A distância entre um modelo de dados que funciona em ambiente de testes e uma aplicação operando em produção sempre foi, na prática, muito maior do que parecia no papel. Ela custa dinheiro, consome tempo de engenharia e, com frequência, é a razão pela qual iniciativas de inteligência artificial promissoras nunca chegam aos usuários que deveriam beneficiar. O que está mudando agora é a velocidade com que as plataformas de dados estão tornando esse caminho mais curto.
Apenas 28% das aplicações corporativas estão integradas entre si, embora empresas operem em média, 897 sistemas diferentes. Noventa e cinco por cento dos líderes de TI apontam essa fragmentação como o principal obstáculo à adoção de inteligência artificial, segundo levantamento da Integrate.io publicado em 2026. O dado não é surpreendente para quem trabalha com engenharia de dados: sistemas construídos em momentos diferentes, por times diferentes, com padrões diferentes, raramente se comportam como um conjunto coerente quando o objetivo é alimentar uma aplicação com dados confiáveis em tempo real.
A preparação desses dados, antes que qualquer modelo ou produto possa consumi-los, absorve entre 30% e 50% do orçamento total de projetos de IA nas organizações, e essa proporção que revela onde o problema realmente está: a engenharia que conecta dados brutos dispersos em múltiplas fontes a sistemas que dependem deles para funcionar. Se isso não for tratado na raiz, cada nova iniciativa de produto repete o mesmo ciclo de esforço de integração antes mesmo de produzir qualquer resultado.
Ingestão como ponto de partida
O Databricks Lakeflow foi construído para atacar esse problema diretamente. Lançado em 2024, com disponibilidade geral anunciada em junho de 2025, o Lakeflow unifica as três etapas centrais da engenharia de dados: ingestão, transformação e orquestração, em um único ambiente. Com ele, equipes conseguem ingerir dados de bancos relacionais como MySQL, Postgres e Oracle, e de aplicações corporativas como Salesforce, Workday, SharePoint e Google Analytics, por meio de conectores gerenciados que automatizam a extração incremental sem necessidade de pipelines customizados.
O componente Lakeflow Connect disponibiliza esses conectores com uma interface que abstrai a complexidade de autenticação, captura de mudanças e controle de qualidade de cada fonte. A governança de todos os pipelines é gerida pelo Unity Catalog, o mesmo sistema responsável pelo controle de acesso dos dados analíticos. Isso significa que as políticas de segurança, rastreabilidade e custo se aplicam de forma consistente desde o momento em que o dado entra na plataforma.
Os Lakeflow Declarative Pipelines, por sua vez, permitem que engenheiros construam transformações em SQL ou Python usando um modelo em que a plataforma cuida da orquestração, dos ciclos de reprocessamento em caso de falha e da evolução automática de esquemas, tanto para cargas em lote quanto para streaming contínuo. O resultado prático é menos código de infraestrutura para manter e mais capacidade disponível para resolver problemas de negócio.
Um banco operacional dentro da plataforma de dados
Resolver a ingestão resolve metade do problema. A outra está em servir dados com baixa latência para as aplicações que os consomem em produção. Historicamente, esse papel cabia a um banco de dados operacional completamente separado da plataforma analítica, criando mais uma fronteira de integração a ser gerenciada.
O Databricks Lakebase foi anunciado no Data + AI Summit de junho de 2025 como resposta a esse desafio e trata-se de um banco PostgreSQL totalmente gerenciado, construído para cargas de IA, que adiciona uma camada operacional à mesma plataforma onde os dados analíticos já estão. A consequência arquitetural mais relevante é que cargas transacionais OLTP, consultas analíticas e workloads de busca vetorial passam a operar sobre a mesma fundação governada pelo Unity Catalog, eliminando a necessidade de sincronização entre sistemas separados.
O mecanismo de tabelas sincronizadas é o que torna isso útil na prática., Quando um novo registro é inserido em uma tabela Delta no Unity Catalog, ele aparece automaticamente no banco Postgres do Lakebase em segundos, sem código ETL adicional. Uma aplicação que consome esses dados passa a entregar informação atualizada sem que o time de engenharia precise manter pipelines de sincronização manuais entre sistemas.
A funcionalidade de database branching acrescenta outro ganho operacional relevante: equipes conseguem criar cópias isoladas do banco de produção para desenvolvimento e testes em segundos. Para times que constroem aplicações com dependências complexas de dados, isso reduz o risco de alterar ambientes compartilhados e acelera ciclos de desenvolvimento sem comprometer a estabilidade do que já está em produção.
