MLOps em escala: como integrar dados e IA sem multiplicar pipelines e silos
Como permitir que diferentes plataformas utilizem os mesmos dados sem criar cópias e pipelines para mantê-las sincronizadas? Essa pergunta representa um dos desafios atuais das organizações que operam múltiplas plataformas de dados. Um caso da United Airlines publicado pela AWS em 15 de setembro de 2026 mostra como uma arquitetura de dados federada conecta Databricks e AWS sem duplicação.
Federação de dados entre Redshift e Databricks
A United Airlines processa bilhões de eventos diariamente em uma plataforma de dados que combina Amazon Redshift e Databricks. A companhia passou a permitir que usuários do Amazon Redshift consultem dados gerenciados no Databricks Unity Catalog por meio da federação do AWS Glue Data Catalog. Nessa arquitetura, as consultas chegam aos dados armazenados no Amazon S3 sem exigir duplicação no armazenamento gerenciado do Redshift.
A companhia já possui 30 tabelas federadas em produção e outras 70 em processo de implantação, com centenas adicionais previstas para os próximos meses. Segundo o relato técnico, cerca de 100 analistas passaram a acessar as tabelas de interação com usuários nessa primeira etapa, sem a criação de novos pipelines para replicar esses dados.
A configuração por trás da promessa
A arquitetura da United depende de uma cadeia de configuração específica: o Unity Catalog expõe as tabelas por uma API REST compatível com Iceberg; o AWS Glue cria um catálogo federado a partir dela; um resource link no catálogo padrão do Glue serve de ponte para que o Redshift consiga enxergar esse catálogo; e o AWS Lake Formation governa as permissões em cada etapa da cadeia. Para tabelas Delta, é preciso ainda habilitar o UniForm, que gera metadados compatíveis com Iceberg.
Nessa configuração, essas etapas são necessárias para que a consulta federada funcione corretamente. Sem o resource link corretamente apontado, sem as permissões do Lake Formation concedidas nas tabelas de destino e sem o UniForm ativo nas tabelas Delta, a consulta federada simplesmente não funciona. A “eliminação de pipelines” que a AWS descreve, nesse contexto, não significa ausência de mecanismos de integração, mas a substituição da replicação por uma arquitetura baseada em catálogos e permissões.
MLOps também é uma decisão de arquitetura
Nesse momento em que as empresas ampliam seus investimentos em Machine Learning, GenAI e agentes de IA, a movimentação dos dados passa a ser uma decisão arquitetural, e não uma consequência da integração. O caso da United mostra isso: diferentes tecnologias acessando os mesmos ativos de dados sem que cada integração obrigatoriamente gere uma nova cópia.
MLOps, nesse caso, não se resume ao deployment do modelo. Existe uma cadeia que envolve dados, features, experimentação, treinamento, inferência, observabilidade e atualização. Quando cada ambiente precisa manter sua própria versão dos dados, aumenta também o número de pipelines e sincronizações que precisam ser operados.
Menos movimento de dados, mais integração
E aqui não estamos falando somente sobre a integração da AWS com Databricks. A Databricks e o Google Cloud anunciaram também federação bidirecional de catálogos, permitindo que usuários do BigQuery e do Unity Catalog acessem dados compartilhados sem duplicação. Com a integração, o BigQuery lendo tabelas gerenciadas pelo Unity Catalog e, inversamente, o Databricks acessando tabelas Iceberg escritas a partir do BigQuery. É a mesma lógica da United aplicada a outro par de plataformas: operação com metadados abertos, no lugar de pipelines dedicados de replicação.
O número que não deve virar promessa
Segundo a AWS, a mudança eliminou pipelines de sincronização, reduziu armazenamento redundante e reduz em aproximadamente US$ 30 mil por mês em infraestrutura redundante de ETL. O número, porém, precisa ser interpretado dentro de seu contexto. Ele representa o resultado da arquitetura específica da United e não significa que produzirá automaticamente a mesma redução de custos em outras organizações.
FinOps multicloud: por que menos cópias significa menos desperdício
O que a AWS descreve como economia de infraestrutura é, sob outra lente, o tipo de gasto invisível que compõe a maior parte do desperdício multicloud: pipelines de ETL redundantes, armazenamento duplicado e sincronizações que ninguém lembra por que existem.
É aqui que arquitetura de dados e FinOps deixam de ser conversas paralelas. O OPT-3, plataforma de FinOps Multicloud da Jump, parte exatamente dessa premissa: reduzir o desperdício de nuvem por meio de visibilidade sobre quanto se gasta, onde e por qual motivo cada recurso continua ativo.
Interoperabilidade e conexão
A principal lição deste caso da United está em otimizar o uso dos dados sem a necessidade de criar uma cópia para cada workload. Parte do esforço antes dedicado à movimentação, replicação e sincronização passa para o desenho da interoperabilidade, conectividade e execução entre plataformas. Assim, a arquitetura mais eficiente passa a ser aquela capaz de escolher a abordagem adequada para cada workload.
Transformação não espera
Como a Jump transforma conhecimento, tecnologia e IA em produtos
Quanto uma empresa realmente conhece os problemas que os seus clientes precisam resolver? Em tecnologia, essa pergunta ganha ainda mais importância. A Inteligência Artificial está tornando mais rápido desenvolver, testar, pesquisar e automatizar. Mas velocidade, sozinha, não significa inovação. É preciso saber o que construir, para quem construir e qual problema solucionar.
O cliente como ponto de partida da inovação
A Jump atua como uma consultoria especializada, desde 2014, para promover a transformação digital dos clientes, sua fonte principal de inovação. Hoje, atende mais de 60 empresas no Brasil e na América Latina. Essa presença coloca as equipes em contato com diferentes setores, desafios e necessidades de negócio e transforma a experiência acumulada nos projetos em uma importante fonte de conhecimento.
Nesse contexto, ouvir o cliente não é apenas uma etapa comercial. É parte de um ciclo que permite identificar oportunidades de melhoria nos serviços e necessidades que podem dar origem a novas soluções.
Entender a dor do cliente e as necessidades do mercado
“O produto que a Jump desenvolve vem como um agregador aos nossos serviços. Através dos nossos serviços a gente entende a necessidade dos clientes e a dor do mercado como um todo. Assim, nascem os produtos da Jump. Esses produtos são incorporados dentro dos projetos de clientes que nós temos. Depois ofertamos o produto para o mercado junto com uma consultoria especializada”, explica Rafael Capua, COO da Jump.
A IA é um meio de desenvolvimento, não um fim
A Inteligência Artificial vem auxiliando os projetos de inovação na Jump trazendo celeridade eampliando a capacidade das pessoas, acelerando etapas operacionais e abrindo espaço para que o conhecimento humano seja aplicado onde pode gerar mais valor.
Hoje, a Jump conta com 16 produtos desenvolvidos a partir das necessidades identificadas nos projetos, do conhecimento acumulado pelas equipes e das dores observadas no mercado.
É justamente esse movimento que ganha uma nova dimensão com o ecossistema de produtos da Jump e materializa uma trajetória que começa muito antes da tecnologia: na escuta do cliente.
