Atlassian System of Work: como unir metas, trabalho e conhecimento

Romildo Burguez • October 2, 2025

Se você lidera TI ou transformação digital, provavelmente vive um paradoxo: quanto mais ferramentas adiciona, mais caro, lento e confuso tudo fica. Equipes usam apps diferentes para pensar, outros para executar, mais alguns para comunicar — e, no fim, os objetivos do negócio não “conversam” com o que acontece no dia a dia. O Atlassian System of Work nasceu para quebrar esse ciclo: conectar metas, trabalho e conhecimento em um fluxo só, com colaboração assíncrona e inteligência aplicada onde o trabalho acontece. Na prática, o coração são três experiências que trabalham como uma só — Confluence, Jira e Loom — ampliadas por AI (Atlassian Intelligence e Rovo), Analytics & Data Lake e governança/segurança com Atlassian Guard.


A ideia é simples e poderosa: tirar o atrito entre planejar e executar. Você ideia no Confluence (inclusive em whiteboards), transforma um post-it em item do Jira em um clique, atualiza o time em vídeo com Loom sem sair do documento e mede resultados em painéis unificados — tudo sob uma camada de AI e de segurança de classe empresarial. Na prática, isso reduz trocas de contexto, acelera decisões e encurta ciclos. 


Vamos entender como funciona na prática?


O problema que estamos resolvendo 


Empresas que crescem por aquisições, que operam com sistemas legados ou que têm squads espalhados acabam empilhando ferramentas para “tampar buracos”. A cada novo app, a promessa é de mais produtividade. Na vida real, você ganha ilhas de informação, retrabalho, handoffs infinitos e decisões tomadas tarde demais. A resposta não é “mais uma ferramenta”, e sim um sistema de trabalho que costura as peças que já existem e derruba paredes entre pensamento, execução e comunicação. É essa a tese do one-pager executivo da Atlassian: um sistema de trabalho único, de ponta a ponta, que integra tecnologias complementares para transformar colaboração, comunicação e produtividade. 


O fluxo fim a fim, na prática 

Pensar juntos (e já sair com entregáveis) 


No Confluence, a ideação acontece em páginas e nos whiteboards — um quadro visual com stickies, fluxos e formas. Terminou a sessão? Selecione os stickies e crie issues de Jira em um clique. Ninguém precisa “traduzir” anotações depois da reunião; o que foi decidido vira trabalho rastreável instantaneamente. 


Executar com menos trabalho manual 


No Jira, você organiza épicos, histórias, sprints e dependências. O “pulo do gato” está no Jira Automation: gatilhos + condições + ações que eliminam atividades repetitivas (atualizar status, postar comentários, avisar responsáveis, criar sub-tarefas, sincronizar campos etc.). A própria documentação oficial sugere começar por regras simples e evoluir para a biblioteca de templates conforme sua maturidade. 


Comunicar no ritmo do time (sem mais calls do que o necessário) 


Loom está integrado ao Confluence: você grava e incorpora vídeos diretamente na página para dar contexto, explicar decisões e compartilhar feedback assíncrono — perfeito para equipes híbridas e distribuídas. Em diversos casos, dá até para gerar notas de reunião no Confluence automaticamente, mantendo todos alinhados sem mais uma ata manual. 


Medir e aprender (com dados que já existem) 


Com Atlassian Analytics e Atlassian Data Lake, você consulta dados de múltiplos produtos (Jira, Confluence, etc.) em um só lugar e cria dashboards executivos sem planilhas paralelas. Existem templates prontos (service, DevOps, conteúdo), um editor visual SQL e recursos para resumos e insights com AI — úteis para destacar tendências e anomalias de um gráfico em segundos. 


E a camada de inteligência (AI) — o que muda de verdade? 


Atlassian Intelligence adiciona recursos de geração e resumo diretamente no Jira, Confluence e Analytics: sugerir uma atualização, transformar notas bagunçadas em documentação, resumir páginas e issues, gerar SQL e explicar gráficos quando você precisa de uma leitura rápida. É AI no contexto do seu trabalho — não um chatbot genérico. 


