No Databricks Data + Cúpula de IA, A Artefact transmitiu uma mensagem clara aos líderes de IA empresarial: a próxima fase da adoção da IA não será conquistada apenas por modelos. Será conquistada pelas organizações capazes de estabelecer o data confiável, a governança e os fundamentos semânticos necessários para levar os agentes da fase piloto para a produção.
A Artefact, a empresa especializada em IA que combina execução de nível de engenharia com pensamento de nível de consultoria para obter resultados comprovados de alto impacto, apresentou arquiteturas orientadas à produção com agentes ativos, data real e demonstrações baseadas em Databricks nas áreas de medição de marketing, serviços financeiros, beleza, bens de consumo embalados (CPG) e logística.
Um tema central emergiu da presença da Artefact no Databricks: a IA empresarial não pode ser escalonada apenas com base na recuperação de informações. Embora o RAG, os catálogos metadata e os copilotos ajudem as empresas a realizar experimentos rapidamente, os agentes de IA de nível de produção exigem algo mais profundo: uma camada ontológica capaz de interpretar o significado comercial, determinar a autoridade e raciocinar sobre as relações entre os elementos.
É aí que as lições de A Artefact, tornam-se especialmente relevantes. Na opinião deles, muitas organizações estão descobrindo a mesma dura realidade: os agentes de IA só podem agir com confiança quando a empresa tiver esclarecido o que significa seu data, quem o controla e como os conceitos de negócios se interligam entre os sistemas.
Por que os catálogos RAG e metadata não são suficientes para a IA em produção
Para muitas empresas, a geração aumentada por recuperação (RAG) tornou-se o ponto de partida padrão para a IA corporativa. O artigo Artefact argumenta que a RAG apresenta limites estruturais no que diz respeito à tomada de decisões regulamentada e pronta para produção.
Akhilesh Kale (AK), sócio da Artefact, explica:
“Uma pesquisa vetorial retorna trechos que se assemelham à sua pergunta. Ela não leva em conta se o número nesse trecho é aquele aprovado pelo seu diretor financeiro, nem como ‘cliente ativo’ se relaciona com ‘contrato’ três sistemas adiante. Essas são as duas coisas que o RAG, por natureza, não consegue fazer: determinar a autoridade e a lógica por meio das relações. Uma ontologia resolve ambas as questões. Ela classifica as definições de acordo com quem as criou, com a frequência com que são utilizadas e com a proximidade em relação a ativos certificados, além de codificar as relações que transformam uma pergunta em uma resposta calculada, em vez de um palpite recuperado. Os catálogos fazem o inventário do seu data. As ontologias o validam. Essa lacuna é a diferença entre uma demonstração e algo que pode funcionar em um ambiente regulatório.”
Essa distinção é importante porque a IA corporativa está passando de responder perguntas para tomar medidas. Nesse contexto, uma resposta “razoavelmente correta” não é suficiente. Os agentes precisam compreender qual definição é a mais confiável, qual ativo data é certificado e como os conceitos se relacionam entre os sistemas financeiros, de clientes, de produtos, jurídicos e operacionais.
Isso é especialmente importante em setores regulamentados, como serviços financeiros, seguros, saúde, energia e telecomunicações, nos quais a explicabilidade, a rastreabilidade, as permissões e a governança não são opcionais.
O desafio oculto da IA corporativa: a gestão responsável, e não a tecnologia
A mensagem “Databricks” da Artefact também questiona a ideia de que a parte mais difícil da IA empresarial seja a implementação técnica. Kale, muitas iniciativas ficam paralisadas não porque a tecnologia falhe, mas porque as organizações subestimam o trabalho humano e de governança necessário para sustentá-la.
Akhilesh Kale (AK), “A fase de construção não é onde esses processos ficam paralisados. Eles ficam paralisados em dois pontos que as equipes tratam como questões secundárias. O primeiro é que a extração automática produz um rascunho, não uma decisão: quando surgem três definições de margem, alguém com autoridade precisa escolher, e isso é um ato político que a maioria das organizações se esforça para evitar. O segundo é a obsolescência. Uma definição que estava correta no primeiro trimestre torna-se incorreta após uma reorganização ou uma migração de sistema; portanto, o gráfico precisa de pipelines monitorados e de um responsável designado, e não apenas de uma atualização anual. Assegure a gestão responsável, ou o ‘gráfico vivo’ morrerá silenciosamente.”
