Em resumo
A Databricks publicou uma defesa de agentes de IA executados dentro da própria infraestrutura de dados das empresas, em vez de funcionarem como uma camada externa. A proposta busca preservar governança, contexto e controle, mas ainda não comprova que esse modelo resolva sozinho os problemas de precisão, custo e segurança dos agentes corporativos.
A Databricks colocou em debate uma mudança de arquitetura para a inteligência artificial corporativa: em vez de enviar dados para agentes que operam ao lado das plataformas de informação, as empresas deveriam aproximar os agentes das fontes onde esses dados já são armazenados, catalogados e protegidos. A tese aparece no artigo “Data-Native AI Agents: Why Agents Must Move to Your Data”, publicado pela própria companhia.
O ponto central é que muitos projetos de IA empresarial começam com uma separação entre o modelo, o agente e os dados usados por ele. Essa separação pode parecer conveniente para testes rápidos, mas cria problemas quando o sistema precisa consultar informações sensíveis, respeitar regras de acesso diferentes por usuário ou combinar registros estruturados com documentos, eventos e conhecimento operacional.
O problema da distância entre agente e dado
Quando os dados deixam o ambiente governado, a organização pode perder parte da visibilidade sobre quem acessou determinada informação, em que contexto ela foi usada e por quanto tempo uma cópia permaneceu disponível. Também aumenta o risco de versões desatualizadas, permissões aplicadas de forma incompleta e respostas construídas a partir de fontes que já não representam o estado atual do negócio.
Esse desafio é maior em setores regulados, nos quais dados financeiros, clínicos, industriais ou pessoais não podem ser tratados como um conjunto genérico disponível para qualquer aplicação. Um agente que responde a perguntas sobre vendas, estoque ou clientes precisa considerar políticas de acesso, linhagem, qualidade e retenção, além de simplesmente localizar trechos relevantes.
A abordagem defendida pela Databricks procura transformar a plataforma de dados em parte do ambiente de execução dos agentes. Nesse desenho, o agente poderia consultar tabelas, documentos, modelos semânticos e outros ativos sob as mesmas políticas que já governam o acesso humano e o uso por aplicações tradicionais.
O que muda na prática para as empresas
A mudança não significa apenas instalar um modelo de linguagem dentro de um data lakehouse. Ela envolve redesenhar o fluxo completo: identificação do usuário, autorização de cada consulta, recuperação de contexto, chamada de ferramentas, registro das ações e avaliação do resultado. O agente passa a ser tratado como um consumidor de dados sujeito a controles corporativos, e não como uma interface independente.
- Políticas de acesso podem acompanhar o usuário e o ativo consultado.
- Metadados e linhagem ajudam a identificar a origem das informações usadas na resposta.
- Logs de consultas e ações facilitam auditorias e investigações de incidentes.
- Dados mais recentes podem reduzir a dependência de cópias estáticas ou bases paralelas.
A promessa também inclui maior capacidade de raciocínio sobre o contexto do negócio. Um agente conectado a definições oficiais de métricas, catálogos, históricos e regras internas tende a ter condições melhores de distinguir, por exemplo, receita reconhecida de faturamento, cliente ativo de cliente cadastrado ou exceção operacional de comportamento normal.
Governança não elimina os riscos dos agentes
Executar o agente perto dos dados pode reduzir superfícies de exposição, mas não resolve automaticamente alucinações, instruções maliciosas, excesso de privilégios ou decisões incorretas. Um agente autorizado a consultar sistemas internos ainda pode interpretar uma informação de maneira errada, chamar uma ferramenta inadequada ou realizar uma ação com impacto financeiro e operacional.
Há ainda um equilíbrio delicado entre autonomia e supervisão. Quanto mais tarefas o agente puder executar sozinho, maior deverá ser a exigência de aprovações, limites de escopo, simulações e mecanismos de reversão. A arquitetura precisa separar leitura de escrita e estabelecer controles adicionais para pagamentos, alterações cadastrais, mudanças em produção e outras operações irreversíveis.
A estratégia também pode aumentar a dependência da plataforma escolhida. Concentrar dados, ferramentas, modelos e controles em um mesmo ecossistema simplifica a integração, mas pode elevar custos de migração e dificultar a combinação com serviços de outros fornecedores. A interoperabilidade, portanto, será um critério tão importante quanto a segurança e a velocidade de implementação.
Para avaliar a proposta, as empresas deverão medir não apenas a qualidade textual das respostas. Indicadores relevantes incluem precisão de consultas, respeito às permissões, atualidade dos dados, taxa de ações corretas, custo por tarefa, tempo de resposta, explicabilidade e capacidade de interromper o agente quando ele sair dos limites definidos.
A publicação da Databricks acompanha uma disputa mais ampla pelo controle da camada de agentes corporativos. Provedores de nuvem, empresas de modelos, plataformas de dados e integradores tentam definir onde o agente será hospedado, quem administrará seu contexto e qual sistema registrará suas decisões. Ao defender uma arquitetura nativa de dados, a Databricks posiciona sua plataforma como esse centro de controle.
O próximo passo para os clientes tende a ser menos uma migração imediata e mais a criação de projetos delimitados. Casos de uso com baixo risco, como busca interna, análise de indicadores e suporte a equipes, podem servir para testar identidade, governança e avaliação antes de liberar agentes para operações críticas.
A fonte original não confirma, no material fornecido, métricas independentes de desempenho, resultados comparativos ou a adoção de uma implementação específica por clientes. Também não fica demonstrado que manter os agentes dentro da plataforma de dados seja sempre superior a arquiteturas híbridas. A conclusão mais segura é que a Databricks está propondo um princípio de desenho: agentes empresariais precisam ser construídos em torno de dados confiáveis, controlados e acessíveis no contexto correto.
O nosso prisma
A proposta importa porque desloca a discussão de agentes de IA do modelo de linguagem para a infraestrutura que determina quais dados podem ser usados e quais ações podem ser executadas. Na prática, governança, identidade e observabilidade passam a ser requisitos de produto, não tarefas posteriores de conformidade. O argumento é plausível para ambientes corporativos complexos, mas ainda depende de integração real, custos previsíveis e evidências de que a proximidade aos dados melhora resultados sem criar novo aprisionamento tecnológico. O texto da Databricks deve ser lido como uma posição estratégica da empresa, e não como comprovação independente de que a arquitetura já seja padrão de mercado.
Recursos relacionados: formação prática em IA · aprender IA aplicada en español
Fonte: Databricks
Perguntas frequentes
O que são agentes de IA nativos de dados?
São agentes projetados para consultar, interpretar e executar tarefas próximos aos sistemas de dados governados da organização.
Por que manter os agentes perto dos dados?
A proximidade pode reduzir cópias desnecessárias, preservar permissões e oferecer respostas com mais contexto operacional.
A Databricks anunciou um novo produto?
A fonte analisada apresenta uma tese estratégica sobre arquitetura de agentes, mas não confirma, por si só, um lançamento específico.
Receba o Jornal da IA todos os dias
As notícias de inteligência artificial que importam no Brasil — com o nosso prisma e sempre com as fontes. Grátis.