“O grande diferencial da Jump sempre foi o relacionamento. A Jump consegue atender bem as nossas necessidades. São profissionais de qualidade, temos muita proximidade e um time sempre pronto para ajustar”, declara Karen Inoue, Head de Martech e CRM da Cogna.
Quanto mais fácil construir, mais importante construir direito
A IA reduziu algumas barreiras para transformar uma ideia em aplicação. É possível gerar código, pesquisar possibilidades, testar funcionalidades e automatizar etapas do desenvolvimento em uma velocidade difícil de imaginar há poucos anos. Mas velocidade não elimina a necessidade de engenharia e muito menos de governança.
“Quanto mais fácil ficou construir, mais importante ficou construir direito. Na Jump, como a equipe de inovação trabalha também com pré-vendas, conhece muito as regras de negócio dos clientes e isso ajuda a refinar o pedido para a IA gerar um produto que já atenda as especificações”, declara Patricia Maciel, Head de Inovação da Jump.
Antes de um produto existir, existe arquitetura. Segurança, observabilidade, rastreabilidade e capacidade de auditoria também precisam fazer parte da construção. Quando esse produto envolve Inteligência Artificial, entram ainda questões relacionadas à gestão de riscos, transparência, responsabilidade e governança.
Nesse ponto, a Jump conta com o respaldo da certificação ISO/IEC 42001, norma internacional para sistemas de gestão de Inteligência Artificial. A norma estabelece uma estrutura para que organizações desenvolvam, implementem, utilizem e aprimorem sistemas de IA de maneira responsável, incorporando práticas de governança, gestão de riscos, transparência e melhoria contínua.
O agente executa, o humano direciona
Essa nova divisão do trabalho começa a aparecer também nas pesquisas sobre IA. O Work Trend Index 2026, da Microsoft, ouviu 20 mil profissionais que utilizam IA em dez países, incluindo o Brasil, além de analisar sinais anonimizados de produtividade. Entre os entrevistados, 66% afirmaram que a IA permitiu dedicar mais tempo a trabalhos de maior valor, enquanto 58% disseram estar produzindo trabalhos que não conseguiriam realizar um ano antes.
Os números ajudam a ilustrar uma mudança: conforme agentes assumem parte da execução, o papel humano pode se deslocar para direção, julgamento, supervisão e responsabilidade sobre os resultados. É uma dinâmica que já aparece no cotidiano da Inovação da Jump.
“A IA não vai substituir as pessoas, mas o jeito de trabalhar tem que mudar. As pessoas que não se adaptarem talvez sejam substituídas. O que é operacional a gente usa os agentes, mas o que é mais estratégico e o conhecimento de negócio é humano. Todo esse Knowhow do que a Jump faz, o que é estratégico e importante isso é humano. O humano é o grande diferencial nesse processo, tanto em aprendizado e no espírito de equipe.” declara Patrícia.
O que a IA ainda não conhece? O seu cliente
O agente faz a parte operacional e impulsiona, mas a usabilidade é algo muito humano. A IA não tem o conhecimento do negócio, não está na ponta de quem vai usar a ferramenta.
A capacidade de desenvolver mais rapidamente só ganha significado quando aquilo que é desenvolvido gera valor para quem está na outra ponta. A usabilidade continua dependendo de compreender quem efetivamente utilizará a solução. Isso significa conversar, observar, questionar e trazer o cliente para dentro do desenvolvimento.
E talvez esteja justamente aí um dos maiores diferenciais humanos em um ambiente cada vez mais automatizado: entender contexto.
Outro grande diferencial da Jump é que os produtos são todos nacionais. Isso é muito importante em um processo de melhoria, evolução e adaptação e isso também conta muito para celeridade nas entregas. A aceleração permite ser mais criativa. “Nas nossas propostas a gente vende o humano responsável e a IA otimizando. Principalmente com o cliente a IA nunca vai substituir essa parte da curiosidade, do questionamento, do entendimento do negócio.”
IA funciona melhor quando a organização aprende junto
Existe ainda outra dimensão dessa transformação: tecnologia sozinha não transforma uma empresa. No mesmo estudo, a Microsoft identificou uma relação relevante entre fatores organizacionais como cultura, apoio das lideranças e desenvolvimento de talentos e o impacto percebido da IA.
Entre profissionais considerados usuários mais avançados, aparecem com maior frequência comportamentos como compartilhar aprendizados, discutir oportunidades de automação com colegas e estabelecer padrões para a qualidade do trabalho realizado com IA. É um cenário semelhante ao encontrado na área de Inovação da Jump. Por trás dos produtos existe uma dinâmica constante de estudo, experimentação e compartilhamento de conhecimento. O que uma pessoa descobre pode melhorar o trabalho de outra, e aquilo que funciona em um projeto pode se transformar em aprendizado para o próximo.
Da dor do cliente ao ecossistema
A lógica não é criar tecnologia e depois procurar onde aplicá-la. É começar pela necessidade, reunir conhecimento de negócio e, quando existe potencial para transformar esse aprendizado em algo replicável, transformá-lo em produto.
“A decisão estratégica da Jump de fazer o desenvolvimento de produtos vem da visão que a gente tem de que algumas coisas que a gente faz, poderiam ser mais automatizadas, usar a tecnologia para fazer mais rápido, para fazer melhor e com um custo menor. Os produtos nascem como uma etapa de melhoria do serviço”, declara Anderson Argentoni CEO da Jump.
O Burnout dos times de dados vira risco de qualidade
A IA prometia mais produtividade, automatizar tarefas e devolver tempo às pessoas, mas, estamos vivendo um paradoxo: fazer tarefas mais rapidamente não significa necessariamente trabalhar menos.
O estudo global Workforce 2026, da Korn Ferry ouviu mais de 16 mil profissionais em 11 mercados e mostrou que 52% dos profissionais afirmam que as ferramentas de IA aumentaram o volume de tarefas, em vez de reduzi-lo e mais de 60% dizem acumular funções e relatam que a carga de trabalho cresceu significativamente nos últimos dois anos.
No Brasil, essa contradição fica ainda mais evidente. Segundo dados repercutidos pela Forbes Brasil, 63% dos profissionais perceberam ganhos de eficiência com o uso da Inteligência Artificial, mas 47% afirmam estar ocupados demais para entregar resultados relevantes.
“É perfeitamente possível fazer cada tarefa mais rápido e terminar o dia com mais trabalho”, resume Vinicius De Luca, presidente de consultoria da Korn Ferry para a América do Sul.
A constatação coloca uma questão importante para empresas que estão acelerando seus investimentos em IA: o problema está na tecnologia ou na forma como o trabalho está organizado ao redor dela?
Os times de dados estão crescendo e a complexidade também
Pipelines precisam continuar funcionando. Problemas de qualidade precisam ser investigados. Acessos precisam ser gerenciados. Dados precisam estar disponíveis, seguros, documentados e em conformidade. Ao mesmo tempo, surgem novas demandas de analytics, machine learning e agentes de IA.
Separadamente, são atividades normais de uma operação de dados. Quando o retrabalho, as exceções e as intervenções manuais se tornam permanentes, porém, podem revelar algo que dificilmente aparece nos dashboards executivos: a quantidade de complexidade operacional que está sendo absorvida pelas pessoas.