A aplicação como camada final
Com pipelines de ingestão e um banco operacional integrados à plataforma, o terceiro componente é o ambiente onde a aplicação em si roda. O Databricks Apps resolve essa necessidade dentro do mesmo workspace: desenvolvedores constroem, implantam e escalam aplicações web em compute serverless sem configurar servidores, contêineres ou sistemas de deploy separados. Desde seu lançamento em preview em outubro de 2024, dezenas de milhares de aplicações foram construídas sobre o Databricks Apps. Os casos documentados pela própria Databricks cobrem uma amplitude considerável de usos reais.
A Comcast transformou modelos complexos de previsão em interfaces interativas, permitindo que equipes de vendas e estratégia explorassem cenários de receita em tempo real e acelerassem decisões de campanha. A Alpura, produtora de laticínios no México, construiu um conjunto de aplicações de produção em dias, com casos que vão de monitoramento de IoT em fábricas a ferramentas de análise preditiva para parcerias de varejo. A Hiflylabs entregou uma aplicação de saúde pronta para auditoria em poucas semanas, automatizando trabalho administrativo manual com ferramentas de sumarização de dados de pacientes e avaliação de risco clínico.
O padrão que emerge nesses exemplos é consistente: equipes que antes precisariam de infraestrutura separada para hospedar aplicações, gerenciar bancos operacionais e manter pipelines de sincronização conseguem agora construir e operar tudo dentro de um único ambiente, com a mesma camada de governança aplicada de ponta a ponta.
O que a convergência muda
Um estudo do Forrester sobre o impacto econômico total da plataforma Databricks registrou ROI composto de 417% em três anos, com valor gerado principalmente pela redução de custos de infraestrutura e pelo tempo menor para gerar e entregar insights. A Virgin Australia reduziu em 90% o tempo de implantação de modelos de machine learning e cortou em 44% os casos de bagagem perdida ao padronizar sua operação na mesma plataforma. Parte desse resultado veio da eliminação da fricção entre desenvolvimento e produção.
Pesquisa da McKinsey State of AI 2025 indica que 80% das empresas definem eficiência operacional como o objetivo principal de suas iniciativas de IA. Atingir essa eficiência depende de que a cadeia completa, da ingestão do dado à aplicação que o usa para tomar decisões, funcione como um sistema coeso, não como um conjunto de partes conectadas por integrações frágeis.
Setenta e oito por cento das empresas já usam IA em ao menos uma função, segundo a McKinsey, mas menos de 30% conseguiram escalar esse uso de forma ampla.
O intervalo entre esses dois números é, em grande parte, um problema de engenharia de produto: como construir aplicações de dados que sejam confiáveis, governadas e rápidas o suficiente para funcionar onde o negócio acontece. A Jump também é um exemplo que resolveu todos esses pontos primeiro, e hoje temos um padrão operacional que os concorrentes precisarão alcançar.
Referências
Databricks. Databricks Launches Lakebase: a New Class of Operational Database for AI Apps and Agents, jun. 2025.
Databricks. Announcing the General Availability of Databricks Lakeflow, jun. 2025.
Databricks. Introducing Databricks Lakeflow: A Unified, Intelligent Solution for Data Engineering, jun. 2024.
Databricks. How to Build Production-Ready Data and AI Apps with Databricks Apps and Lakebase, nov. 2025.
Databricks. Ship Enterprise Apps Faster with Databricks AppKit and Replit, fev. 2026.
Databricks. Data Intelligence in Action: 100+ Data and AI Use Cases from Databricks Customers, jul. 2025.
Databricks. What is Lakeflow Connect? AWS Documentation.
Databricks. Build Production ETL with Lakeflow Spark Declarative Pipelines.
ChatForest. Databricks Data+AI Summit 2026: What Builders Need to Know Before June 15.
SR Analytics. Databricks Use Cases: 6 That Drive Real ROI in 2026.
Integrate.io. Data Integration Adoption Rates in Enterprises: 45 Statistics Every IT Leader Should Know in 2026.
Riseup Labs. The True Cost of Implementing AI in Business in 2026.
Enterprise DNA. The Data Skills Gap: The Real Barrier to Enterprise AI.
RTS Labs. AI Development Cost: Complete Enterprise Guide to Budgeting and ROI.
GitNexa. AI-Driven Enterprise Applications: Complete 2026 Guide.
Hiflylabs. Building an AI Application with Databricks Apps in 30 Days, jul. 2025.
Acessar o blog da Jump
