Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo

Guilherme Matos • August 7, 2026

Um data lake armazena dado bruto de várias origens em um repositório central. Um pântano de dados é o mesmo repositório depois que ninguém mais sabe o que há dentro dele: tabelas sem documentação, sem dono, sem origem conhecida, e quarenta versões de “cliente” sem que se saiba qual é a confiável. A diferença entre os dois não é o volume nem a tecnologia, é a navegabilidade: catálogo, linhagem, propriedade e significado. Na era da IA, isso deixou de ser um problema de produtividade do analista e virou um problema de confiabilidade do modelo, porque um agente que não sabe qual tabela usar escolhe uma e responde com confiança sobre a errada. Não por acaso, a Databricks descreve o Unity Catalog como a camada unificada de governança para dados e IA, reunindo controle de acesso, linhagem, auditoria e descoberta de dados, e posiciona o catálogo como o que ajuda pessoas e agentes a encontrar, entender e confiar nos ativos certos.

Como um lago vira pântano (sem que ninguém decida isso)


Nenhuma empresa decide construir um pântano. A degradação é gradual e cada passo parece razoável no momento em que acontece. Um time novo precisa de dados e cria seu próprio recorte. Um projeto urgente despeja uma extração sem documentar. Uma tabela temporária de uma migração fica. Alguém sai da empresa e leva o conhecimento de quais colunas eram confiáveis. Multiplique isso por três anos e por dez times.


O resultado tem sintomas reconhecíveis. Analistas perguntam no chat qual tabela usar, porque a busca não responde. Existem várias versões da mesma entidade e ninguém sabe qual é oficial. Ninguém consegue dizer de onde veio determinado número sem abrir código. Uma mudança de schema quebra dashboards que ninguém sabia que dependiam daquela tabela. E o mais caro: times recriam pipelines que já existiam, porque não encontraram o que já estava pronto.


A tese deste guia: um data lake sem catálogo é uma biblioteca sem índice, tem tudo e não serve para nada. E a IA transformou esse problema conhecido em um risco novo: o analista humano que não encontra o dado certo pergunta ao colega ou desconfia do resultado; o agente de IA não desconfia. Ele escolhe a tabela que parece plausível e entrega a resposta com fluência. Navegabilidade deixou de ser conforto de time de dados e virou pré-requisito de confiabilidade de IA.


Por que a IA amplifica o problema em vez de resolvê-lo


Existe uma expectativa comum de que a IA resolveria a bagunça do lago: bastaria perguntar em linguagem natural e o modelo acharia o que interessa. A prática inverte a lógica. A IA depende da mesma navegabilidade que falta, e sem ela amplifica o erro por três motivos concretos.


•     O agente não hesita. Um analista experiente que encontra três tabelas parecidas para de trabalhar e pergunta. Um agente escolhe uma delas conforme o que parece mais relevante e segue adiante, sem sinalizar a ambiguidade.

•     O erro escala. O analista consulta a tabela errada uma vez. O agente consulta em cada uma das centenas de interações do dia, e o erro se espalha por relatórios, respostas e decisões antes de alguém notar.

•     A fluência esconde a fragilidade. Resposta bem escrita sobre dado errado é mais perigosa que resposta obviamente quebrada, porque ninguém a questiona. É o modo de falha mais caro de um projeto de IA sobre dado desorganizado.


Os quatro elementos que tornam um lago navegável


Navegabilidade não é uma ferramenta, é a soma de quatro camadas de contexto sobre o dado. Cada uma responde a uma pergunta que tanto o analista quanto o agente precisam responder antes de usar uma tabela:

Linhagem: o elemento que a plataforma entrega de graça e quase ninguém usa


Dos quatro elementos, a linhagem é o que exige menos esforço manual em ambiente Databricks e o mais subaproveitado. Segundo a documentação, o Unity Catalog captura a linhagem em tempo de execução automaticamente, para consultas rodadas na plataforma, com suporte a todas as linguagens e granularidade até o nível de coluna, incluindo os notebooks relacionados à consulta. A visualização acontece no Catalog Explorer em tempo quase real, e a linhagem é agregada entre todos os workspaces ligados ao mesmo metastore, respeitando as permissões de cada usuário: quem não tem ao menos a permissão BROWSE sobre o objeto não consegue explorar sua linhagem.


