7 vazamentos que fazem seu BI custar mais do que deveria

Romildo Burguez • November 4, 2025

This is a subtitle for your new post

Você já teve a sensação de que o BI está ficando caro demais para o retorno que oferece, mas, quando olha o relatório financeiro, não encontra onde está o problema? Em empresas não-nativas digitais — com operações sensíveis, sistemas legados, integrações frágeis e prazos curtos — isso é mais comum do que parece.


O custo real do BI não aparece em uma única linha: ele se fragmenta em pequenas perdas recorrentes, difíceis de enxergar no dia a dia.


Nesse post, vamos mapear os 7 vazamentos que mais drenam orçamento sem entregar valor proporcional, em linguagem simples, com exemplos práticos e correções de baixo atrito que cabem em equipes de TI enxutas.


Continue a leitura para saber mais!


O cenário que esconde o custo real


Quem trabalha em ambiente crítico sabe: o dia não tem folga para experimentos que podem derrubar um fechamento, um SLA ou um atendimento. O BI precisa “apenas funcionar”, mas essa exigência cria decisões que parecem seguras no curto prazo e caras no acumulado: cópias de modelos “só para não quebrar”, agendamentos fora de hora “para garantir”, licenças distribuídas “por via das dúvidas”. Somadas, essas escolhas viram gasto invisível. Invisível, mas perfeitamente mensurável.


Se trouxermos tudo para R$/mês, fica muito mais simples conversar com o board. Em vez de debater se a consulta está “pesada” ou a tabela tem “cardinalidade alta”, a conversa volta ao essencial: quanto custa manter esse desenho do jeito que está, e quanto a empresa economiza com uma correção mínima viável.


Vamos aos sete vazamentos que mais vemos em empresas consolidadas.


Vazamento de tráfego: quando os dados viajam mais do que deveriam


O que é: Dados saem de um lugar e são consumidos em outro, muitas vezes em regiões diferentes da nuvem ou atravessando redes desnecessárias. É como mandar um motoboy buscar um envelope em outra cidade todos os dias.


Por que encarece: Toda transferência para fora da região (ou da nuvem) custa. Um relatório acessado por centenas de pessoas pode multiplicar essa saída.


Sinais de alerta: picos de custo de “saída de dados” na fatura; relatórios que ficam lentos em certos horários; integrações que dependem de um “gateway” mal posicionado.


Como fechar a torneira sem risco: traga o processamento para a mesma região das fontes mais usadas; confira se o caminho de rede é o mais curto; use cache local quando possível. Nada aqui exige mudança radical — é “aproximar pontas”.


Regra: GB por mês × R$ por GB na fatura = R$ de tráfego/mês. Comece pelos relatórios mais acessados.


Vazamento de reprocesso: quando o “refazer” consome horas e máquina


O que é: Atualizações automáticas que falham, dependências fracas, janelas mal escolhidas, fontes que “caem” durante o refresh. Quando o processo falha, alguém recomeça — gastando tempo de gente e horas de máquina.


Por que encarece: cada falha vira retrabalho. Com times enxutos, um analista corrigindo pipeline é um analista que não está produzindo insights.


Sinais de alerta: histórico de atualizações com falhas frequentes; aumento do tempo médio para “voltar ao normal”; e-mails fora de hora pedindo para “rodar de novo”.


Como solucionar: ajustar a janela de atualização para horários estáveis; priorizar atualizações incrementais (só o que mudou); criar alertas que avisem antes da queda generalizada; checar dependências críticas. São mudanças pequenas, reversíveis, e com impacto imediato.


Regra: falhas por semana × (custo/hora do time + custo de máquina/h) × duração média = R$ de reprocesso/mês.


Vazamento de duplicidade: muitas versões da mesma verdade


O que é: O mesmo assunto vira dois, três, quatro modelos diferentes, em áreas diferentes, com pequenas variações. Cada cópia puxa dados, processa, ocupa espaço e confunde a decisão.


Por que encarece: a manutenção dobra; a divergência de números gera reuniões intermináveis; a equipe gasta horas alinhando “qual é o certo”.


Sinais de alerta: relatórios de áreas distintas com números diferentes para a mesma métrica; planilhas paralelas “para garantir”; estoque de modelos parecidos em pastas distintas.