Mas a maior virada está no Rovo — agentes de AI que rodam sobre o Teamwork Graph (a representação da sua organização: pessoas, trabalho, metas e conhecimento) para buscar, compor e até executar tarefas, como diagramar um whiteboard, criar um brief ou acompanhar um projeto. Os agentes podem ser chamados no Chat, usados em regras de automação, ou invocados durante a edição no Confluence e no Jira (atalho /ai). É literalmente um colega de time que conhece seu contexto e opera dentro da plataforma. 


Sobre segurança e privacidade de AI: a Atlassian documenta publicamente que os provedores de LLM utilizados não retêm seus dados para treinar serviços e mantém transparência sobre sub-processadores e políticas. Isso ajuda CISOs e Jurídico a avaliarem o risco com base em fatos, não em suposições. 


Metas conectadas ao trabalho (sem planilhas à parte) 


Objetivos não podem morar em um slide esquecido. Com o app Goals, você rastreia metas no nível da organização, conecta trabalho a resultados e mantém a liderança informada por uma prática regular de comunicação. Criar uma meta começa pela Atlassian Home, com dono, acompanhamento e ligação com iniciativas — é o elo que fecha o circuito entre estratégia e execução. 


Governança e segurança: visibilidade e controle sem atrito 


Atlassian Guard centraliza políticas e detecções: descoberta de produtos não sancionados, alertas configuráveis, visão unificada de ações de usuários (ex.: exportações de páginas, logins suspeitos) e camadas para reduzir shadow IT e responder a riscos antes que virem incidentes. Isso vem acoplado ao Trust Center — com documentação de segurança, privacidade, conformidade e resiliência para suportar seu processo de vendor risk. 


Um dia na vida (exemplo realista, de ponta a ponta) 


Imagine que sua empresa vai lançar um novo serviço regulado. Você começa com um whiteboard no Confluence para mapear riscos, requisitos e milestones. No final da sessão, converte os stickies em issues de Jira e liga os épicos às metas da diretoria no Goals. Enquanto squads trabalham, regras de automação cuidam do básico (atualizações, notificações, criação de tarefas de conformidade, sincronização de campos). No meio do sprint, a liderança pede “um resumo em 3 minutos” — você grava um Loom direto da página com o que mudou, impactos e próximos passos. 


Precisa acelerar uma parte complexa? Você chama um Rovo Agent para esboçar um diagrama de arquitetura no whiteboard, revisar dependências e preparar um brief com links de requisitos. Ao final da semana, você abre o Analytics: um dashboard mostra lead time, throughput, riscos, dependências e a tendência dos itens críticos; um clique em Insights gera um resumo automático do gráfico para a diretoria. Resultado: menos reuniões, decisões mais cedo, evidências em uma só tela — e rastreabilidade do objetivo ao ticket. 


Por que isso reduz o número de ferramentas (e não adiciona mais uma camada) 


Porque o System of Work não é mais um app “colado com fita isolante”. Ele parte de três tecnologias poderosas que já têm tração nas empresas — Jira, Confluence e Loom — e as integra de fábrica, do planejamento à execução. A AI está inserida (não paralela), a medição é nativa (não manual) e a segurança é plataforma (não um plugin isolado). É uma mudança de arquitetura operacional, não só de software. 


O que medir (para não se apaixonar pela ferramenta e esquecer do resultado) 


  • Tempo de ciclo: do sticky no whiteboard ao Done. 
  • Taxa de handoffs e retrabalho: automação e documentação viva tendem a reduzir ambos. 
  • Aderência à meta: % de épicos/okrs ligados a Goals com status atualizado. 
  • Saúde da colaboração assíncrona: quantos updates em Loom substituíram status meetings. 
  • Qualidade dos dados de fluxo: se o que entra no Analytics traduz a realidade do time (e gera insights úteis). 


Todos esses indicadores podem ser montados com templates e consultas do Atlassian Analytics/Data Lake — além de receber insights com AI em gráficos críticos. 


Segurança não é capítulo à parte (é design do sistema) 


Qualquer iniciativa que una conhecimento, execução e AI precisa nascer com segurança e privacidade. O Trust Center expõe como a Atlassian estrutura proteção de dados, recuperação, identidade e conformidade — com artefatos para acelerar seu vendor risk management. Já o Atlassian Guard cria uma camada de políticas e detecções para reduzir superfícies de ataque, cortar shadow IT e centralizar visibilidade de riscos. E, no contexto de AI, a Atlassian publica que os provedores de LLM não retêm seus dados — um ponto sensível para setores regulados. 


