. O que ela escreve é revisado em público pela comunidade Legion, aprovado em lote pela equipe da MIA, e só então entra na base.
-
O chunk chega ao prompt sem o contexto de onde saiu.Expansão pela nota-mãe. Quando um fragmento dá match, o sistema sobe até a nota a que ele pertence e lê essa nota inteira.
-
O corpus apodrece. Uma nota vence e nada avisa.Auto-limpeza e auto-geração. O conteúdo obsoleto sai sozinho. Quando uma fonte oficial publica uma mudança, a nota correspondente é gerada a partir dessa fonte e revisada pela comunidade Legion antes de valer.
-
Ranquear por similaridade devolve o que pontua bem, não o que responde.Rerank de context engineering. Uma camada acima do retrieval separa as notas que de fato respondem à pergunta das notas que só pontuaram.
-
Para ser útil, o dado sensível precisa sair de casa.Uma base na máquina do próprio cliente. O modo local mantém a base e a inferência no hardware do cliente, então o que não pode sair não precisa sair. O que sobe vai pseudonimizado, e só a chave do próprio usuário lê de volta.
- Injeção WikiMIA. A nota curada, ancorada em fonte e revisada por humano, entra no contexto.
- Retrieval. Busca vetorial e busca semântica rodam sobre a base de notas.
- Nota-mãe. O chunk encontrado é expandido até a nota de onde ele veio.
- Grafo de similaridade. As notas ficam ligadas entre si, não soltas como fragmentos.
- Rerank. Uma camada de context engineering separa o que responde do que só pontuou.
- Auto-limpeza. O conteúdo obsoleto é removido da base automaticamente.
- Auto-geração. Um mecanismo, dois gatilhos: uma fonte oficial muda, ou uma resposta volta sem nota. Revisada antes de valer.
- Cérebro próprio. Um cérebro construído por cliente, com os dados que só aquela empresa tem. testado, ainda não beta
- Base e inferência locais. As duas podem ficar no hardware do próprio cliente, para o dado que não pode sair. testado, ainda não beta
- Subida pseudonimizada. O que sobe só pode ser lido de volta pelo usuário, com uma chave criptográfica que é dele.
Quando nenhuma nota curada cobre a pergunta, o agente diz que não sabe.
Dez camadas ainda podem voltar sem nada confiável. Quando isso acontece, uma resposta sem nota por trás não é produzida.
A lacuna então se fecha em três movimentos. A nota que falta é gerada a partir de uma fonte oficial, pela mesma camada que vigia essas fontes. Ela é revisada em público pela comunidade Legion, que qualquer pessoa pode integrar: gente que quer trabalhar nisso, incluindo advogados que ajudam outros usuários a conferir um contrato escrito por IA, e advogados que já usam IA dentro do próprio escritório. Depois a equipe da MIA aprova as revisões em lote, com o copiloto MIA.
Porta aberta e portão fechado, e a revisão do meio acontece à vista, onde dá para auditar. A próxima resposta tem fonte, ninguém precisou sentar e escrever a nota à mão, e nenhum texto sem revisão conta como conhecimento.
Os escritórios que usam esses assistentes trabalham sob sigilo profissional e sob a LGPD. Um assistente que inventa uma citação ou expõe um documento é um passivo. A abstenção é a saída mais barata, e é uma saída projetada.
Grafos de agentes, não um prompt só.
Os grafos de agentes rodam em LangGraph, com tracing. Cada produto compõe vários agentes com papéis definidos, e cada passo da execução fica registrado.
No MIA Resort, por exemplo, o Mario cuida de vendas e atendimento, a Maia cuida de tarifa e gestão a partir do dado real, a Maisa cuida do marketing, e o Sam segura a camada de segurança e aprovação.
Cada acesso fica registrado. Saída sensível espera um humano.
O SAM é a camada de governança embutida em todo produto MIA. Ele não é vendido à parte.
Ele mostra a fonte de cada resposta, registra cada acesso com usuário, hora e finalidade, e exige aval humano antes de uma ação sensível sair do sistema. Funciona como um disjuntor: uma resposta confiante não vira documento nem conduta sem uma pessoa dizer sim.
