Memória em agentes de IA: análise expõe falhas críticas nos principais sistemas

A memória em agentes de IA não é um módulo plug-and-play, é um sistema frágil, com camadas sobrepostas de armazenamento (curto, médio e longo prazo), recuperação semântica e governança. O estudo da Mem0 mostra que a maioria dos sistemas ainda depende de retrieval por palavras-chave ou embeddings rígidos, sem mecanismos reais de atualização, expiração ou priorização temporal. Isso explica por que até 71% das consultas recuperam dados de outro usuário: o isolamento lógico (como `tenant_id` em bancos vetoriais) falha sob carga ou configuração equivocada, e o Redis, usado para STM, não garante segregação física por padrão. A IBM já alertava em 2026 que LTM mal projetada gera ruído semântico; agora sabemos que isso também alimenta contaminação cruzada.

O OpenClaw, por exemplo, foi atualizado com Microsoft Execution Containers (MXC) após o Build 2026, mas o estudo da Mem0 revela que essa mudança não resolveu sua memória persistente, apenas isolou melhor a execução. Já o Memanto, lançado em 6 de maio, ataca seis falhas estruturais listadas no relatório (como decadência temporal e falta de proveniência), alcançando 89,8% no LongMemEval. Ou seja: a falha não está no conceito, mas na implementação dispersa, sem padrões de higiene de memória, como descartar automaticamente fatos contraditórios ou desatualizados, algo que nem o MeMo Memory Model (29/05) resolveu sozinho, apesar do ganho de 26% em desempenho.

Em 27 de maio, o CEVIU explicou que memória de agente é um pipeline, extração, armazenamento, retrieval, não uma funcionalidade mágica. Agora, o estudo da Mem0 prova que esse pipeline está quebrado na prática: o retrieval ainda é fraco, o armazenamento não filtra por contexto temporal ou confiança, e a extração ignora conflitos entre versões de um mesmo fato. Além disso, o relatório confirma o que era rumor desde abril: a 'escalabilidade da memória' da Databricks (MemAlign) não é universal, só funciona quando há controle rigoroso sobre episódios e semântica, o que os sistemas avaliados não têm. Também torna realidade o alerta do Reddit de 17 de maio: o isolamento lógico é insuficiente, e a contaminação de 71% valida a necessidade de isolamento físico, como propõe o Memanto.

Agentes com memória defeituosa não são apenas imprecisos, são inseguros e antiéticos. Uma taxa de 71% de contaminação cruzada significa que dados privados de um cliente podem aparecer na resposta a outro, violando diretamente o GDPR e o que o estudo da Aithos (30/05) já apontou como falha generalizada em modelos. Isso vai além de alucinações: é vazamento estrutural. E, ao contrário do que se pensava, não basta adicionar um banco vetorial, é preciso arquitetar a memória como um subsistema com política de vida útil, auditoria de origem e limpeza automática. Sem isso, agentes corporativos escalam riscos, não eficiência.