BI na nuvem sem susto na conta: como prever e controlar gastos

Romildo Burguez • November 11, 2025

Você não precisa ser especialista em nuvem para sentir o frio na barriga quando a fatura chega. Em ambientes críticos, onde integrações são frágeis, o legado pesa e os prazos são curtos, qualquer surpresa no custo vira risco operacional.


A boa notícia é que controlar custos em BI é menos sobre comprar ferramentas novas e mais sobre decidir bem o básico. Quando falamos de “básico”, estamos falando de três números fundamentais e que qualquer gestão consegue acompanhar semanalmente: R$/consulta, R$/refresh e Teto mensal por produto/área.


Este texto é um guia para quem busca previsibilidade e controle dos gastos de BI na nuvem, sem derrubar o serviço e sem travar a transformação digital.


Continue a leitura e saiba mais!


Previsibilidade é requisito de operação crítica


Em empresas consolidadas, tecnologia não é o core do negócio, mas é o motor da eficiência e da inovação. O BI sustenta decisões de venda, logística, risco, compliance e atendimento. Parar é caro; oscilar, mais caro ainda. Se a conta sobe e desce sem explicação, o time perde autonomia e o orçamento vira trava. Previsibilidade não é luxo: é parte do SLA que o TI promete ao negócio.


Por isso, antes de falar de nuvem e plataformas, ancore o jogo no que o CFO entende de primeira: o custo por uso e o teto por centro de custo. Não se trata de “baratear a qualquer preço”. Em ambientes críticos, custo controlado significa decisões melhores e menos sustos — sem sacrificar o que é essencial para a operação.


Onde o dinheiro escapa e como fechar a torneira


Falando simples, a conta de BI na nuvem cresce por quatro alavancas principais: armazenamento, processamento, tráfego de saída e cache (ou a falta dele). Existem outras causas, claro, mas estas respondem pela maior parte das surpresas.


Armazenamento: é o “estoque” de dados. Quando guardamos tudo para sempre, em camadas mais caras, a fatura cresce silenciosamente. O antídoto é tratar armazenamento como uma despensa organizada: aquilo que você usa o tempo todo fica “na prateleira da frente”; o que é raro vai para o “fundo do armário”; o que virou arquivo histórico vai para a “caixa no depósito”. Essa simples lógica de camadas, somada a regras de limpeza e compactação, derruba o custo sem brigar com auditoria.


Processamento (compute): é a “cozinha”. Se você deixa todos os fogões acesos, mesmo sem pedido, a conta explode. O ganho aqui vem de desligar o que não está em uso, agendar janelas de preparo, e dimensionar o “tamanho da boca do fogão” à demanda real. Em BI, isso se traduz em pausar capacidades ociosas, agrupar cargas em horários previsíveis e limitar a concorrência quando o objetivo é previsibilidade.


Tráfego de saída (egress): pense como um pedágio. Sempre que seus dados “atravessam a fronteira” — entre regiões de nuvem, redes ou ferramentas — você paga. Muitas vezes sem perceber. O truque é co-locar quem produz e quem consome dados no mesmo “bairro” e usar caminhos privados quando possível. Em ambientes críticos, vale ouro ter uma política simples: “sem travessias desnecessárias”.


Cache (ou a falta dele): quando muita gente pede a mesma coisa muitas vezes, você pode salvar a resposta por um tempo e entregar mais rápido, mais barato e mais estável. Cache é a sua memória de curto prazo. O segredo é combinar cache com regras de validade claras, alinhadas com o “frescor” que o negócio precisa (minutos, horas, dia). Nem todo relatório precisa estar “saído do forno” a cada cinco minutos.


Os três números que sustentam a gestão


Vamos detalhar o trio que simplifica a conversa com o financeiro e dá direção para o time técnico.


R$/consulta: cada clique tem um custo


A forma simples de calcular é dividir o custo do mês pelo volume de consultas relevantes (os acessos que importam para a operação). O objetivo não é cobrar por clique, mas saber quanto custa manter uma decisão informada no dia a dia. Esse número guia escolhas como: quais relatórios merecem cache; quais precisam de filtros padrão; quais podem ter versões “resumo” para a maioria e “detalhe” para poucos.


Exemplo prático: se um conjunto de 10 relatórios responde por 70% dos acessos do mês, vale concentrar neles os cuidados de cache e de performance. Reduz-se a “força bruta” e aumenta-se a previsibilidade.