E é nesse ponto que sobrecarga, governança e qualidade de dados passam a integrar uma mesma conversa, não porque seja possível atribuir o esgotamento profissional a uma única causa, mas porque a organização do trabalho, a qualidade dos processos e a clareza das responsabilidades também fazem parte do ambiente em que essas equipes trabalham.
Burnout e o risco da qualidade dos dados
O Burnout é um fenômeno complexo e deve ser tratado com a seriedade devida. Não cabe atribuí-lo a uma ferramenta, a uma arquitetura tecnológica ou à ausência de determinada prática de governança. Mas isso não impede as organizações de observarem os fatores estruturais relacionados à maneira como o trabalho acontece.
O que os próprios profissionais de dados já dizem
Uma pesquisa da DataKitchen e da data.world realizada com 600 engenheiros de dados ajuda a dimensionar o problema. Embora o levantamento seja de 2021, anterior à atual expansão da GenAI, seus resultados são especialmente interessantes quando observados no contexto atual.
Entre os profissionais pesquisados, 69% afirmaram que as políticas de governança de dados de suas organizações tornavam o trabalho cotidiano mais difícil. Além disso, metade dos entrevistados apontaram o fluxo constante de erros como fonte de pressão, e a outra metade mencionou processos manuais que ocupavam o espaço destinado à inovação.
O que os gestores precisam observar
Os primeiros sinais de adoecimento costumam ser físicos e comportamentais: atrasos de quem sempre chegou no horário, saídas frequentes ao banheiro, perda de peso, falhas de memória e redução da interação com colegas. A recomendação é contratar avaliações de riscos psicossociais e implementar rotinas de proteção à saúde mental das equipes.
NR-1 e as diretrizes gerais de segurança e saúde no trabalho no Brasil
No Brasil, essa discussão ganhou ainda mais relevância em 2026. A nova redação do capítulo 1.5 da Norma Regulamentadora nº 1 (NR-1) entrou em vigor em 26 de maio e passou a incluir expressamente os fatores de risco psicossociais relacionados ao trabalho no Gerenciamento de Riscos Ocupacionais (GRO).
O próprio Ministério do Trabalho e Emprego destaca que a abordagem deve considerar os fatores relacionados ao trabalho, dentro de uma perspectiva de prevenção e gerenciamento de riscos e isso muda o olhar das empresas para a performance dos funcionários.
Em vez de olhar exclusivamente para a capacidade individual de lidar com pressão, torna-se necessário observar também como o trabalho é desenhado, distribuído e executado.
Nos times de tecnologia e dados, essa análise pode incluir fatores bastante concretos: interrupções constantes, retrabalho, processos excessivamente manuais, demandas sem priorização clara, dependência de poucas pessoas, responsabilidades indefinidas e pressão para manter sistemas críticos funcionando enquanto novos projetos continuam chegando.
Quanto esforço humano é necessário para manter os dados governados?
O objetivo não é criar uma organização sem incidentes ou sem pressão, mas construir uma operação capaz de absorver crescimento e mudança sem depender continuamente de heroísmo individual.
Para empresas que estão acelerando investimentos em dados e Inteligência Artificial, talvez essa seja uma nova dimensão de maturidade a considerar.
O que é GenAI, na prática, para quem decide o orçamento
A IA passa de assistente para agente e, agora, para quem decide o orçamento, é preciso entender como a Inteligência Artificial Generativa pode se tornar um valor mensurável para o negócio.
O que é GenAI na prática?
A Inteligência Artificial Generativa, ou GenAI, é uma categoria de IA capaz de gerar novos conteúdos e respostas a partir de padrões aprendidos em grandes volumes de dados. Texto, código, imagens, análises e documentos estão entre suas aplicações mais conhecidas.
No ambiente corporativo, GenAI pode apoiar desenvolvedores na geração de código, resumir contratos, auxiliar análises financeiras, atender clientes, apoiar equipes comerciais, produzir relatórios e se conectar a diferentes sistemas. É justamente essa evolução que muda a conversa sobre orçamento.
Uma licença tradicional de software tende a oferecer relativa previsibilidade. Com a GenAI, o custo deixa de depender apenas de ter a tecnologia disponível e passa a depender também de quanto, como e para que ela é utilizada.
A nova unidade econômica da IA
Sarah Friar, CFO da OpenAI, afirmou que clientes corporativos estão buscando retornos mais mensuráveis dos investimentos em Inteligência Artificial. Em artigo publicado na Fortune, em julho de 2026, Friar afirma que a principal dúvida apresentada por executivos financeiros é como transformar investimentos em IA em valor concreto para os negócios. “A pergunta que ouço de diretores financeiros em todos os lugares é simples: como podemos obter mais valor de nossos investimentos em IA?”.
Ela propõe a métrica “useful intelligence per dollar”, algo como “inteligência útil por dólar investido”. A ideia é medir resultados concretos: tarefas relevantes concluídas, custo total da tarefa (incluindo revisões humanas e tentativas adicionais), precisão e capacidade de aumentar o valor entregue sem fazer os custos crescerem. A unidade econômica da IA talvez não seja o token. É a tarefa concluída com qualidade e o valor que ela gera.
O investimento em IA cresce, e a visibilidade de custo acompanha?
Segundo pesquisa do Gartner, divulgada em setembro de 2026, com 1.303 líderes de organizações com receita anual acima de US$ 50 milhões, 85% pretendem aumentar seus gastos com IA em 2026. Apenas 22% das organizações conseguiram escalar IA de forma consistente entre múltiplas áreas de negócio e 11% sequer sabem quanto gastaram com IA em 2025. O orçamento pode estar crescendo mais rapidamente do que a capacidade de medir seu retorno.
A mesma pesquisa encontrou uma diferença relevante nas empresas que tratam IA como investimento mensurável. Entre as organizações de alto desempenho, que acompanham ROI, avaliam regularmente os projetos e realocam recursos quando necessário, 81% das iniciativas de IA apresentaram retorno positivo.
Produtividade x geração de valor
A adoção da GenAI desde o início foi sustentada por ganhos de produtividade. O estudo State of AI in the Enterprise 2026, da Deloitte, mostra que, apesar de melhorias de produtividade e eficiência apenas 20% dizem já ter conseguido aumentar receitas por meio da IA, embora 74% esperem alcançar esse resultado no futuro.
A Deloitte aponta que apenas 34% das organizações pesquisadas estão utilizando IA para promover transformações mais profundas, como criar produtos e serviços ou reinventar processos e modelos de negócio.
Escalar exige infraestrutura, integração, segurança, governança, qualidade dos dados, monitoramento e capacidade de acompanhar consumo e custos. E essa equação ganha uma nova dimensão quando a IA deixa de apenas responder e começa também a executar.
Da IA que responde para a IA que executa
O setor financeiro brasileiro ajuda a mostrar como essa transformação está acontecendo na prática. Com o tema “Agentes Inteligentes, Liderança Humana”, o Febraban Tech 2026 que aconteceu em agosto, em São Paulo, colocou no centro das discussões uma nova etapa da adoção corporativa de IA para sistemas capazes de interpretar objetivos, acessar informações, interagir com aplicações e executar etapas de processos.
“IA pra mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3, ao Portal Febraban.