Há ainda um recurso que fecha o grafo de ponta a ponta e costuma passar despercebido: a linhagem externa. A documentação descreve como registrar, no Unity Catalog, metadados de cargas que rodam fora da plataforma, tanto do lado da origem quanto do consumo, de modo que fontes como Salesforce ou MySQL e ferramentas como Tableau ou Power BI apareçam no mesmo grafo das tabelas governadas. Pipelines gerenciados do Lakeflow Connect registram automaticamente a linhagem das tabelas de origem até o destino, o que vale também para a ingestão de fontes operacionais como o Jira, que já tratamos em artigo próprio deste blog.


O ganho prático dessa camada é responder duas perguntas que costumam travar operação de dados: de onde veio este número, quando a auditoria pergunta, e o que quebra se eu alterar esta tabela, antes de alterar. Times que dependem de fontes de outros times passam a enxergar essa dependência em vez de descobri-la no incidente.


Propriedade: governança não é documento, é trabalho recorrente (e por isso mora no Jira)


Catálogo e linhagem são capacidades da plataforma. Propriedade e semântica são decisões humanas, e é aí que a maioria dos programas de governança morre. A empresa escreve uma política de governança de dados, apresenta em comitê, e nada muda no lago, porque documentar tabela, nomear dono e definir significado é trabalho contínuo que ninguém priorizou.


O que funciona é tratar curadoria de metadado como trabalho gerenciado, com as mesmas regras de qualquer entrega: item com dono, prazo, prioridade e histórico. Na prática, cada domínio de dado sem responsável nomeado é um item; cada tabela crítica sem documentação é uma tarefa; cada definição de métrica em disputa é uma decisão a registrar. Quando esse backlog vive no Jira, com workflow e trilha de auditoria, a governança deixa de ser intenção e vira fila visível que avança e pode ser cobrada. É a razão pela qual a consultoria Jira aparece numa conversa que parece ser só de plataforma de dados: sem um sistema onde o trabalho de curadoria seja acompanhado, ele não acontece.


Por que isso é trabalho de especialista em IA, e não faxina de TI: a Databricks posiciona o Unity Catalog como fundação semântica governada para que times de negócio, times técnicos e agentes de IA operem a partir do mesmo significado. Traduzindo: o mesmo catálogo que faz o analista achar a tabela certa é o que faz o agente escolher a tabela certa. Quem organiza o lago está, na prática, construindo a base de confiabilidade da IA. A CSP Tech atua nas duas frentes, como especialistas Databricks na camada de catálogo, linhagem e governança, e com consultoria Jira na gestão do trabalho de curadoria que sustenta essa camada ao longo do tempo.


Por onde começar quando o lago já está turvo


Catalogar tudo de uma vez é o plano que nunca sai do papel, porque o esforço parece infinito e o retorno demora. A sequência que funciona é inversa e começa pelo uso, não pelo inventário:


•     Comece pelos ativos mais consultados. A linhagem e os registros de acesso mostram o que realmente é usado. Documentar as tabelas que sustentam as decisões de hoje entrega valor imediato; o resto pode esperar ou ser aposentado.

•     Nomeie donos antes de escrever documentação. Sem responsável, a documentação nasce desatualizada. Com responsável, ela se mantém como parte do trabalho do time dono do domínio.

•     Aposente com coragem. Boa parte do pântano é lixo que ninguém removeu por medo. Tabela sem consumo e sem dono, identificada pela linhagem, é candidata a arquivamento, e cada remoção melhora a navegabilidade do que resta.

•     Trate o que a IA vai consumir como prioridade máxima. Se há iniciativa de agente ou modelo no horizonte, os ativos que ele vai consultar precisam estar catalogados, documentados e com dono antes do deploy, não depois.


