Gemini Enterprise Memory Bank: Agentes de IA Que Lembram Seus Leads Por Semanas

Google lançou em GA o Memory Bank do Gemini Enterprise — agentes que mantêm contexto por semanas. Veja como aplicar hoje no Kommo e n8n sem usar Google Cloud.

O Que Aconteceu

Em 11 de agosto de 2026, o Google anunciou a disponibilidade geral (GA) das avaliações de agentes e do Memory Bank dentro do Gemini Enterprise Agent Platform. O Memory Bank é uma funcionalidade que permite que agentes de IA mantenham memória persistente e recuperem informações de interações anteriores — incluindo conversas, preferências e contexto de negócio — por semanas ou até meses, sem nenhuma configuração manual do desenvolvedor.

O sistema introduz os chamados Memory Profiles: um mecanismo que gera e mantém memórias de alta precisão e baixa latência a partir das conversas do agente com usuários e sistemas externos. Combinado com o Agent Runtime que suporta workflows de até sete dias sem interrupção (pause e resume nativos), o Gemini Enterprise se posiciona como a primeira plataforma enterprise a resolver de forma gerenciada o maior problema dos agentes de IA em vendas: o agente amnésico.

O Gemini Enterprise Agent Platform (antigo Agentspace, renomeado em outubro de 2025) integra numa única plataforma o Agent Development Kit (ADK), o Agent Studio visual low-code, o Agent Runtime gerenciado e agora o Memory Bank com perfis persistentes. Mais de 200 modelos de fundação estão disponíveis na plataforma, incluindo Gemini, Claude e modelos open source.

Por Que Isso Importa Para Você

Todo profissional que já montou um agente de IA no Kommo ou no GoHighLevel conhece o problema na prática: o lead manda mensagem hoje, o agente responde perfeitamente. Três dias depois, o mesmo lead volta com uma dúvida diferente — e o agente não lembra absolutamente nada. Você fica obrigado a guardar manualmente o histórico no Redis, no Supabase, ou criar workarounds de contexto no n8n para simular memória entre sessões.

O Memory Bank do Google resolve isso de forma gerenciada e escalável. Mas mais importante do que usar a plataforma do Google: o anúncio valida uma direção que já estava clara e que você pode replicar agora mesmo na sua stack — sem precisar de Google Cloud.

Pense no impacto prático para um escritório de advocacia que usa agente de IA no Kommo: o agente sabe que o cliente está em processo de divórcio desde janeiro, que ele mencionou dois filhos menores, e que prefere horários à tarde porque trabalha de manhã. Quando o cliente volta em agosto perguntando sobre regulamentação de guarda compartilhada, o agente tem todo esse contexto disponível — sem o advogado precisar resumir nada, sem o cliente repetir sua história pela quinta vez.

Para uma clínica odontológica com 300 pacientes ativos, a diferença é ainda mais visível: agente que lembra o histórico de tratamento, as preferências de horário, e que a paciente tem fobia de brocas é um agente que converte remarcações e fideliza. Agente sem memória é só um chatbot glorificado.

Análise Técnica do Memory Bank

O Memory Bank funciona em três etapas principais dentro do Gemini Enterprise Agent Platform:

1. Extração contínua de memórias: A cada interação, o sistema analisa a conversa e extrai informações estruturalmente relevantes — intenções expressas, dados pessoais consentidos, preferências implícitas, histórico de decisões e próximos passos acordados. Essas informações são armazenadas em perfis estruturados, não como um dump de mensagens brutas.

2. Memory Profiles com baixa latência: Os perfis são indexados para recuperação rápida. Quando o mesmo contato inicia uma nova interação, o agente consulta o perfil antes de gerar qualquer resposta, garantindo que o contexto acumulado ao longo de semanas esteja disponível em milissegundos.

3. Atualização incremental e refinamento: O Memory Bank é projetado para integrar continuamente novas informações, refinando e atualizando os perfis existentes. Isso significa que o contexto do agente fica cada vez mais preciso com o tempo — não apenas mais volumoso.

O Agent Runtime complementa o Memory Bank com suporte a workflows assíncronos de longa duração: um agente pode iniciar uma tarefa, pausar por dias esperando uma resposta humana, e retomar exatamente do ponto onde parou. Para processos de vendas B2B com ciclos de 30 a 90 dias, essa capacidade é fundamental.