A dimensão dos investimentos ajuda a compreender por que essa mudança também precisa entrar na agenda de quem decide orçamento.
Segundo a Pesquisa Febraban de Tecnologia Bancária 2026, os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia neste ano. Cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões.
Um assistente de GenAI pode receber uma solicitação, processar determinado contexto e produzir uma resposta, consultar diferentes fontes de dados, acessar APIs, interagir com sistemas corporativos e executar diversas etapas antes de concluir uma tarefa.
Quando a IA executa, o custo também muda
Com mais agentes, usuários e processos automatizados, os gastos podem se tornar mais variáveis e complexos de prever e atribuir. Isso não significa que custos de IA sejam incontroláveis. Significa que precisam ser observados de maneira diferente.
Essa variabilidade também está mudando a disciplina que sustenta a operação de IA. MLOps deixa de ser preocupação só de times de dados e passa a ter impacto financeiro direto. Cada retraining, cada rota de inferência, cada modelo em produção consome recursos que precisam ser rastreados como qualquer outro custo de nuvem. Do lado dos dados, arquiteturas de Data Mesh trazem o mesmo dilema em outra escala: cada domínio passa a gerar, consumir e pagar por dados de forma independente, o que exige visibilidade de custo tão granular quanto a de um pipeline de agentes de IA.
GenAI não deve ser analisada apenas como uma nova linha de despesa tecnológica, mas passa a exigir uma aproximação cada vez maior entre tecnologia, finanças e negócio.
Capacitação em IA: por que preparar pessoas será tão importante quanto investir em tecnologia?
À medida que a GenAI avança, preparar profissionais para utilizar, supervisionar e extrair valor da IA se torna o gargalo da transformação digital. Com o tema “Agentes Inteligentes, Liderança Humana” o Febraban Tech 2026, realizado na última semana, em São Paulo, reuniu executivos dos principais bancos do país e especialistas em tecnologia, e um dos principais pontos do debate foi justamente a capacitação dos profissionais.
O que os números da Febraban Tech mostram?
A Pesquisa Febraban de Tecnologia Bancária 2026 apontou que os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia em 2026. Desse total, cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões, alta de 30%.
Paralelamente, os investimentos em treinamento e capacitação profissional especificamente em IA e IA Generativa devem chegar a R$ 29,4 milhões, crescimento de 31%.
Os números mostram que infraestrutura tecnológica e capacidade humana começam a avançar na mesma direção. Investir em modelos, dados e cloud amplia a capacidade tecnológica; investir em capacitação é fundamental para que essa capacidade seja poderá ser incorporada aos processos e transformada em resultado.
“IA para mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3 ao Portal Febraban.
O que é capacitação em IA?
Capacitação em IA é o desenvolvimento das competências necessárias para que profissionais utilizem, supervisionem e avaliem sistemas de Inteligência Artificial de forma produtiva, segura e alinhada aos objetivos do negócio. Ela envolve fluência tecnológica, conhecimento do negócio, governança, segurança e capacidade de mensurar resultados.
IA ganhou orçamento, pessoas precisam ganhar capacidade
Os debates do Febraban Tech ajudam a mostrar que a transformação não acontece em camadas independentes. Agentes organizam e executam o trabalho, dados e cloud fornecem contexto e capacidade computacional, governança estabelece os limites da execução e as pessoas sustentam responsabilidade, conhecimento e segurança.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para capacitação como investimento na capacidade operacional da organização.
A adoção da IA e GenAI nas instituições financeiras já está em andamento. A capacitação é que está correndo atrás. Até agora, os benefícios obtidos com IA ainda estão concentrados principalmente em ganhos de produtividade e automação, enquanto aplicações que envolvem decisões mais sofisticadas e julgamento ampliado permanecem distantes do valor estratégico que a tecnologia promete.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para a capacitação como investimento na capacidade operacional da organização, e não apenas como item de treinamento corporativo.
A Pesquisa FEBRABAN mostra que 70% dos bancos já possuem ou estão desenvolvendo estratégias de requalificação profissional. No último ano, 226,1 mil profissionais do setor bancário receberam treinamento em tecnologia, com investimento total de R$ 100,4 milhões. Ao mesmo tempo, 42% das instituições pesquisadas pretendem ampliar suas equipes de TI, com crescimento médio previsto de 22%.
As competências estão mudando mais rápido
Uma empresa pode desenvolver agentes e descobrir que seus processos não estão preparados para delegar decisões. Também pode automatizar atividades sem estabelecer claramente quem supervisiona as respostas.
Nesse cenário, tecnologia sem capacidade operacional pode se transformar em backlog caro, ferramentas subutilizadas e experimentos que nunca chegam à escala.
O fenômeno não está restrito ao setor financeiro brasileiro. O Global AI Jobs Barometer 2025, da PwC, analisou quase um bilhão de anúncios de emprego em seis continentes e identificou que as competências procuradas pelos empregadores estavam mudando 66% mais rapidamente nas ocupações mais expostas à IA.
“A relação tradicional entre experiência e especialização está mudando. A IA está eliminando parte do trabalho rotineiro que antes funcionava como uma etapa de aprendizado e formação profissional, ao mesmo tempo em que aumenta, desde o início da carreira, a demanda por capacidade de julgamento, liderança e adaptabilidade. As organizações precisam repensar como desenvolvem seus talentos se quiserem que as pessoas prosperem nesse novo ambiente.”
Pete Brown, líder global de Workforce da PwC
Requalificação não pode ser apenas treinamento em ferramentas
Uma estratégia consistente de requalificação deveria combinar pelo menos quatro dimensões.
Fluência em IA: compreender possibilidades, limitações e funcionamento básico da tecnologia.
Conhecimento do negócio: identificar problemas nos quais a IA efetivamente pode gerar valor.
Governança: entender segurança, privacidade, responsabilidade, qualidade de dados e limites para decisões automatizadas.
Mensuração: conseguir relacionar utilização da IA a produtividade, eficiência, receita, redução de risco ou melhoria da experiência do cliente.
Produtividade X ROI de IA
Um estudo da PwC mostrou que os setores mais expostos à IA apresentaram crescimento de receita por empregado três vezes superior ao registrado pelos setores menos expostos. A produtividade também avançou de forma significativamente mais rápida nos setores com maior exposição à tecnologia.
Esses resultados sugerem que quando tecnologia, processos e competências conseguem trabalhar juntos, existe potencial para ampliar a capacidade produtiva das pessoas. Mas há uma variável que cresce junto com a autonomia dos agentes: quanto mais eles decidem sozinhos, mais importante se torna saber quem pode decidir, quem deve validar e quem responde pela decisão.
É por isso que a discussão sobre ROI da IA não pode parar na régua de produtividade. Ela precisa incluir capital humano e precisa incluir governança. Um agente que executa mais rápido sem um dono claro, sem trilha de decisão auditável e sem inventário do que está rodando não é eficiência, é risco represado.
Governar escala exige especialização
O que vemos no setor financeiro é apenas um recorte da realidade das empresas que estão operando com IA. Treinar 226 mil profissionais é um esforço contínuo, e enquanto a capacitação interna avança, os agentes já estão em produção, tomando decisões que precisam ter responsáveis claramente definidos e estar devidamente inventariadas. É aí que entra a diferença entre construir capacidade do zero e contratar quem já resolveu esse problema em escala.