Quando esse esforço não se justifica agora


•     Poucos ativos e um time só. Com dezenas de tabelas e um único time que conhece todas, o custo de um programa formal de catalogação supera o ganho. Navegabilidade importa quando o conhecimento não cabe mais na cabeça das pessoas.

•     Ambiente em migração estrutural. Se a arquitetura vai mudar nos próximos meses, catalogar o que será descontinuado é esforço perdido. Vale catalogar o destino, não a origem que vai sumir.

•     Sem apetite para nomear donos. Se a organização não está disposta a atribuir responsabilidade por domínio de dado, o programa vira documentação órfã que envelhece. Melhor resolver a questão organizacional primeiro.


Perguntas frequentes


Qual a diferença entre data lake e pântano de dados?

O data lake é um repositório central de dado bruto de várias origens. O pântano é esse mesmo repositório quando perde navegabilidade: sem catálogo, sem documentação, sem donos e sem linhagem, com múltiplas versões da mesma entidade e nenhuma indicação de qual é confiável. A diferença não está na tecnologia nem no volume, está no contexto disponível sobre o dado.


Por que a organização do data lake afeta a qualidade da IA?

Porque um modelo ou agente precisa escolher qual dado consultar, e sem catálogo, documentação e propriedade definida ele escolhe pelo que parece plausível. O analista humano que encontra ambiguidade hesita e pergunta; o agente não hesita e responde com fluência sobre a fonte errada. Além disso, o erro se repete em escala, em cada interação, antes que alguém perceba.


O Unity Catalog resolve a descoberta de dados sozinho?

Ele entrega as capacidades: a documentação da Databricks o descreve como camada unificada de governança para dados e IA, com controle de acesso, linhagem, auditoria e descoberta, capturando linhagem automaticamente até o nível de coluna e permitindo estender o grafo a fontes e ferramentas externas. O que a plataforma não faz sozinha é nomear donos, escrever a definição de negócio de cada campo e manter isso atualizado. Essa parte é trabalho humano recorrente, e precisa ser gerenciado como tal.


Por onde começar a organizar um data lake que já está bagunçado?

Pelos ativos mais consultados, identificáveis pela linhagem e pelos registros de acesso, e não por um inventário completo. Nomeie donos antes de produzir documentação, aposente o que não tem consumo nem responsável, e priorize os ativos que alimentarão iniciativas de IA, que precisam estar documentados antes do deploy. É trabalho por onda, com valor a cada onda, não um projeto único de catalogação total.


Próximo passo


Se o seu data lake acumula dado que ninguém encontra, e a iniciativa de IA depende exatamente desse acervo, o problema não é volume nem plataforma: é navegabilidade. Solicite um diagnóstico de navegabilidade do seu data lake com a CSP Tech e receba o mapa dos quatro elementos no seu ambiente: o que está catalogado, o que tem linhagem, o que tem dono e o que precisa estar pronto antes do primeiro agente consultar.


Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas de dados e Atlassian da CSP Tech (especialistas Databricks, Atlassian Gold Partner, Microsoft Gold Partner, participante do Anthropic Partner Network, 34 anos de mercado, produto próprio Power BI for Jira).

Fontes (oficiais, acesso ago/2026): Databricks Documentation, “Get started with Unity Catalog”, que define o Unity Catalog como camada unificada de governança para dados e IA com controle de acesso, linhagem, auditoria e descoberta (docs.databricks.com/data-governance/unity-catalog/get-started); Databricks Documentation, “Lineage in Unity Catalog”, sobre captura automática em tempo de execução, granularidade de coluna, visualização no Catalog Explorer, agregação entre workspaces e requisito de permissão BROWSE (docs.databricks.com/data-governance/unity-catalog/data-lineage); Databricks Documentation, “External lineage”, sobre registro de metadados externos de origem e consumo e captura automática por pipelines do Lakeflow Connect (docs.databricks.com/data-governance/unity-catalog/external-lineage); Databricks, página de produto do Unity Catalog, sobre fundação semântica governada compartilhada entre times de negócio, times técnicos e agentes de IA (databricks.com/product/unity-catalog)

Fale com a CSP Tech

.

