Como a engenharia de dados agêntica muda a forma como construímos — e o que uma empresa de saúde aprendeu ao fazer isso na prática
por Navdeep Alam e Zhe Sun
Você conhece essa sensação. Sua equipe tem uma ótima ideia para um pipeline baseado em IA — talvez seja um novo produto de dados, talvez um agente que automatiza um fluxo de trabalho que ninguém quer fazer manualmente. O patrocinador executivo está empolgado. O líder de engenharia esboça uma arquitetura em um quadro branco. E então... semanas se passam. Os ambientes precisam ser provisionados. O contexto se perde entre as equipes. Quando o protótipo finalmente fica pronto, o patrocinador executivo já partiu para outra, a equipe perdeu o ritmo e a iniciativa morre silenciosamente atrás de algo mais novo.
Essa lacuna entre o "vamos testar isso" e um protótipo funcional é o que chamamos de taxa de prototipagem. E ela está acabando com mais roadmaps de IA do que qualquer limitação de modelo jamais fará.
O gargalo não é a velocidade com que seus engenheiros escrevem código — é a eficiência de R&D da organização como um todo. O R&D tradicional foi projetado para ser navegado por humanos: ele tornou possível o desenvolvimento de software em grande escala, mas não foi feito para agentes de IA. Três forças acumulam essa taxa:
Esses atritos explicam algo que os desenvolvedores relatam constantemente: os agentes de IA parecem transformadores em projetos pessoais, mas decepcionantes em bases de código de produção. O agente não ficou mais burro. A base de código apenas não foi feita para ele navegar.
Essa é a taxa de prototipagem. A maioria dos roadmaps de IA que vimos paga alguma versão dela. As equipes que estão saindo na frente são aquelas que descobriram como parar de pagar.
As equipes que estão saindo na frente não estão usando agentes melhores. Elas estão dando aos seus agentes uma posição inicial melhor: uma baseada na semântica de negócios, não apenas na sintaxe. Quando o agente já possui esse contexto, duas coisas mudam na forma como você constrói.
A intenção se torna a especificação. Uma descrição clara do que você deseja é suficiente para começar, e a antiga camada de tradução — onde os humanos transformavam a intenção em requisitos técnicos antes que qualquer pessoa pudesse construir — se integra à própria sessão de desenvolvimento. A governança entra no fluxo: linhagem, controles de acesso e restrições de conformidade ficam ativos enquanto a construção acontece, em vez de serem descobertos depois do fato, quando alguém pergunta: "espera, podemos realmente usar esses dados?"
Nada disso muda quem é o proprietário do resultado. Muda a aparência de ser o proprietário. O desenvolvedor passa de autor a arquiteto, revisor e guia: menos tempo digitando, mais tempo decidindo. O agente é um multiplicador do julgamento, não um substituto para ele.
Aqui está a inversão que importa: no desenvolvimento tradicional, você se alinha antes de construir. Você escreve uma especificação, circula um documento de design, realiza uma reunião de requisitos — e tudo isso é uma simulação da realidade. Depois, você implementa, encontra algo inesperado, redefine o escopo, reinstala. Semanas se passam.
No desenvolvimento agêntico, o alinhamento acontece por meio da construção. Você escreve suas premissas, o agente constrói um MVP funcional em horas e a especificação surge do código em funcionamento, e não o contrário. O documento de design torna-se preciso por construção — porque é derivado da realidade, não da imaginação.
Comprima o início, mantenha o fim. O caminho de produção não muda — mesmo CI/CD, mesma revisão de código, mesmo rigor. Sem atalhos para códigos gerados por IA. O que muda é que os protótipos chegam à fase de consolidação e envio antes que o ritmo diminua.
Três métricas indicam se a taxa de prototipagem está realmente diminuindo — ou se você apenas teve um bom workshop.