Esse cenário coloca um desafio adicional para as organizações: não basta colocar agentes em produção, é preciso criar uma estrutura capaz de acompanhar sua evolução, estabelecer responsabilidades e garantir que seu uso esteja alinhado aos objetivos do negócio. Construir essa capacidade internamente exige tempo, conhecimento especializado e processos de governança que acompanhem a velocidade da tecnologia.
É justamente nesse ponto que contar com uma expertise especializada pode acelerar a jornada. Em vez de começar do zero, as empresas podem recorrer a parceiros que já possuem experiência na estruturação de ambientes de dados, IA e governança, reduzindo o tempo entre a adoção da tecnologia e a geração de valor em escala.
A Jump é uma consultoria especializada em tecnologia, dados e IA. Extraímos o máximo potencial dos dados com metodologia única, agilidade e eficiência comprovada. Enquanto o RH constrói fluência ao longo dos próximos ciclos de treinamento, a Jump pode cuidar da governança de IA da sua empresa. Veja um pouco mais da cobertura do Febraban Tech 2026 e algumas entrevistas com parceiros e clientes da Jump.
Um guia de decisão para CTOs e CFOs resolverem custos multicloud e governança de IA
A inteligência artificial está avançando dentro das empresas em uma velocidade que dificulta acompanhar cada novo modelo, ferramenta e aplicação por meio de processos manuais. O problema começa quando essa expansão acontece sem uma visão consolidada do que está sendo utilizado, quanto custa, quem é responsável e quais riscos estão envolvidos. Olhar para o problema e mapear a melhor solução para a empresa no momento está sendo o principal desafio dos CTOs e CFOs.
O Gartner estima o gasto empresarial global com inteligência artificial em US$ 2,59 trilhões em 2026, e uma parcela desse volume é consumida por recursos ociosos, projetos que continuam ativos depois da prova de conceito e workloads de agentes que utilizam tokens sem critérios claros de parada.
O OPT-3 e o Radar AI são produtos da Jump que atuam sobre dimensões diferentes de um mesmo desafio. O OPT-3 trata da dimensão financeira, oferecendo visibilidade sobre o consumo de cloud e plataformas de dados como Databricks, com atribuição por time, projeto e caso de uso, além de recomendações de otimização.
Enquanto o Radar AI atua sobre a dimensão de risco, a plataforma permite identificar ferramentas de IA em uso, classificar situações de Shadow AI, acompanhar a maturidade da governança e monitorar comportamentos anômalos que podem indicar um problema antes que ele se transforme em incidente.
FinOps multicloud: OPT-3 x CloudZero x Vantage x Flexera
O mercado de FinOps cresceu de menos de cinco plataformas há uma década para mais de cem atualmente. Isso significa cem variações do mesmo recorte: visibilidade de custo por engenharia, ou visibilidade de custo por finanças. Raramente as duas coisas ao mesmo tempo, e quase nunca com um caminho estruturado de maturidade entre elas.
A CloudZero ilustra bem a primeira hipótese. Desde que se reposicionou como especialista em ROI de IA, a plataforma aprofundou a atribuição de custo por modelo de LLM e por unidade de negócio, cliente, feature, ambiente. É um avanço real mas a operação depende de ferramentas de BI externas, o que mantém a decisão de custo dentro do time de engenharia. Para o CFO que precisa de um número confiável sem depender de tradução técnica, esse modelo não adianta muito.
A Vantage resolve a fricção de adoção, interface simples, integração rápida só que ao custo de profundidade. O próprio mercado reconhece que alocação sofisticada e unit economics ficam fora do escopo da plataforma. Ela mostra o problema, mas não aponta o que fazer com ele.
A Flexera cobre a ponta que falta às duas anteriores: showback e chargeback auditável, pensado para times financeiros. O preço dessa robustez é a velocidade, implementações mais longas, herança de ferramentas de IT asset management, menos DNA multicloud nativo.
O diferencial do OPT-3
Nenhuma das três principais concorrentes do mercado entrega as três coisas ao mesmo tempo: visibilidade técnica, controle financeiro e um caminho para a organização percorrer em etapas. Esta é exatamente a proposta do framework Crawl/Walk/Run do OPT-3. Com isso, ROI deixa de ser estimativa e vira equação: gasto × percentual de desperdício × percentual de recuperação, um número que CTO e CFO conseguem validar juntos, na mesma reunião.
Governança de IA: Radar AI x Indicium x Dataside
A segunda decisão é menos discutida, mas igualmente cara: como saber, com evidência auditável, quais sistemas de IA operam dentro da empresa, quem é o dono de cada um, qual o nível de risco e se estão em conformidade com EU AI Act, ISO 42001, NIST AI RMF e LGPD ao mesmo tempo.
A resposta histórica do mercado é consultoria. A Indicium, agora unificada como Indicium AI após a fusão com a britânica Mesh-AI, é o exemplo mais forte disso com atuação de ponta a ponta em transformação por IA. A Dataside ocupa um espaço complementar no mercado brasileiro: portfólio amplo em analytics e governança, certificações Microsoft e ISO, modelo de alocação de time sob demanda.
A dinâmica do ShadowAI
O ponto de atenção é o formato de consultoria que mapeia o cenário de IA da empresa como projeto, um retrato do momento, entregue em semanas ou meses, que já começa a ficar desatualizado assim que um novo time sobe uma ferramenta sem passar pelo radar de ninguém. Shadow AI não é um risco que se resolve uma vez; é um risco que se recria toda semana.
O Radar AI ataca esse problema como produto vivo, não como fotografia de projeto. Ele detecta o uso não autorizado de IA, mantém um inventário centralizado, com responsável, nível de risco e status de conformidade de cada sistema, e permite consultar tudo isso em linguagem natural, sem depender de um relatório estático.
O critério que a maioria ignora: governança de agentes
Nenhum dos concorrentes citados, nem os de FinOps, nem os de governança de IA, constrói o discurso em torno de governança de agentes autônomos como eixo central de decisão. É um ponto cego relevante, porque as duas frentes (custo de cloud e uso de IA) convergem exatamente para o mesmo lugar: quanto mais IA autônoma opera dentro da empresa, mais crítico é ter uma camada que audite essas decisões continuamente, e não apenas em auditorias pontuais.
Você sabe quanto custa uma IA sem controle? | LinkedIn
Checklist antes de assinar um contrato
Antes de escolher entre plataforma e consultoria em FinOps ou em dados vale confrontar cada opção com quatro perguntas simples:
O modelo é contínuo ou por projeto? Um mapeamento ou relatório envelhece no dia em que é entregue, já uma plataforma acompanha a operação em tempo real.
Quem fica dono do conhecimento gerado? Se a resposta é “o fornecedor”, o próximo ciclo de decisão volta a depender externamente.
A maturidade organizacional tem um caminho claro, ou só um dashboard? Visibilidade sem framework de evolução é fotografia, não plano.
Existe camada de governança sobre as decisões automatizadas, com auditoria contínua e não pontual? Se a resposta é não, o problema de amanhã já está sendo criado hoje.