Como solucionar: estabelecer um modelo canônico por tema (vendas, clientes, operações), com um “dono” claro; mudanças pedem “pedido de alteração” e não mais uma nova cópia; reuso de tabelas comuns (como calendários, produtos, filiais). Você reduz processamento e encerra a guerra de versões.


Regra: número de modelos duplicados × horas de manutenção/mês × custo/hora = R$ de duplicidade/mês.


Vazamento de licenças e capacidade: pagar por assentos vazios e máquina ociosa


O que é: Licenças atribuídas a quem não usa; pacotes de processamento sobrando em horários de pico e ociosos no resto do dia; perfis de uso desalinhados ao tipo de licença.


Por que encarece: pagar por lugar vazio é perda direta. E manter “máquina grande” sempre ligada para picos rápidos é como deixar o ar-condicionado no máximo com a janela aberta.


Sinais de alerta: usuários que não acessam relatórios há 30/60/90 dias; gráficos de uso de capacidade com longos períodos abaixo de um terço do limite; contratação “por segurança”, sem revisão.


Como solucionar: adequar os perfis de licença ao comportamento real; reciclar licenças inativas; balancear cargas em horários distintos; considerar “revezamento” entre áreas quando faz sentido. Isso reduz despesa sem reduzir serviço.


Regras:


  • % de licenças inativas × R$ da licença = R$ ociosidade/mês.
  • (capacidade total × % ociosa) × R$ por unidade = R$ ociosidade/mês.


Vazamento de consulta pesada: esperar demais para ver pouco


O que é: Relatórios que demoram a abrir, puxam dados demais ou fazem contas desnecessárias toda hora. Em alguns casos, a consulta busca “o mundo” quando o usuário precisa de um recorte simples.


Por que encarece: cada abertura consome processamento. Quando isso acontece centenas de vezes por dia, vira custo fixo — além da irritação do usuário que aprende a “puxar do Excel” e abandona o BI.


Sinais de alerta: reclamação de lentidão; picos de uso sempre nos mesmos relatórios; tabelas inchadas com colunas raramente usadas.


Como solucionar: resumir dados que não precisam de detalhe diário, guardar só o necessário para a maioria dos casos e deixar o “zoom” para análises pontuais; tirar colunas que pouca gente usa; evitar consultas “ao vivo” quando um “instantâneo” diário resolve. O ganho de custo vem junto com o ganho de satisfação.


Regra: minutos por abertura × aberturas/mês × custo/hora do time = R$ de espera improdutiva/mês (além do custo de máquina).


Vazamento de conteúdo sem dono: o “BI zumbi”


O que é: Pastas, relatórios e painéis que ninguém usa, ninguém atualiza e ninguém sabe de quem são. Eles continuam existindo, consumindo espaço e, às vezes, processamento de atualização.


Por que encarece: cada item zumbi compete por capacidade e confunde o usuário, que passa a não confiar no que vê. Você paga para manter o que não serve.


Sinais de alerta: áreas com dezenas de relatórios de nomes parecidos; acessos quase nulos; donos que já saíram da empresa; compartilhamentos externos esquecidos.


Como solucionar: política simples: todo conteúdo tem dono, e conteúdo sem acesso por X dias vai para arquivamento; pedidos de “desarquivar” viram exceção justificada. Em poucas semanas, o parque encolhe — e o custo também.


Regra: quantidade de itens arquivados × (custo médio de atualização + custo de armazenamento) = R$ economizados/mês.


Vazamento de deploy manual: cada mudança é uma aventura


O que é: Publicações e atualizações feitas “na mão”, sem revisão, sem teste e sem volta fácil. As pessoas esperam o horário de menor uso e torcem para nada quebrar. Quando quebra, a correção é outra maratona manual.


Por que encarece: tempo humano e risco operacional. Em ambiente crítico, o barato sai caro: atrasos, falhas e retrabalho consomem horas e credibilidade.


Sinais de alerta: checklists em planilhas para publicar; histórico de “deu ruim, volta a versão anterior”; conversas de madrugada combinando janela de mudança.


