Base de dados para IA: os destaques deixam de fora a fundação
Dados

Base de dados para IA: os destaques deixam de fora a fundação

Conversas no Databricks Data + AI World Tour, em Dallas, mostram a importância da base de dados para IA.
Por Lucas Vilas Boas, Technology Executive na dti digital•
9 nov, 2026• Atualizado em
10 nov, 2026

Em outubro de 2026, representei a WPP Enterprise Solutions, da qual a dti e a Bottle Rocket fazem parte, no Databricks Data + AI World Tour, em Dallas. O evento reúne clientes e parceiros da Databricks, plataforma de dados e IA. As conversas que tive pelos corredores foram mais reveladoras do que as palestras. Várias pessoas com quem conversei já haviam tentado incorporar a IA ao trabalho do dia a dia. Algumas conseguiram colocar um piloto em funcionamento, mas viram a iniciativa estagnar quando passou a lidar com os dados da operação. Outras esbarraram em questões de governança ou descobriram que as mesmas informações de clientes estavam espalhadas por três sistemas que não concordavam entre si. Em diferentes níveis e funções, essas equipes concluíram que precisavam dar um passo atrás. Antes de avançar, era preciso corrigir a base de dados para IA, que sustenta todo o trabalho.

O que a vitrine da IA não mostra

A maioria de nós vê outra história na internet. A vitrine da IA mostra o que ela é capaz de fazer. Mas quase nunca mostra o trabalho de base que tornou isso possível, nem as equipes que precisaram parar, mudar de rumo ou reavaliar antes de recomeçar.

A vitrine faz a IA parecer uma troca simples. Você faz uma pergunta e recebe uma resposta. As interfaces de chat nos acostumaram a esperar isso. Mas, por trás de um caso de uso de IA corporativa, há muito mais. O modelo exige um volume de dados bem maior do que a maioria das equipes imagina. Além disso, esses dados precisam estar organizados de forma que as pessoas consigam encontrá-los e confiar neles. Sem isso, o caso de uso não passa da primeira demonstração.

Por isso, não existe um caminho pronto para gerar valor com IA. Cada empresa e, muitas vezes, cada caso de uso dentro dela precisa traçar o próprio percurso. É preciso saber quais dados existem, onde ficam, quem é o dono deles e o que o negócio precisa extrair deles. Nada disso é glamoroso, e nada disso aparece em uma demonstração de produto. É o trabalho pesado, a parte que a maioria pula.

Base de dados para IA na prática: AT&T, American Airlines e Toyota

A palestra de abertura da Databricks contou com dois grandes clientes, American Airlines e AT&T. Ambos ainda estão desenvolvendo suas plataformas de dados e estruturas de governança. A AT&T começou com uma única equipe de ciência de dados e depois levou a plataforma para mais de 60 unidades de negócio. De acordo com o próprio estudo de caso da Databricks, essa mudança reduziu em cerca de 40% o tamanho da infraestrutura da empresa. A equipe antifraude também usou a plataforma para trocar um sistema baseado em regras por mais de 100 modelos de machine learning, o que teria reduzido os ataques de fraude em 80%. Por outro lado, os materiais públicos da American Airlines enfatizam a governança e a catalogação de dados. É o tipo de trabalho pouco vistoso que abre caminho para os projetos de IA seguintes.

Uma sessão sobre o trabalho da Toyota com dados reforçou a mesma ideia por outro ângulo. Antes de desenvolver qualquer solução de IA, a equipe se perguntou se seus dados estavam prontos. Os palestrantes contaram que precisaram reverter uma decisão importante no meio do caminho. É um bom lembrete de que até uma base bem construída precisa ser revista. A lição é que cada empresa precisa avaliar primeiro o próprio nível de preparação, qualquer que seja a arquitetura adotada.

Streaming e Zerobus Ingest: menos componentes, as mesmas decisões

Uma das palestras a que assisti foi sobre streaming, e é a que mais se aproxima do meu trabalho cotidiano. Como arquiteto corporativo, costumo pesar trade-offs técnicos. Um exemplo é o novo Zerobus Ingest, da plataforma Databricks. A proposta é eliminar um componente comum da arquitetura: o barramento de mensagens (message bus) que fica entre os sistemas que geram grandes volumes de dados e o lakehouse onde esses dados são armazenados. Menos componentes significam menos peças para desenvolver e manter, e isso já é um ganho. Os trade-offs, porém, continuam existindo. Alguém ainda precisa definir como os dados serão estruturados, quem poderá acessá-los e quem será responsável por eles quando algo der errado. As equipes tendem a subestimar essas decisões, e um fluxo de dados mais simples facilita ainda mais deixá-las de lado.

Por onde começar a preparar os dados para IA?

Se você reconheceu a sua empresa nesses relatos, você não está atrasado. A maioria das equipes que estagnaram com IA tinha ambição, mas não tinha uma visão clara do que os dados precisavam ter para que a IA funcionasse. Assim, descobrir isso costuma ser o primeiro passo útil e não exige uma plataforma nova nem uma estratégia pronta.

Se quiser conversar sobre a situação dos seus dados, agende uma conversa de diagnóstico com a dti. Vamos analisar a arquitetura atual, os casos de uso em avaliação e o que precisa estar resolvido para que rodem em produção. A dti é parceira da Databricks, e você pode conhecer um exemplo dessa atuação neste case reconhecido entre os cinco projetos mais inovadores da companhia.

Este artigo foi publicado originalmente em inglês no site da Bottle Rocket, em 4 de novembro de 2026, com o título “The Highlight Reel Leaves Out the Groundwork”. Leia o texto original em inglês.

Quer ver mais conteúdos como esse?

Desbloqueie o futuro do seu negócio

Entre em contato e descubra como podemos atuar lado a lado com seu time para entregar mais valor, mais rápido.

Mais conteúdos como esse

Fale com especialistas