Por Guilherme Matos • 4 de novembro de 2026
Só 19% dos bancos percebiam retorno da IA em 2025. Veja os cinco pontos que travam a escala, o que a regulação já exige e por que a resposta passa pela governança de dados.
Por Guilherme Matos • 3 de novembro de 2026
A CSP Tech participou do Inovatech Executive Summit 2026, realizado em 27 de outubro no WTC São Paulo, como patrocinadora do encontro. Às 9h50, no Plenário, Lúcio Matias, Head de IA da CSP Tech, apresentou a palestra “O orçamento de inovação está preso no legado”, sobre um problema que aparece em quase toda conversa com CIOs: uma parte relevante do orçamento de TI já tem destino antes de qualquer decisão, porque precisa manter funcionando o que já existe. A mensagem central foi que a IA generativa acelera tudo, inclusive o erro, quando não conhece o sistema em que vai mexer. Por isso, a ordem de uso importa: primeiro usar a IA para entender o legado, com evidência registrada, e só depois para alterá-lo com governança e custo sob controle. No mesmo dia, a CSP Tech recebeu lideranças de tecnologia em um Almoço Executivo. Um marco para a CSP Tech: levar o debate para quem decide o orçamento Em 38 anos de mercado, a CSP Tech acumulou projetos de desenvolvimento, modernização, dados e plataformas Atlassian e Microsoft em empresas onde o sistema mais crítico costuma ser também o mais antigo. Levar essa experiência ao palco de um encontro de lideranças de tecnologia tem um peso especial para a empresa, porque coloca a discussão técnica diante de quem aprova o orçamento e responde pelo resultado dele. O Inovatech Executive Summit 2026 se propôs a discutir o que 2027 vai exigir da liderança de tecnologia, com palestras, painéis e casos sobre alocação de capital, IA, agentes, segurança e orçamento. A palestra da CSP Tech entrou nessa agenda com um recorte prático: antes de discutir quanto investir em IA, vale descobrir quanto do orçamento já está comprometido e por quê. A CSP Tech agradece a presença de todas as lideranças que participaram do Almoço Executivo e das conversas ao longo do dia. Foram trocas francas sobre o que funciona e o que ainda trava a adoção de IA nas empresas, e boa parte do que está neste texto nasceu delas. Tese da CSP Tech: o orçamento fica preso no legado quando a empresa perde o entendimento do próprio sistema, porque toda decisão sobre ele passa a ser tomada sem evidência e com margem de segurança cara. A ordem de uso da IA decide se ela libera ou consome orçamento: primeiro reconstruir o entendimento do sistema, com registro auditável e sem alterar código; só então mudar o código, com o contexto certo, modelo escolhido por tarefa e custo medido por entrega. O que preocupa as lideranças de tecnologia presentes no Summit A lista de participantes do evento trazia uma pergunta aberta: quais têm sido os maiores desafios para tecnologia e inovação nos tempos atuais. A CSP Tech classificou as respostas por tema, de forma agregada e sem identificar pessoas ou empresas. Das 320 inscrições da lista, 289 tinham resposta válida. Cerca de 63% dos inscritos ocupavam cargos de C-level, vice-presidência, diretoria ou head, e cerca de 35% vinham de empresas com mais de 5.000 funcionários. Quase metade das respostas válidas (136, ou 47%) cita IA, seja na adoção, na escala, no uso de agentes ou na IA generativa. Governança, segurança, risco e regulação aparecem em 103 respostas (36%), e custo, ROI, investimento e valor gerado em 68 (24%). O cruzamento é o dado mais revelador: 62 respostas (21%) citam IA junto com governança ou segurança, e 36 (12%) citam IA junto com custo ou retorno. Como uma mesma resposta pode tocar mais de um tema, os percentuais não somam 100%, e por se tratar de uma classificação por palavras-chave sobre respostas abertas, o retrato vale para o público do evento e não tem valor estatístico para o mercado como um todo. Na prática, a IA raramente aparece sozinha nas respostas. Ela aparece amarrada a governança, a segurança e à pergunta sobre retorno. Algumas respostas, transcritas sem