Essas quatro perguntas não eliminam a necessidade de avaliar preço, integração e suporte. Mas evitam o erro mais comum nessa decisão: comparar ferramentas pela lista de features, quando a escolha real é entre dois modelos de relação, o que entrega um retrato, e o que fica instalado para agir.
Jump marca presença no SP2B
Para Rafael Capua, COO e sócio fundador da Jump, empresas estão aumentando a capacidade de produção com inteligência artificial sem necessariamente preparar processos, infraestrutura e estruturas de decisão para acompanhar esse novo ritmo
A inteligência artificial está aumentando a velocidade com que as empresas desenvolvem, analisam, automatizam e entregam. Para Rafael Yashiki Capua, COO e sócio fundador da Jump, existe um problema que começa a aparecer justamente onde a tecnologia mais avançou: a estrutura das empresas nem sempre consegue acompanhar a velocidade criada pela IA.
“A quantidade de deliverables que a gente começou a fazer com IA é impressionantemente maior. Só que o gargalo, por incrível que pareça, passa a ser a liderança no final”, afirma Capua.
A provocação foi feita durante o painel Smart Growth, no SP2B, São Paulo Beyond Business, realizado no Parque Ibirapuera. Ao lado de Thiago Aor, sócio e CFO da Cora, e com mediação de Rafa Cappai, CEO da Espaçonave, o executivo discutiu os desafios de crescer com eficiência em um cenário no qual a tecnologia está mudando a velocidade das operações.
Segundo Rafel, a discussão sobre inteligência artificial precisa começar antes da escolha da ferramenta. “Muita gente chega no cliente e já tem na cabeça que precisa de IA. Essa nunca deve ser a primeira pergunta. A gente acredita que a primeira pergunta tem que estar relacionada ao processo, às pessoas, a quem está envolvido, para aí sim usar a tecnologia e a IA como meio”, afirma.
A mudança de perspectiva é relevante para empresas que estão incorporando IA em diferentes áreas ao mesmo tempo. Quando a capacidade de produção aumenta, processos de aprovação, infraestrutura, custos, dados e estruturas de governança passam a ser pressionados por uma velocidade que não existia anteriormente.
O problema não termina na IA
A experiência da Jump em projetos de transformação tecnológica mostra como esse descompasso aparece em diferentes pontos da operação. Na modernização de sistemas, por exemplo, empresas continuam convivendo com códigos legados que dificultam a evolução tecnológica. Para enfrentar esse problema, a Jump desenvolveu o MigrateMind, plataforma que utiliza IA generativa para avaliar, converter e validar códigos em projetos de migração.
A solução atua em projetos como a migração de SAS para Databricks, com conversão de scripts SAS para PySpark e SQL, automação de pipelines e validação paralela. A proposta é reduzir o tempo e o custo de uma etapa que pode se tornar um dos principais obstáculos para empresas que precisam modernizar seus ambientes.
Na infraestrutura, o crescimento da utilização de IA também traz uma discussão financeira. A demanda por processamento, GPUs, APIs, tokens, armazenamento e transferência de dados aumenta a complexidade da conta de cloud.
Dados da Flexera citados pela Jump apontam que 29% dos gastos com cloud são desperdiçados. Nesse cenário, a empresa também desenvolveu o OPT 3, plataforma de FinOps que monitora e otimiza custos em ambientes como AWS, Azure, GCP e Databricks. Em um caso documentado pela Jump, a solução conseguiu reduzir em 61% o custo de cloud de um cliente. Os exemplos apontam para uma mesma questão: a velocidade proporcionada pela tecnologia precisa encontrar uma estrutura capaz de sustentá-la.
De onde vem o novo gargalo
A inteligência artificial também altera a distribuição do trabalho dentro das organizações. Se um time passa a produzir mais entregas em menos tempo, a liderança recebe um volume maior de decisões para revisar, aprovar e contextualizar. O efeito pode ser uma inversão do gargalo: a limitação deixa de estar necessariamente na execução e passa a aparecer na capacidade de decisão. É uma mudança que exige revisão dos processos internos e a empresa precisa definir onde a IA pode atuar de forma autônoma, quais decisões continuam dependendo de pessoas e como a liderança consegue acompanhar o volume de trabalho produzido pelos novos sistemas.
A discussão também se conecta à governança, afinal à medida que a IA deixa os projetos experimentais e passa a fazer parte da operação, políticas de uso, rastreabilidade, monitoramento e responsabilidade sobre decisões produzidas por sistemas de IA passam a fazer parte da estrutura necessária para sustentar essa expansão.
A Jump possui certificação ISO 42001 e vem trabalhando o tema de governança de inteligência artificial em seus projetos e conteúdos, acompanhando uma mudança no mercado em que a discussão deixa de ser apenas sobre adoção e passa a envolver controle, responsabilidade e gestão dos sistemas colocados em produção.
Crescer não é apenas acelerar
A provocação de Capua parte de uma experiência prática da própria Jump. A empresa cresceu de dois para seiscentos colaboradores sem nunca captar rodada externa e desenvolveu uma cultura de produtos baseada em testes rápidos de hipóteses.
Segundo o executivo, cada nova solução é tratada como uma micro startup, com tese, prazo e critérios de validação definidos. Com um time de produtos de cerca de quinze pessoas, a Jump consegue ter uma tese pronta para ser testada com o cliente em até vinte dias.
O modelo também está por trás do desenvolvimento de soluções como o OPT 3 e o MigrateMind. A ideia é identificar uma dor concreta, testar uma hipótese com o cliente e transformar a resposta em produto.
A discussão levada ao SP2B, portanto, não é apenas sobre inteligência artificial. É sobre o que acontece com uma empresa quando sua capacidade de execução aumenta em uma velocidade que seus processos, sistemas, custos e estruturas de decisão não conseguem acompanhar. Para Capua, essa é uma das questões que devem dominar a próxima fase da transformação tecnológica: descobrir como transformar o ganho de velocidade proporcionado pela IA em crescimento sustentável, sem criar novos gargalos no caminho.
Rafael Yashiki Capua está disponível para entrevistas sobre inteligência artificial, crescimento empresarial, FinOps, modernização de sistemas, produtos de tecnologia, governança de IA e os impactos da aceleração tecnológica nas estruturas de decisão das empresas.
Sobre a Jump
A Jump é uma empresa de tecnologia especializada em transformação digital, dados, cloud, inteligência artificial e modernização de sistemas. A companhia atua no desenvolvimento de soluções próprias e em projetos de transformação tecnológica para empresas, combinando tecnologia, estratégia e execução.
Por que Databricks precisa de um olhar próprio no FinOps?
A Databricks se consolidou como uma das plataformas de dados mais adotadas do mercado, mas o modelo de cobrança que a tornou popular não foi desenhado para a volatilidade das cargas de IA generativa e agêntica. O resultado é previsível: CFOs e CTOs veem a fatura crescer mais rápido do que conseguem explicar, e é exatamente aí que o FinOps precisa evoluir.
Pipelines executados continuamente, modelos de machine learning, agentes de IA, aplicações RAG, SQL Warehouses, processamento distribuído, clusters elásticos e GPUs criam um padrão de consumo. O custo já não depende apenas da quantidade de recursos provisionados, mas da forma como dados e algoritmos são utilizados para gerar valor ao negócio.