O dado que não pode sair do desktop não sai.
Sigilo profissional e LGPD são as restrições sob as quais esses escritórios trabalham. O que se sustenta na frente de um advogado é arquitetura, não adjetivo. A arquitetura é esta.
Na máquina do cliente
O modo local coloca a base e a inferência no hardware do próprio cliente, então o dado que não pode sair não precisa sair. Testado em volume em infraestrutura de GPU alugada. Viável e validado, ainda não em beta.
Pseudonimizado, e a chave é só do usuário
O dado é pseudonimizado antes de chegar ao modelo, e o que sobe viaja pseudonimizado. Ler de volta exige uma chave criptográfica, e essa chave é do usuário. Não é a promessa de que não vamos olhar: é um arranjo em que não somos nós que conseguimos.
Criptografia de credenciais
As credenciais são criptografadas. Declaramos o escopo com precisão: isto é criptografia de credenciais, e está em operação.
Row Level Security
O que o cliente coloca na base de conhecimento dele fica isolado por RLS. Só aquele cliente alcança o banco dos próprios documentos.
Infraestrutura que não dividimos
Postgres e Supabase rodam auto-hospedados em um servidor privado nosso, não dentro do serviço multi-inquilino de terceiro. Os processadores são dedicados, sem nenhum outro inquilino neles.
Aval humano
Saída sensível não deixa o sistema sem aprovação humana, e cada acesso fica registrado com usuário, hora e finalidade.
Modelo é dependência, não é o produto.
Cada papel é ligado a uma API de inferência atrás de um adaptador, então dá para trocar um modelo, ou reapontar um provedor inteiro, sem tocar na base de notas nem na trilha de auditoria. Essa portabilidade é proposital: as notas são o ativo, e elas sobrevivem a qualquer geração de modelo.
O sistema não precisa de API externa para funcionar.
Testado em volume em infraestrutura de GPU alugada · ainda não em betaModelos frontier por API
Cada papel é ligado a um modelo frontier pela API dele. É assim que os produtos rodam hoje, inclusive os que estão listados como beta.
Modelos abertos da classe 30B
O mesmo sistema roda em modelos abertos da classe 30B, sem nenhuma chamada externa. Nos nossos próprios testes, a qualidade nessas tarefas se mantém em relação às APIs frontier. Isso é resultado de bancada nossa, não benchmark publicado.
Onde o modo local está de verdade. Testamos em volume em infraestrutura de GPU alugada. Isso prova que o caminho de modelos abertos aguenta carga. Não prova instalação rodando no desktop de um cliente, e não vamos dizer que prova. Viável e validado; vamos chamar de beta quando um cliente estiver rodando, e não antes.
No caminho, rodamos vários modelos colaborando em uma única placa de vídeo, com bons resultados. Orquestração multiagente aqui não é diagrama. Cabe em hardware modesto.
É para isso que a arquitetura foi construída. Para um escritório sob sigilo profissional, a frase deixa de ser "seu dado sai protegido" e passa a ser "seu dado não precisa sair".
Próximo da bancada, e ainda não construído: um experimento planejado de integrar modelos por vetor latente. Está listado porque está planejado, não porque roda.
O que roda hoje, e em que estágio.
Estágios conforme registrado em 28 de julho de 2026. Nenhum destes produtos está em produção geral, e não descrevemos nenhum deles assim.
MIA Resort
Hotéis e restaurantes: tarifa, reserva direta, marketing e A&B.
miaresort.wikimia.cloud →MIA Law
Escritórios de advocacia e contabilidade. Emite guias fiscais (DAS, PGDAS-D, DCTFWeb) pela integração SERPRO Integra Contador, com certificado digital A1. Conhecimento indexado por área do direito.
mialaw.wikimia.cloud →MIA Finance
Escritórios de contabilidade: rotina fiscal e comunicação com o cliente.
miafinance.wikimia.cloud →MIA Med
Clínicas e consultórios: agenda e comunicação com o paciente.
miamed.wikimia.cloud →MIA Forge
Um motor que roda loops de programação: um agente escreve o prompt, outro implementa, um checker confere, e o ciclo repete sob um portão de governança. O aval humano sobe um degrau por vez: relatório, depois assistido, depois autônomo.
