A Schneider Electric — gigante global de energia com 160 mil funcionários e €40 bilhões em receita anual — publicou um estudo de caso detalhando como construiu sua fundação de LLMOps em escala empresarial usando o ecossistema LangChain e LangSmith. O artigo, escrito pelo time de plataforma de IA da empresa, revela a arquitetura que sustenta 60+ agentes de IA em infraestrutura crítica.
Três pilares da arquitetura
A plataforma de IA da Schneider opera sob três categorias de agentes: inteligência embutida em produtos para reduzir consumo de energia, previsão de demanda e produção para otimização de custos, e copilotos agentivos que reduzem fricção operacional em áreas como suporte ao cliente e consulta a sistemas de emissão de carbono.
Para gerenciar esse portfólio com residência de dados estrita e controles de cibersegurança, a Schneider organizou suas capacidades de LLMOps em três pilares:
1. Observabilidade: LangSmith self-hosted
A Schneider implanta o LangSmith em configuração self-hosted no AWS EKS, atrás do perímetro de segurança corporativo. A decisão arquitetural chave foi o modelo de workspace: um workspace por produto de IA, abrangendo todos os ambientes (dev, QA, pre-prod, prod).
Essa abordagem — em vez de um workspace por ambiente — permite que especialistas de domínio anotem traces de produção e os promovam diretamente para datasets de desenvolvimento, fechando o loop de melhoria contínua.
2. Avaliação: datasets como ativos vivos
O time implementou um pipeline onde datasets de avaliação são artefatos vivos, constantemente enriquecidos com exemplos de produção. Cada mudança de prompt, modelo ou ferramenta é validada contra esses datasets antes de ir para produção.
3. Deploy: task-queue para fluxos de cotação
Para o assistente de fluxo de cotação, a Schneider adotou o modelo de task-queue do LangSmith Deployment, que gerencia requisições assíncronas com garantias de entrega e rastreabilidade completa.
Resultados e lições
Philippe Rambach, CAIO da Schneider Electric, resumiu: “O desafio de acurácia, qualidade de respostas e guardrailing é muito real. Quando você implanta uma solução em escala, precisa de ferramental como o LangSmith. Tudo ligado à confiabilidade e entendimento do que acontece é extremamente valioso para nós.”
As principais lições do case:
- MLOps tradicional não traduz para sistemas LLM: logs de aplicação não bastam para debugar comportamento de agentes. É preciso tracing completo de cada decisão do modelo.
- Co-localizar dev e prod no mesmo workspace acelera o ciclo de melhoria ao permitir que anotações de produção alimentem datasets de avaliação.
- Self-hosting é essencial para setores regulados: garantir que nenhum dado saia do perímetro corporativo é pré-requisito para adoção em infraestrutura crítica.
Relevância para o mercado brasileiro
O case da Schneider é particularmente relevante para empresas brasileiras de energia, utilities e indústrias reguladas que estão começando suas jornadas de IA generativa. A arquitetura de três pilares (observabilidade → avaliação → deploy) oferece um modelo maduro e testado em escala para adoção empresarial de agentes de IA.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