O ponto cego da fatura em DBU
A cobrança da Databricks funciona por DBU (Databricks Unit), e isso gera duas faturas separadas: uma da própria plataforma, outra do provedor de nuvem que sustenta o processamento. Sem uma camada que unifique essas duas fontes, a reconciliação vira trabalho manual, e não escala quando workloads de treinamento e inferência de IA multiplicam a frequência e o volume dos jobs.
Não por acaso, a própria Databricks tem ampliado seus investimentos em recursos voltados à observabilidade de custos, otimização e governança financeira dos workloads. O tema ganhou espaço de destaque no Data + AI Summit 2026, reforçando que eficiência financeira passou a ser parte da estratégia de dados, e não apenas uma atividade operacional.
Do ponto de vista de negócio, a Databricks exige uma estratégia de FinOps porque um ambiente que cresce sem governança se transforma em aumento de custo sem geração proporcional de valor. No longo prazo, isso impacta previsibilidade financeira, margem e até a capacidade do cliente de expandir novos casos de uso.
Quando dashboards deixam de ser suficientes
As ferramentas nativas das plataformas cloud e da própria Databricks oferecem excelente visibilidade operacional. Elas mostram consumo, utilização de recursos e métricas importantes para o dia a dia das equipes técnicas. Mas organizações com múltiplas áreas de negócio normalmente precisam responder questões mais amplas.
Grupo Mateus e o caso de sucesso de FinOps
Segundo Luan Freitas, cliente e parceiro da Databricks, com um caso de sucesso de FinOps no Grupo Mateus, seguir as recomendações da documentação da plataforma para estruturar modelos e processamentos voltados ao mapeamento de custos gerou resultados expressivos de economia. “Na maioria das vezes é trabalhar em cima das otimizações. A gente seguiu os conceitos da própria ferramenta para ter como mensurar e saber onde atacar.”, afirmou.
“Algumas empresas querem avançar logo, sem construir uma base bem estruturada e acabam tendo um custo três, quatro vezes maior do que se tivessem estruturado antes. A gente já preparou a estrutura para que cada setor assuma os custos dos seus dados”, concluiu Luan.
Atribuição de custo: o desafio que a IA torna urgente
Distribuir os gastos Databricks entre unidades de negócio, produtos ou squads exige tagging consistente de clusters e jobs. Depois, essas informações precisam ser correlacionadas manualmente entre os logs de billing da plataforma e as faturas de nuvem. Esse processo já era trabalhoso no mundo pré-IA. Com pipelines de treinamento, fine-tuning e agentes autônomos rodando em paralelo, a ausência dessa disciplina deixa de ser um incômodo operacional e passa a ser um risco de governança financeira.
Iniciativas recentes da plataforma buscam unificar dados operacionais e financeiros para oferecer visibilidade de custos em tempo real tanto para times de engenharia quanto para FinOps. Ainda assim, essas iniciativas deixam a empresa dependente do ecossistema da própria Databricks para enxergar o problema.
OPT-3: Conectando dados de cloud à inteligência financeira
O desafio real de FinOps na era da IA é operar em ambientes multicloud . Foi para esse cenário que o OPT-3 foi desenvolvido. Em vez de depender de avaliação manual entre faturas Databricks e da nuvem, o OPT-3 correlaciona essas fontes de forma automática.
A ferramenta traz visibilidade total dos custos de AWS, Azure, GCP, Databricks e Snowflake em uma única plataforma com visão integrada e interativa. O objetivo é identificar desperdícios, recursos ociosos e oportunidades de saving com recomendações priorizadas além de gerar alertas e governança com dados atualizados na frequência certa para o negócio.
A fatura do Databricks vai subir
Para organizações que rodam Databricks como peça central da stack de dados e IA, isso significa previsibilidade financeira em tempo real. A fatura da Databricks vai continuar subindo com a adoção de IA e as empresas precisam ter visibilidade dos gastos para avaliar se esse crescimento está gerando valor proporcional para o negócio.
O código migrou, seus dados chegaram certos?
Empresas brasileiras com décadas de operação em SAS e Alteryx estão migrando para o Databricks agora. A pressão vem de três lados ao mesmo tempo: custos de licenciamento que crescem enquanto a base de usuários SAS encolhe, uma geração de programadores que envelhece sem reposição no mercado e a urgência de conectar ambientes analíticos às plataformas de IA que o ecossistema legado simplesmente não alcança. O que a maioria descobre no meio do caminho é que migrar código é a parte mais fácil,. o problema está em garantir que os resultados do sistema novo sejam os mesmos do sistema antigo, registro a registro, antes de desligar o legado. A Jump desenvolveu o MigrateMind com essa premissa como centro: migração não é tradução, é comprovação.
Uma migração de infraestrutura tem critério de sucesso claro: o sistema novo faz o que o antigo fazia, só que mais rápido e mais barato. Uma migração de código analítico tem um critério muito mais difícil de verificar: a lógica que transformava dados brutos em resultados de negócio chegou intacta do outro lado.
O mercado de migração de dados está projetado para crescer de USD 10,55 bilhões em 2025 para USD 30,70 bilhões até 2034, reflexo direto da corrida para modernizar ambientes legados. O problema é que 83% dos projetos de migração falham, estouram o orçamento ou causam disrupção relevante nos negócios. A causa disso é a ausência de um processo que comprove, com evidência objetiva, que o sistema novo produz os mesmos resultados do original.
A falha mais perigosa nesse processo não quebra a execução: o código roda, não aparece nenhum erro, e o resultado entra em produção divergindo silenciosamente da fonte da verdade. Um cálculo de risco que retorna um número ligeiramente diferente do original dispara uma decisão errada.
De SAS para Databricks
O código SAS em grandes organizações foi construído ao longo de anos, por times diferentes, com convenções diferentes, resolvendo problemas que às vezes já não existem, mas seus efeitos ainda percorrem os pipelines. Macros chamam outras macros, datasets intermediários alimentam processos que ninguém documentou formalmente, e aí a lógica de uma solicitação escrita em 2011 pode depender de um comportamento implícito do SAS que o Spark simplesmente não replica.
SAS, Spark e Snowflake discordam sobre como tratar nulos, ordenação de registros, precisão numérica e cálculo de datas. O mesmo código pode produzir resultados diferentes nas duas plataformas sem que nenhum compilador reclame. Ferramentas de conversão automatizada avançaram muito nesse campo: plataformas especializadas migram 100 mil linhas em dez minutos, e aceleradores com IA generativa reduzem o tempo total de migração em até 80%. Esses ganhos são reais, mas não resolvem a divergência que só é detectada quando alguém compara os resultados lado a lado.
O que o MigrateMind faz de diferente
O MigrateMind é um produto da Jump, construído a partir de projetos reais de migração conduzidos pela empresa. A diferença em relação a conversores convencionais começa no que o produto se propõe a fazer: não apenas traduzir código, mas governar a migração inteira em seis etapas encadeadas: análise, conversão, execução, reparo, validação e auditoria, sem que nenhuma unidade avance sem comprovação da anterior.
