Orientados aos dados, não só por dados

Na visão tradicional de desenvolvimento versus analytics, um banco de dados é só um backing service de uma aplicação. O BI usava modelagem de data warehouse, cubos, modelagem dimensional e ETL para integrar dados de vários desses serviços e construir alguma representação analítica para o negócio. As duas coisas sempre foram quase completamente separadas.

Aí veio a revolução de tudo nas empresas virar software, da operação ao produto, e a vontade de integrar e entender tudo isso. Surgiram a nuvem, o big data e o hype da ciência de dados. Investimos pesado numa infraestrutura nova que mudou o paradigma de software e analytics, tanto nos limites de cada espaço quanto nas ferramentas para lidar com esse fluxo de dados.

Duas tradições que conversaram pouco

A modelagem tradicional de conhecimento usa tesauros e ontologias: formas de organizar significado, nomes, conceitos. A modelagem “técnica” ficou no mundo prático das tabelas, dos bancos relacionais e analíticos, do ETL. E traduzir a camada granular (dados crus, tabelas) numa representação abstrata (conceitos, nomes, relações) sempre foi o grande limitador.

Eis que os LLMs parecem fantásticos em construir esse mapa nos dois sentidos: de relações formais escritas como grafo para SQL sobre as tabelas de base, e de tabelas, esquemas e descrições para grafos formais de relações. Os trabalhos de Juan Sequeda chegam a uma conclusão parecida: enriquecer o contexto com taxonomia e ontologia dá respostas muito mais precisas do que jogar metadados soltos.

O novo desafio

Com LLMs e agentes, o desafio passa a ser integrar todos esses sistemas não só tecnicamente, mas simbolicamente. Os bancos de dados deixam de ser apenas serviços de apoio integrados por um mundo analítico isolado. Os processos passam a ser orientados aos dados, e não apenas por dados: o mais importante é o dado ser entendido e ter significado para agentes, pessoas e outros sistemas.

Os agentes de IA atuam como um tecido conjuntivo dessa rede de sistemas e processos. E com isso empurram a necessidade de modelar software e dados para uma camada ainda mais abstrata nas organizações.

O mercado percebeu

Em 2025 grandes empresas de software corporativo compraram especialistas em governança de metadados: a Salesforce comprou a Informatica, a ServiceNow comprou a data.world. Num mundo que pede integração de IA em todas as camadas, o recado é claro: para a IA entender o contexto da sua organização, mais do que armazenar, é preciso organizar e catalogar a informação. É o caminho para IAs neurossimbólicas.

A IA não vai consertar o que as organizações não entendem. Se pessoas não conseguem passar informação de forma confiável entre times, hierarquias e através do tempo, é ingênuo supor que a IA vai dar sentido a esse caos. Semântica mal definida, entregue a sistemas autônomos, leva a erros, ineficiência e até dano. O futuro não é só movido a IA: é movido a conhecimento.

O que ainda não sei

Metadados, conhecimento e inteligência parecem convergir para alguma camada semântica, ou simbólica, que costure os ativos de informação de “baixo nível”. Me intriga a implementação real disso: parece razoável e certo, mas é difícil de agarrar, e ainda faltam ferramentas e métodos para uma adoção ampla.

Pessoas e processos limitam o estado atual de tudo que é dado. Mas a quantidade enorme de complexidade também não será gerida só por pessoas e processos. Penso no que os sistemas operacionais fizeram pela computação pessoal, e me pergunto que tipo de sistema pode fazer isso pelas organizações.

Difícil de ver. Sempre em movimento está o futuro.