R$/refresh: frescor tem preço


Atualizar dados a cada 15 minutos é mais caro do que a cada hora. Em muitos processos de negócio, “quase em tempo real” já resolve com sobra. R$/refresh é a régua para negociar com as áreas: quanto custa encurtar a janela? Quando o número está na mesa, a conversa deixa de ser emocional e vira escolha consciente. Em operações críticas, é comum definirmos “linhas vermelhas”: o que precisa ser muito fresco (ex.: riscos operacionais) e o que pode esperar (ex.: relatórios gerenciais).


Teto mensal por produto/área: o para-choque que evita sustos


O teto organiza a disciplina: alertas aos 80% e 90% com ação automática predefinida, e um “modo crise” aos 100% (sem drama, sem pânico). As ações automáticas podem ser: pausar atualizações não críticas até o próximo ciclo, reduzir a frequência de refresh onde o negócio tolera, ou ativar cache mais agressivo em painéis de consumo de massa. O importante é que tudo esteja combinado com o dono do orçamento.


Como reduzir custo sem perder serviço


Armazenamento: organize a despensa


Pense em três prateleiras. A da frente, com os dados quentes, que você usa o tempo todo. A do meio, com dados que você consulta às vezes. E a do fundo, com históricos que raramente são acessados. Com essa organização, defina regras simples: o que fica quanto tempo em cada prateleira; quando passa para a de trás; quando pode ser compactado; e quando pode virar arquivo. Faça isso por domínio de dados (vendas, financeiro, logística), para não virar confusão geral.

Processamento: janelas e tamanhos certos


Se o negócio usa mais os relatórios de manhã, prepare a cozinha de madrugada e no início do expediente. Não deixe “forno ligado” às 3h da tarde sem pedidos. E, quando houver pico, aumente o tamanho por um intervalo definido, depois volte ao normal. Um erro comum é deixar o sistema “bombado” o mês inteiro para poucos momentos de pico.


Egress: pare de pagar pedágio à toa


Mapeie as rotas dos seus dados. Descubra onde há travessias entre regiões, redes e ferramentas. Traga quem precisa falar com quem para o mesmo lado da ponte. Em BI, uma grande vitória costuma vir de manter a fonte e o consumo no mesmo local e adotar conexões privadas quando possível. Em muitos casos, só essa medida resolve boa parte das oscilações de custo.


Cache: memória inteligente a favor da conta


Defina três classes de conteúdo:

  • Classe A: precisa ser fresquíssimo (alertas de risco, operação ao vivo). Cache curto ou nenhum.
  • Classe B: precisa ser atualizado ao longo do dia, mas tolera minutos ou horas. Cache intermediário.
  • Classe C: gerencial, histórico, comparativos. Cache longo, com atualização programada.


Com isso, você entrega velocidade percebida para o usuário, reduz o custo e ganha estabilidade.


Governança leve que funciona


Não é sobre criar um comitê novo. É sobre mudar pequenas práticas que fazem diferença.


Marcações de custo (tags) que valem dinheiro. Tudo que roda na sua plataforma de BI deve “dizer” a que área pertence. Sem isso, você perde a visão por produto e conversa só com o número total. Com isso, aparece onde o custo cresce e por quê.


Orçamentos com alertas e plano de ação. “Teto sem ato” é só um número bonito no PowerPoint. Combine a ação automática com o dono do orçamento: o que pausa, o que degrada, o que permanece.


Política simples de dados críticos. Nada de cruzar regiões sem motivo. Nada de reter log para sempre “por via das dúvidas”. Defina o mínimo que a conformidade exige e siga. Menos dados inúteis guardados = menos custo + menos risco.


Calendário de janelas e congelamentos. Evite mudanças arquiteturais em períodos de pico do negócio. Em ambientes críticos, um “freeze” curto em datas sensíveis salva o mês.


Plano de rollback fácil. Se uma mudança aumentar a conta ou piorar a experiência, volte rapidamente ao estado anterior. Tão importante quanto avançar é poder desfazer sem trauma.


O scorecard executivo (15 minutos por semana)


Você não precisa de um painel cheio de dials. Precisa de um scorecard curto, revisado em 15 minutos:


  • Custo do mês versus teto (por produto/área).
  • R$/consulta e R$/refresh médios, comparados com a semana passada.
  • Percentual de “egress” no total.
  • Percentual de consultas atendidas por cache.
  • Top 3 desvios e a ação tomada.

Essa rotina mantém o tema no radar, sem sugar horas de um time já enxuto.