identificação, resumem o problema que a palestra tratou: “transformar a POC de IA em ambiente produtivo”, “manter a empresa atualizada tecnologicamente quando se tem múltiplos débitos técnicos” e “trazer tecnologias como IA para empresas com processos e sistemas muito antigos”. Em outras palavras, o que as lideranças perguntam é como fazer a IA funcionar sobre a base de sistemas que a empresa já tem, com controle e com retorno que possa ser demonstrado. Até 40% do orçamento com destino definido: o que esse número quer dizer A descrição oficial da palestra na agenda do evento parte da constatação de que até 40% do gasto de TI ainda vai para manter os sistemas existentes. Faixas próximas aparecem nas pesquisas da McKinsey com CIOs, com uma diferença de base que vale entender antes de usar o número em uma apresentação ao conselho. Em outubro de 2020, a McKinsey relatou que CIOs estimam a dívida técnica em 20% a 40% do valor de todo o seu parque tecnológico antes da depreciação, e que de 10% a 20% do orçamento de tecnologia destinado a novos produtos acaba desviado para resolver problemas ligados a essa dívida. Em abril de 2023, a consultoria voltou ao tema para argumentar que separar de 15% a 20% do orçamento de TI para tratar a dívida técnica é insuficiente quando a empresa não muda a forma como ela é gerada e priorizada. Os números medem coisas diferentes, valor do parque em um caso e orçamento no outro, mas apontam na mesma direção da palestra. A leitura prática para o gestor é que o número exato varia por empresa e por método de medição, mas o mecanismo é o mesmo: cada projeto novo paga um pedágio para conviver com o que já existe. O primeiro passo para reduzir esse pedágio é medi-lo no próprio parque, por sistema, em vez de importar uma média de mercado. [INSERIR DADO REAL: percentual do orçamento de sustentação no parque do cliente, levantado no diagnóstico.] Por que a IA sem contexto acelera o erro no legado Na síntese que a CSP Tech publicou sobre a palestra, a ideia aparece de forma direta: sem contexto, a IA ganha velocidade na direção errada, e o contexto da empresa mora no legado, raramente na documentação. Em sistemas antigos, a documentação costuma estar desatualizada ou não existir, quem construiu já saiu e as dependências entre módulos ficam invisíveis. O código passa a ser o único registro confiável das regras de negócio. Quando um time joga arquivos inteiros desse código em um assistente de IA e pede uma alteração, três coisas acontecem ao mesmo tempo. O modelo tenta inferir relações que não enxerga, e a entrega pode quebrar outra parte do sistema. O consumo de tokens cresce sem relação com o valor entregue, porque o modelo recebe muito texto irrelevante. E, sem registro, ninguém consegue reconstituir depois qual contexto foi usado, qual modelo respondeu e quanto custou. Cada um desses sintomas tem um efeito direto no orçamento e uma pergunta que o gestor pode fazer ao time ainda hoje. O contexto incompleto vira retrabalho e incidente depois da entrega, e a pergunta é se a IA recebeu as dependências reais do trecho alterado. O envio de arquivos inteiros faz a fatura de IA crescer sem relação com o resultado, o que leva a perguntar quanto custou cada entrega feita com IA em cada projeto. O uso de ferramentas sem aprovação, o chamado shadow AI, coloca risco de vazamento e custo fora do radar, e pede um inventário de quais ferramentas e modelos estão em uso e por quem. Por fim, a falta de trilha torna a auditoria cara e as decisões difíceis de defender, porque ninguém consegue mostrar a um auditor o que foi gerado e com qual base. Esse retrato conversa diretamente com o que as lideranças escreveram no formulário do evento. A preocupação com governança de IA e com retorno é a mesma preocupação vista de dois lados: sem controle do contexto e do custo, nenhuma das duas pode ser demonstrada. A ordem que a CSP Tech defendeu no palco: entender antes de alterar A abordagem apresentada por Lúcio Matias organiza o uso da IA sobre o legado em uma sequência. Cada etapa entrega valor por si e prepara a seguinte, então a empresa decide até onde ir. 1. Reconstruir o conhecimento do sistema, sem alterar o código O ponto de partida é uma engenharia reversa assistida por IA. Em vez de tratar o código como texto, a análise lê a estrutura real dele (funções, classes, chamadas e dependências, extraídas da árvore sintática do código) e monta um mapa de relações. Sobre esse mapa, a IA ajuda a documentar fluxos, regras de negócio, riscos e dívida técnica. Nada é alterado no sistema nessa etapa, o que reduz o risco e permite começar mesmo em ambientes críticos. 