Como Aplicar Hoje na Sua Stack (Sem Google Cloud)

A boa notícia: você não precisa do Gemini Enterprise para ter memória persistente nos seus agentes de IA no Kommo ou no GHL. A Metrik já usa essa arquitetura com n8n + Supabase + Claude há meses. Veja o passo a passo:

Passo 1 — Tabela de Memória no Supabase

Crie uma tabela agent_memory no Supabase com as colunas: contact_id (texto, chave externa do Kommo), key (texto, tipo de informação), value (texto, o dado em si), e updated_at (timestamp automático). Cada contato do Kommo tem um conjunto de registros com informações relevantes: segmento, objeções principais, estágio atual da negociação, próximos passos prometidos, preferências de comunicação.

Passo 2 — Nó de Recuperação de Memória no n8n

No início de cada fluxo de atendimento (trigger de nova mensagem no WhatsApp via Kommo), adicione um nó HTTP Request que consulta o Supabase pelo contact_id do contato ativo. Injete o resultado como parte do system prompt enviado para o Claude. Isso garante que cada resposta seja personalizada com o histórico real do lead — sem o agente precisar perguntar o nome do cliente pela décima vez.

Passo 3 — Nó de Atualização de Memória ao Final de Cada Interação

Ao encerrar cada interação, use um nó de extração estruturada (Claude em modo JSON) para identificar novas informações relevantes coletadas na conversa. Pergunte ao modelo: quais novas informações sobre este lead foram reveladas nessa conversa? O resultado vira um UPSERT no Supabase. Exemplos de campos para extrair automaticamente: produto de interesse mencionado, principal objeção levantada, data de retorno prometida, nome do decisor identificado.

Passo 4 — Sincronização com o Kommo via Notas

Use o nó do Kommo no n8n para criar notas automáticas com o resumo estruturado de cada conversa. Assim, a equipe humana também enxerga o histórico quando precisar assumir a negociação manualmente. Dois sistemas de memória trabalhando juntos: o banco de dados para o agente, as notas para o humano.

Casos de Uso por Segmento

Clínicas e Saúde: O agente lembra que o paciente tem diabetes tipo 2, mencionou alergia a determinado componente em março, e prefere consultas às sextas-feiras no período da tarde. Quando ele entra em contato para reagendar, a resposta já considera todo esse histórico. A taxa de remarcação sobe, a experiência melhora, e o operador humano ganha tempo para casos complexos.

Advocacia: Cada cliente tem um perfil com o tipo de caso, documentos já solicitados e pendências em aberto. O agente nunca pede o mesmo documento duas vezes. Quando o cliente pergunta sobre o andamento, o agente responde com precisão sobre o que foi feito, sem precisar buscar o advogado para cada atualização simples.

E-commerce: O agente sabe que a cliente comprou tênis tamanho 38 em maio, que ela reclamou do prazo de entrega naquele pedido, e que interage mais com conteúdo de promoções de calçados femininos. A próxima campanha automática já segmenta por esse perfil — e a mensagem fala diretamente com a experiência dela, não com um template genérico.

Imobiliária: O lead visitou virtualmente imóveis de 3 quartos em Pinheiros por até R$ 1,4M há dois meses. Quando novos imóveis com esse perfil aparecem no inventário, o agente dispara um alerta personalizado com comparativo em relação aos que o lead já viu — não um email de newsletter para toda a base.

Recomendação Metrik

O lançamento do Memory Bank em GA pelo Google confirma o que o mercado já estava sinalizando: memória persistente não é mais um diferencial competitivo para agentes de IA — é pré-requisito mínimo para qualquer agente que pretenda ser útil em vendas e atendimento. Se você ainda está usando agentes sem memória entre sessões, você está essencialmente enviando um vendedor sem anotações para cada reunião com o mesmo cliente.

Nossa recomendação prática: comece pela stack n8n + Supabase + Kommo. É mais simples de implementar, você mantém controle total dos dados dos seus clientes (fundamental para LGPD), e consegue subir um MVP em uma tarde de trabalho. Quando o volume de interações justificar a complexidade operacional do Google Cloud, avalie o Gemini Enterprise Agent Platform para ter a gestão de memória totalmente gerenciada e escalável sem overhead de infra.

O que o Google lançou ontem em GA, a Metrik já ensina há meses. O curso n8n — Automações do Zero ao Avançado e o Kommo + Agente Claude na Metrik Academy cobrem exatamente essa arquitetura de memória com exemplos práticos para clínicas, advogados, e-commerces e imobiliárias. Se você quer agentes que realmente acompanham o funil comercial — e que não esquecem o lead a cada nova mensagem — esse é o caminho mais direto para chegar lá.

Agente sem memória é vendedor que nunca anotou nada. O lead sempre tem que se apresentar de novo. Isso não é automação — é frustração automatizada.