Como solucionar: padronizar um fluxo simples com revisão (alguém além do autor olha), teste básico de dados e caminho de retorno. Não precisa de ferramenta sofisticada para começar; precisa de disciplina e transparência.


Regra: horas por publicação × publicações/mês × taxa de falha × custo/hora = R$ de retrabalho/mês.


Como medir tudo isso em 15 minutos


Se você tem pouco tempo, escolha um domínio (por exemplo, Vendas) e faça um “raio-X rápido” com três fontes que toda empresa possui:


1.    Fatura da nuvem: procure “saída de dados” e identifique as regiões mais caras. Some o que é recorrente.


2.    Relatório de uso do BI: veja quem não acessa nada há 30/60/90 dias e os relatórios mais usados (e mais lentos).


3.    Inventário básico de conteúdo: liste quantos relatórios e modelos existem para o mesmo assunto e quem é o dono.


Com esses três números, você já enxerga tráfego desnecessário, licenças ociosas e duplicidade. Some os valores mensais e você terá o seu custo oculto de partida. A partir daí, priorize as correções que entregam mais redução de R$/mês com menos esforço — é assim que se começa em ambiente crítico.


Um exemplo prático


Imagine um grupo com unidades em estados diferentes. O time centraliza os relatórios em uma região da nuvem porque “sempre foi assim”. Todo dia, dezenas de relatórios puxam dados de outra região. O tráfego de ida e volta soma alguns milhares de reais por mês. Em paralelo, o agendamento de atualização roda perto do horário de corte das filiais, quando as fontes ainda estão mudando — as falhas se acumulam e o time passa o início da manhã “rodando de novo”.


A solução não exigiu troca de tecnologia nem projeto gigante. Bastou aproximar o processamento das fontes mais acessadas, ajustar a janela de atualização para um intervalo estável e desativar relatórios que não tinham acesso há três meses. O efeito foi imediato: menos tráfego pago, menos reprocesso e uma redução visível na fatura do mês seguinte. Nada heroico — apenas fechar vazamentos.


Plano de 30 a 90 dias para ambientes críticos e times pequenos


Nos primeiros 30 dias, faça o básico com impacto alto e risco baixo: revisar a localização do tráfego mais caro, ajustar as janelas de atualização, reciclar licenças evidentemente inativas e arquivar conteúdo sem dono. É a fase “tirar o excesso”.


Dos dias 31 a 60, trate a duplicidade. Defina um modelo canônico por tema, oficialize os donos e use uma porta de entrada para mudanças. Padronize um passo de revisão antes de publicar qualquer coisa. Nada de burocracia pesada; o suficiente para parar de multiplicar versões.


Dos dias 61 a 90, estabilize a operação com rotinas que previnem o retorno dos vazamentos: um encontro quinzenal de 30 minutos para olhar a fatura, o uso e os alertas; uma política simples para novos conteúdos; e um roteiro de publicação com teste rápido de dados e caminho de volta. A cultura muda quando as pessoas veem economia concreta e menos stress.


Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 


Muito além dos Dashboards: Descubra o Futuro do Business Intelligence (BI)


Governança de Dados e BI: Garanta maior Qualidade e Conformidade na sua Empresa


Automatização de Processos com BI: Melhore sua Eficiência e Reduza Custos Operacionais


Conclusão


Muita gente procura o “próximo grande passo” do BI para resolver problemas que, na verdade, estão nas pequenas decisões do dia a dia. Fechar vazamentos não é um trabalho glamouroso, mas é o que mais devolve dinheiro e paz em curto prazo para organizações com operação crítica, sistemas legados e equipes enxutas.


Você não precisa de um mega projeto para começar: escolha um domínio, meça três números, corrija o que for mais fácil e mais caro ao mesmo tempo. Em poucas semanas, a conversa muda.


Esperamos que você tenha gostado do conteúdo desse post! 


Caso você tenha ficado com alguma dúvida, entre em contato conosco, clicando aqui! Nossos especialistas estarão à sua disposição para ajudar a sua empresa a encontrar as melhores soluções do mercado e alcançar grandes resultados!

 

Para saber mais sobre as soluções que a CSP Tech oferece, acesse: www.csptech.com.br.

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.