Em vez de ser simulado simulado, o código convertido roda na plataforma de destino, com resultados reais. Quando erros ocorrem, um agente de reparo recebe o erro como entrada estruturada, gera uma versão corrigida e a reexecuta. Quando as tentativas param de evoluir, um disjuntor encerra o loop e encaminha a unidade para revisão humana, com registro completo de cada tentativa.
A validação compara métricas objetivas entre origem e destino: contagem de linhas, agregações, schema e equivalência valor a valor. Se o delta estiver fora da tolerância definida, a unidade não é certificada. A auditoria produz evidência técnica e executiva de cada decisão e resultado, rastreável e disponível para inspeção interna ou regulatória.
O produto cobre as rotas mais demandadas no mercado brasileiro: SAS 9.4 para Databricks, SAS para Teradata, SAS para Snowflake, Databricks para Snowflake, Snowflake para Databricks e Alteryx para Databricks. O conhecimento acumulado em projetos anteriores, conversões certificadas, mapeamentos validados e padrões recorrentes, alimenta os agentes de forma governada, tornando cada nova migração mais eficiente que a anterior.
Para quem quer avaliar antes de decidir, a Jump oferece dez dias de teste gratuito e prova de conceito no código real, sem lock-in e com os dados permanecendo sob custódia do cliente.
A pergunta que toda organização precisa responder antes de desligar o sistema legado não é se o código novo roda: é se o código novo comprova que chega ao mesmo resultado. Migração com comprovação é entrega.
Acesse migratemind.jump.tec.br para solicitar uma demonstração ou iniciar o teste gratuito.
Referências
MigrateMind / Jump. Migração não é tradução. Migração é comprovação, 2026.
Enlightlab. Data Migration Challenges: Top 8 Risks and Fixing Tips, jun. 2026.
Hakunamatatatech. Data Migration Risks Explained: Expert Guide, jul. 2026.
Advancing Analytics. The Challenge of Migrating Away From SAS, mai. 2026.
Databricks. Introducing Databricks GenAI Partner Accelerators for Data Engineering & Migration.
LeapLogic. SAS to Databricks Modernization, fev. 2026
O que é IA generativa: guia sem jargão para quem decide orçamento de IA
IA generativa, ou “Gen AI”, é um tipo de inteligência artificial que aprende padrões a partir de grandes volumes de dados, sejam eles, textos, imagens, códigos e áudios, e usa esse aprendizado para criar conteúdo novo. Ela responde a comandos (“prompts”) mas não toma decisões autônomas. Por isso, depende de intervenção humana para revisar e aplicar o que produziu.
Já a IA agêntica, ou “agentic AI”, observa um ambiente, toma decisões e realiza tarefas completas com pouca ou nenhuma intervenção humana, como abrir um chamado, ajustar um processo ou coordenar outros sistemas. Ela geralmente usa IA generativa como base para se comunicar e raciocinar, mas vai além: ela age. Essa autonomia representa, ao mesmo tempo, a promessa e o risco de reduzir a participação humana do processo de decisão. Talvez por isso, “agentic AI” se tornou um dos termos mais buscados por executivos de tecnologia em 2026.
Um projeto de IA generativa tem risco e custo muito menores do que um projeto de IA agêntica. Segundo projeções do Gartner divulgadas em 2026, o investimento mundial em modelos e plataformas de IA deve crescer cerca de 63% em relação a 2025, impulsionado principalmente por gastos com modelos de IA generativa.
Uma pesquisa do Gartner com mais de 200 líderes financeiros, realizada em março de 2026, mostrou que quase metade dos investimentos em IA feitos por CFOs está concentrada em ganhos de produtividade, enquanto apenas uma pequena parte está voltada para a qualidade das decisões de negócio. O estudo conclui que o desafio dos CFOs deixou de ser apenas implantar IA e passou a ser gerar valor estratégico com ela.
Ferramentas como Claude AI são IA generativa ou Agentic AI?
Assistentes como Claude, ChatGPT, Gemini e Copilot funcionam como soluções de IA generativa quando recebem um comando e geram texto, código ou análises. No entanto, também podem dar suporte a funcionalidades agênticas quando são conectados a ferramentas e autorizados a executar tarefas de forma autônoma. Antes de orçar um projeto com essas ferramentas, vale confirmar em qual dos dois modos ela vai operar na sua empresa porque o nível de governança muda bastante entre um caso e outro.
Como decidir se a sua empresa precisa de IA agêntica ou de IA generativa?
A decisão começa pelo objetivo estratégico do projeto. Se a ideia é acelerar tarefas que uma pessoa ainda vai revisar, a IA generativa resolve com menor complexidade e menor risco. Mas, se o objetivo for automatizar um processo de ponta a ponta sem intervenção humana constante, será um projeto de IA agêntica que deve considerar mais governança, mais testes e, normalmente, mais orçamento.
O que separa um bom projeto de IA de um projeto que vira custo permanente?
Um bom projeto de IA deve ter visibilidade de ponta a ponta, de onde o dado vem, quanto custa cada unidade de uso e quem é o responsável pela decisão de continuar ou parar. Além disso, é preciso levar em conta que o gasto com IA generativa não termina na implantação, ele continua todo mês, proporcional ao uso e, sem controle, esse custo cresce de forma silenciosa e imprevisível.
Como reduzir o risco antes de assinar um contrato de IA?
O ideal é começar com um projeto piloto de escopo limitado, com metas de retorno claras e um responsável direto pelo acompanhamento de custo e qualidade dos dados. Isso permite validar o valor real antes de escalar o investimento para toda a organização.
Como estimar o custo real de um projeto de IA generativa?
Considere quatro pontos importantes: a licença ou o consumo da ferramenta em si, o tempo da equipe para revisar e ajustar o que a IA produz, o investimento em qualidade e governança dos dados usados e o monitoramento contínuo de custo (FinOps de IA).
Por que tantos projetos de IA são cancelados antes de gerar retorno?
Na maioria dos casos, a causa não é a tecnologia em si, mas a falta de governança sobre dados, papéis e custo desde o início do projeto, o que torna difícil provar valor e sustentar o investimento diante da diretoria.
O que é FinOps de IA (AI FinOps)?
É a evolução da disciplina tradicional de FinOps para o gerenciamento do desempenho e do valor de soluções de inteligência artificial. Enquanto o FinOps clássico se concentra na otimização dos gastos com infraestrutura em nuvem, o FinOps de IA amplia esse escopo para incluir modelos de IA, GPUs, inferência, armazenamento de dados, agentes de IA e serviços de modelos de linguagem.
O consumo de IA generativa varia com o uso real, e sem uma prática de FinOps de IA acompanhando de perto, o valor projetado pode não ser compatível com o que aparece na fatura meses depois.
Por que escolher empresas que tenham ISO/IEC 42001 para projetos de IA?
A ISO/IEC 42001 é a primeira norma internacional que certifica especificamente sistemas de gestão de IA, assim, priorizar fornecedores que tenham essa certificação garante projetos estruturados com um sistema de gestão auditável. Em mercados como UE (AI Act) e no Brasil (PL 2338 em tramitação), ter fornecedores certificados reduz o risco de retrabalho regulatório futuro.