O que mede | Métrica | Por que importa |
Velocidade da compressão | Time-to-prototype — da ideia ao MVP demonstrável | Indicador antecedente. Se isso não estiver diminuindo, o ciclo não está funcionando. |
Qualidade da compressão | Taxa de aceitação de primeira passagem — % de critérios de aceitação atendidos sem ciclo de retrabalho | Prova que o agente construiu a coisa certa, não apenas uma coisa rápida. |
Durabilidade do resultado | Taxa de PoC para produção — % enviada via CI/CD em até 90 dias | Indicador atrasado. Prova que os protótipos não são apenas demonstrações que morrem. |
Acompanhe as três métricas por equipe, defina a linha de base agora e observe a tendência ao longo de um trimestre. Se o time-to-prototype cair, mas a taxa de PoC para produção não acompanhar, você está gerando demonstrações, não entregando produtos.
Agentes de codificação gerais são genuinamente bons em sintaxe, arquivos e APIs. O que eles não conhecem é o seu negócio — seus esquemas e o que eles significam, seu modelo de governança, seus padrões de implantação. Então, eles saem investigando, uma sondagem de cada vez, consumindo tokens e tempo para reconstruir o contexto que a plataforma já possui.
Temos números sobre o quão cara é essa investigação. Em um benchmark de 401 tarefas de dados reais, um agente de dados nativo da plataforma atingiu 77% de precisão contra 56–72% dos principais agentes de codificação gerais — por cerca de metade do custo por tarefa. A relação de compensação entre qualidade e custo que você esperaria simplesmente não existiu. A especialização se traduz em precisão, velocidade e custo, tudo de uma vez.
No Databricks, isso se apresenta como o Genie Code — um agente de dados autônomo integrado diretamente ao Unity Catalog — pareado com a Genie Ontology, uma camada semântica governada que fornece ao agente o significado de negócios, não apenas nomes de colunas. O agente lê o que uma tabela significa em vez de inferir, e herda seus controles de acesso e governança por padrão.
Em nenhum lugar a posição inicial importa mais do que em setores regulamentados. Quando os dados são confidenciais e a governança é inegociável, a abordagem de "explorar e adivinhar" de um agente de codificação geral não apenas desperdiça tempo — ela cria riscos de conformidade.
A Abacus Insights processa dados de saúde de mais de 65 milhões de membros sob controles isolados (air-gapped) de nível HIPAA. É exatamente o ambiente onde a abordagem de "explorar e adivinhar" deixa de ser apenas uma perda de tempo e passa a ser um risco: ela não pode acessar PHI de forma casual, não pode adivinhar o modelo de governança e cada suposição errada se torna uma questão de conformidade, em vez de uma correção rápida.
A equipe deles colocou agentes de mapeamento de dados e pipeline em produção, com o Genie Code como a interface diária que seus engenheiros utilizam — porque ele já entende seus dados e opera dentro de sua governança, em vez de precisar que tudo seja explicado do zero. E eles já estão vendo ganhos significativos de eficiência em todo o seu trabalho de inteligência de dados. O retorno aparece nos números: a integração de novos clientes agora atinge o primeiro valor em cerca de metade do tempo, e o esforço manual em mapeamento de dados e construções de pipeline caiu cerca de 40%.
"Nossos engenheiros de dados trabalham em uma escala séria — bilhões de registros de sinistros de saúde, dezenas de milhões ingeridos todos os dias. O Genie Code mudou a matemática para nós. Ele já entende nossos esquemas, nossa governança, nossos requisitos de isolamento (air-gapped). Nossos engenheiros não passam metade do tempo explicando o ambiente para uma ferramenta —eles o dedicam ao problema real. Uma redução de 40% no esforço manual é apenas o ponto de partida. À medida que avançamos em nosso esforço de desenvolvimento orientado a agentes, estamos confiantes de que isso se tornará uma mudança de ordem de grandeza na velocidade com que vamos de um novo cliente ao primeiro valor." - Nav Alam, CTO, Abacus Insights
A taxa de prototipagem é real, é mensurável e é opcional. As equipes que perceberam isso não estão esperando para se alinhar antes de construir — elas estão se alinhando ao construir e entregando antes que o ritmo diminua.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.