Essa é uma das principais lições que o Artefact destaca: a transformação por meio da IA não se resume apenas à implantação de plataformas ou modelos. Trata-se de repensar a forma como as organizações lidam com o significado, a responsabilidade, a prestação de contas e a mudança.
Uma ontologia dinâmica requer gestão ativa. As definições de negócios mudam. Os sistemas são migrados. As equipes se reorganizam. As expectativas regulatórias evoluem. Sem responsabilidade e instrumentação, a camada semântica fica desatualizada e, quando isso ocorre, os agentes perdem a confiança.
Governança em tempo real: da gestão de acesso às medidas de proteção durante a execução
A terceira lição é que a governança moderna da IA deve operar em tempo real. Já não basta regulamentar a que data um sistema pode acessar no início de um fluxo de trabalho. Os agentes de IA em produção precisam de uma governança incorporada ao caminho de execução, controlando o que um agente tem permissão para fazer enquanto está em ação.
Akhilesh Kale (AK) explica ainda:
“Sim, com um pré-requisito fundamental: o verdadeiro avanço é que a governança passa a ocorrer no ambiente de execução: o Unity AI Gateway controla o que um agente tem permissão para fazer durante a execução da tarefa, e não apenas o que ele pode ler, e não há um segundo sistema de permissões para manter a sincronização. Para os setores bancário, de seguros e de gestão de ativos, essa é a diferença entre um projeto-piloto e uma implantação. Mas a camada herda a confiança; ela não a cria. É um multiplicador do data foundation que vocês já possuem, e um multiplicador mantém o sinal: as empresas que realizaram o trabalho de governança obtêm um impulso imediato, enquanto as demais recebem uma versão mais rápida e confiável de uma situação confusa que não haviam analisado diretamente.”
Esse ponto se relaciona diretamente com a posição mais ampla da Artefact: agentes prontos para produção exigem bases confiáveis. Os Databricks podem fornecer a camada data regulamentada, mas as empresas ainda precisam realizar o trabalho árduo de definir a propriedade, resolver ambiguidades e redesenhar modelos operacionais em torno da colaboração entre humanos e agentes.
Dos projetos-piloto à produção: os sistemas agentivos do Artefact em ação
O Artefact demonstra como isso funciona na prática, com casos de uso reais de agentes desenvolvidos com base no Databricks, incluindo:
- Uma ferramenta de medição de marketing conversacional que permite aos executivos simular alocações orçamentárias por meio da linguagem natural.
- Personas sintéticas para o setor de serviços financeiros e de bens de consumo embalados (CPG), permitindo que os profissionais de marketing analisem perfis simulados de clientes para obter insights mais rapidamente.
- Um assistente de compras de produtos de beleza baseado em IA que auxilia na descoberta personalizada de produtos em um catálogo com mais de 60.000 SKUs.
- Corrie, uma assistente de IA para resolução de problemas logísticos que ajuda as equipes de armazém a resolver mais rapidamente casos de itens ausentes ou trocados.
Em todos esses exemplos, os agentes tornam-se valiosos quando estão conectados a um data preciso, regulamentado e pronto para uso corporativo, e quando as organizações redesenham as funções humanas e as estruturas de governança em torno deles.
Para a Artefact, a lição de Databricks É evidente. O futuro da IA empresarial não consiste em um conjunto de pilotos, copilotos ou assistentes desconectados. Trata-se de uma organização híbrida pronta para produção, na qual seres humanos e agentes de IA operam por meio de data foundations compartilhado, fluxos de trabalho regulamentados e responsabilidades claramente definidas.
O modelo não consiste em “IA em vez de pessoas”. Trata-se de pessoas que avançam na cadeia de valor, passando da execução para a tomada de decisões, da produção para a avaliação e da execução de processos para a gestão dos sistemas que os operam.