“Tá bom, e como eu começo sem virar um projeto de 6 meses?” 


Sem planos mágicos de “90 dias” — o que funciona é travar 4 movimentos progressivos, com resultados percebidos a cada passo: 


  1. Escolha uma jornada curinga (ex.: “da ideia ao go/no-go”). Modele o whiteboard no Confluence, converta stickies em issues e ligue épicos a uma meta no Goals. Publique uma página-mestre com visão, critérios e trilhas de decisão. 
  2. Automatize o trivial no Jira (notificações, atualizações, criação de sub-tarefas, políticas de definition of done). Comece com 3–5 regras de alto impacto. 
  3. Troque status meeting por Loom: atualizações em vídeo curtas incorporadas à página, com checklists e próximos passos. Se fizer sentido, habilite a geração automática de notas de reunião no Confluence. 
  4. Dê luz aos números com um dashboard do Analytics apontando para o Data Lake. Ative insights com AI nos gráficos mais críticos para reforçar sua narrativa executiva. 


Esses quatro movimentos já entregam rastreabilidade ponta a ponta e alívio de carga no time — sem pedir implantações heroicas. E você ainda abre caminho para os agentes do Rovo operarem rotinas repetitivas (briefings, diagramas, checks), sempre no contexto do seu trabalho. 


E quando o cenário inclui legados e múltiplas instâncias? 


É aqui que a plataforma faz diferença. O Data Lake foi pensado para cruzar dados de diversos produtos e sites/instâncias; o Analytics permite consolidar essa visão em dashboards compartilháveis para diretoria e operações. Guard ajuda a manter a casa em ordem com políticas unificadas. Ao mesmo tempo, o Marketplace e parceiros certificados permitem cobrir lacunas sem inflar a quantidade de fornecedores — mantendo o sistema de trabalho coeso. 


O que isso significa para 2026 (e por que começar já) 


2026 vai cobrar das empresas decisões baseadas em evidências, operadas por times híbridos e assistidas por AI. Quem estruturar agora um sistema de trabalho com ideação → execução → comunicação → medição na mesma linha contínua, chega mais leve e rápido. E não é só sobre velocidade: é sobre clareza de prioridade, menos retrabalho, menos dependência de heróis e mais previsibilidade. 


Se você só levar uma mensagem deste texto, leve esta: pare de “colar” ferramentas e comece a costurar o trabalho. Use Confluence para pensar e decidir, Jira para executar com automação, Loom para comunicar no tempo certo, Analytics/Data Lake para medir o que importa, AI (Intelligence + Rovo) para acelerar o que dói, e Guard/Trust para garantir que tudo isso seja seguro, auditável e escalável. É assim que o Atlassian System of Work transforma planejamento em entrega — e objetivos em resultado. 


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



Conclusão 


No fim, a questão não é adotar “mais uma ferramenta”, e sim adotar um sistema de trabalho que una o que a sua empresa pensa, faz, comunica e mede. Quando metas, trabalho e conhecimento passam a viver no mesmo fluxo — da ideia no Confluence ao acompanhamento no Jira, com atualizações em vídeo pelo Loom — o resultado é menos ruído, mais decisão e um caminho curto entre estratégia e entrega. 


A força do Atlassian System of Work é justamente essa costura: três tecnologias poderosas operando como uma solução integrada, com AI (Atlassian Intelligence e Rovo) acelerando o que dói, Analytics & Data Lake iluminando o que importa e Atlassian Guard garantindo segurança e governança sem atrito. Você reduz trocas de contexto, evita retrabalho, torna visível o que estava espalhado e cria uma base confiável para escalar. 


Se há um próximo passo óbvio, é este: escolha uma jornada crítica (da ideação à decisão), ligue épicos a uma meta real, automatize o trivial, substitua parte das reuniões por updates em Loom e traga os números para o Analytics. Em pouco tempo, o seu time percebe que o valor não está no “brilho” da ferramenta, mas na clareza do fluxo e na confiança dos dados que sustentam cada decisão. 


2026 vai premiar quem transforma objetivos em resultados com menos atrito, menos dependência de heróis e mais previsibilidade. O caminho está posto: pare de colar ferramentas; comece a costurar o trabalho. Quando o sistema muda, o resultado aparece — e permanece. 


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.