MIA Realestate
Vertical para corretores de imóveis.
MIA Commerce
Vertical em projeto. Escopo ainda não publicado.
SAM
Segurança, trilha e aprovação. Embutido em todos os produtos acima, não vendido à parte.
Publicamos o estágio de cada produto porque uma alegação de produção que um avaliador consegue derrubar custa mais do que a alegação vale.
As perguntas que um engenheiro faz primeiro.
Isso é RAG ou é outra coisa?
Retrieval é uma das camadas: busca vetorial e busca semântica rodam aqui. A diferença é o que está em volta. Uma nota curada entra antes, o chunk encontrado é expandido até a nota-mãe de onde veio, um grafo de similaridade liga as notas entre si, uma camada de context engineering faz o rerank do que de fato responde, o conteúdo obsoleto é limpo automaticamente, e quando uma fonte oficial muda a nota correspondente é gerada e revisada antes de valer. A afirmação não é que não existe retrieval. A afirmação é que retrieval sozinho não basta.
O que acontece quando não existe fonte confiável?
O agente se abstém e diz que não sabe. A nota que falta é então gerada a partir de uma fonte oficial, revisada publicamente pela comunidade Legion, que qualquer pessoa pode integrar, e aprovada em lote pela equipe da MIA com o copiloto MIA. Só depois disso ela entra na base. A próxima resposta tem fonte, ninguém escreveu a nota à mão, e nenhum texto sem revisão conta como conhecimento.
Um humano revisa a saída sensível?
Sim. O SAM, a camada de governança embutida em todos os produtos, exige aval humano antes de uma ação sensível sair do sistema. Ele também mostra a fonte de cada resposta e registra cada acesso com usuário, hora e finalidade.
Onde ficam os dados do cliente?
Hoje, em Postgres e Supabase auto-hospedados em um servidor privado e em CPU que não dividimos com ninguém, com credenciais criptografadas e Row Level Security isolando o banco de cada cliente. O que sobe vai pseudonimizado, e ler de volta exige uma chave criptográfica que pertence ao usuário. Um modo local, com a base e a inferência na máquina do próprio cliente, está testado em volume e ainda não em beta.
Dá para rodar sem enviar nada para uma API externa?
Do ponto de vista de arquitetura sim, e já foi testado, mas não chamamos isso de entregue. O que roda hoje é o modo padrão, em que cada papel é ligado a um modelo frontier por API. O modo local roda o mesmo sistema em modelos abertos da classe 30B, sem nenhuma chamada externa; testamos em volume em infraestrutura de GPU alugada, e nos nossos próprios testes a qualidade nessas tarefas se manteve em relação às APIs frontier. Isso é resultado de bancada nossa, não benchmark publicado, e não prova instalação rodando no desktop de um cliente. Viável e validado, ainda não em beta. Também rodamos vários modelos colaborando em uma única placa de vídeo. Integrar modelos por vetor latente é um experimento planejado, não algo que rode hoje.
Quais modelos a plataforma usa?
Quatro papéis: raciocínio, multimodal, embeddings e vídeo. Cada papel é ligado a uma API de inferência atrás de um adaptador, então dá para trocar um modelo, ou reapontar um provedor inteiro, sem tocar na base de notas nem na trilha de auditoria.
Qual é o estágio atual de cada produto?
MIA Resort, MIA Law e MIA Legion estão em beta. MIA Finance, MIA Med e MIA Forge estão em teste. MIA Realestate e MIA Commerce estão em desenvolvimento. Nenhum deles está em produção geral. Estágios conforme registrado em 28 de julho de 2026.
Fale com a gente.
Conte o setor em que você trabalha e a pergunta que a sua equipe faz toda semana. A gente mostra o beta mais próximo dela, de onde vem cada resposta, e onde o sistema se abstém.
O WhatsApp é o canal em que a gente responde, em português ou em inglês.