Modo crise em 15 minutos


Se o alerta de 100% acender, siga um roteiro objetivo:


1. Congele o que não é crítico. Pausar atualizações de relatórios gerenciais e reduzir a frequência do que tolera espera.

2. Ative cache agressivo para os painéis mais acessados, mantendo o frescor combinado com o negócio.

3. Ajuste janelas para concentrar cargas em horários de menor custo/concorrência.

4. Feche pedágios: descubra e bloqueie rotas que geram egress desnecessário.

5. Comunique em linguagem de negócio o impacto: “economizamos R$ X nas próximas 48h sem afetar operação crítica”.


Em ambientes críticos, o que separa “calma” de “caos” é ter esse roteiro pronto e combinado antes.


Mini-histórias reais


Distribuidora com vendas por rota


O BI atualizava dados a cada 15 minutos para todo mundo, o dia inteiro. Redefinimos classes de frescor: vendas e rupturas a cada 15 minutos; financeiro e fiscal de hora em hora; gerenciais três vezes ao dia. Resultado: queda forte no R$/refresh e desempenho melhor porque a “cozinha” parou de trabalhar no vazio.


Operadora logística com muitos painéis iguais


Metade das consultas eram variações do mesmo relatório. Criamos um “resumo padrão” com cache dedicado e mantivemos a versão completa para quem precisava. Resultado: aumentou a velocidade percebida, caiu o R$/consulta e a taxa de reclamações despencou.


Indústria com BI espalhado em regiões diferentes


Mapear rotas mostrou egress escondido. Co-locamos o consumo com a fonte principal e fechamos travessias. Resultado: custo previsível e liberdade para planejar picos.


Como apresentar à gestão


Para o CFO/Controller, leve um quadro claro: custo por produto/área, R$/consulta, R$/refresh e teto com alertas e ação automática. Mostre o que foi trocado por previsibilidade (ex.: menos frescor onde não faz diferença) e onde você mantém o nível máximo (ex.: risco operacional).


Para o CIO e Arquitetura, traduza as decisões para padrões que qualquer time consegue seguir: dados em camadas, janelas organizadas, co-localização, cache por classe, tags obrigatórias e rollback simples. Evite debates de marca; foque em como desenhamos para não estourar.


Para times enxutos, a mensagem é direta: “faça mais com o que já tem”. Muitas vezes, o ganho de 30–50% vem de gestão de janelas, cache e co-localização — não de uma grande migração.


Checklist rápido de go-live


Antes de abrir um novo produto de dados ou um grande painel para muita gente, confira:

  • O dado está na prateleira certa? Quente, morno ou frio?
  • Existe janela de preparo definida? O que acontece fora dela?
  • As rotas estão no mesmo bairro ou há pedágios escondidos?
  • O cache está configurado com validade clara?
  • Os três números estão azeitados (R$/consulta, R$/refresh, teto com alertas e ação)?
  • Há plano de rollback simples?
  • O dono do orçamento aceitou as trocas entre frescor e custo?


Se a resposta for “sim” para a maioria, a chance de susto cai muito.


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


Eleve o patamar da sua empresa com recursos de Cloud Computing


Planeje e Comunique de forma assertiva com o Business Intelligence (BI)


Business Intelligence (BI): Por que migrar para nuvem é uma boa opção?


Conclusão


Controlar gastos de BI na nuvem não é um fim em si. É uma forma de proteger a operação crítica e, ao mesmo tempo, abrir espaço para novas iniciativas de dados. Quando você ancora a gestão em R$/consulta, R$/refresh e teto mensal, a conversa com o negócio muda de tom. Saem as justificativas de última hora; entram decisões conscientes, com previsibilidade e impacto.


O caminho passa por organizar armazenamento em camadas, programar bem as janelas de processamento, evitar pedágios desnecessários e usar cache com inteligência. Some a isso uma governança leve — tags, orçamentos com ações, políticas simples de dados críticos — e um scorecard semanal de 15 minutos. Você não precisa de uma revolução; precisa de um acordo operacional que todos entendem e cumprem.


Em ambientes com integrações frágeis, legados robustos e estruturas rígidas, a busca não é por “o BI mais barato possível”, mas por BI confiável, previsível e justo para o valor que entrega. Quando a conta deixa de surpreender, o time ganha confiança para ousar: novos casos de uso, mais automação, melhores experiências. E a transformação digital deixa de ser um discurso para virar rotina, sem susto na fatura.


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.