2. Decidir com evidência entre manter, evoluir, modernizar ou reescrever Com o sistema mapeado, a decisão que costuma ser adiada por falta de dados passa a ter base, e cada caminho tem um momento em que faz sentido e um risco que precisa ser conhecido antes da escolha. Manter faz sentido quando o sistema é estável, muda pouco e o custo de sustentação está medido e aceito pela empresa, com o cuidado de acompanhar a obsolescência da tecnologia e a saída de quem ainda conhece o sistema. Evoluir é o caminho quando o negócio pede mudanças frequentes e o núcleo do sistema ainda atende, desde que cada alteração parta de um mapa de dependências, para não quebrar outra parte. Modernizar se justifica quando a plataforma limita escala, segurança ou integração, mas as regras de negócio continuam valendo, e o risco principal está em perder alguma dessas regras na migração se não houver rastreabilidade do sistema antigo para o novo. Reescrever só se sustenta quando a arquitetura impede o que o negócio precisa e as regras já estão documentadas, porque reescrever sem conhecer o que o sistema guarda costuma repetir o problema em uma tecnologia nova. 3. Executar com IA governada Quando chega a hora de alterar o código, a IA recebe apenas o recorte do mapa relevante para a tarefa, e não o sistema inteiro. O modelo é escolhido conforme a complexidade da tarefa e o orçamento definido, o resultado é validado contra critérios de aceite antes de entrar no código e cada chamada deixa um registro. O desenvolvedor continua na ferramenta que já usa; o controle fica na camada por trás dela. Esse registro funciona como a memória da operação. Para cada uso da IA, ele guarda em qual projeto e em qual tarefa ela foi acionada, quais partes do sistema entraram no contexto, qual modelo respondeu e por qual política foi escolhido, quantos tokens foram enviados, quanto aquilo custou, se o resultado passou nos critérios de aceite e quem foi o responsável. Com essas informações, a pergunta sobre quanto custou uma entrega feita com IA deixa de depender de estimativa. 4. Medir quanto do custo de sustentar virou capacidade de investir O fechamento da palestra foi sobre orçamento: o objetivo da sequência é transformar o custo de sustentar em capacidade de investir em inovação. Isso só pode ser demonstrado com medição antes e depois, por sistema, considerando horas de sustentação, incidentes, tempo de entrega e gasto com IA por entrega. Sem a linha de base levantada na primeira etapa, qualquer ganho vira estimativa. O que fica para o gestor de TI: antes de definir quanto investir em IA em 2027, vale definir em que ordem usá-la. Começar pelo entendimento do legado cria a evidência que falta para decidir e a linha de base que falta para provar retorno. A camada de governança, com a ressalva devida A preocupação com governança que apareceu nas respostas das lideranças tem referência formal. A norma ISO/IEC 42001, publicada em dezembro de 2023, estabelece requisitos para um sistema de gestão de inteligência artificial, com foco em uso responsável, gestão de riscos e transparência. Registrar contexto, modelo, custo e validação de cada uso de IA no desenvolvimento ajuda a gerar evidências para esse tipo de sistema de gestão e para auditorias de segurança da informação. Registrar evidência, porém, não equivale a estar em conformidade: a adequação a qualquer norma depende de escopo, processo e avaliação próprios, e não decorre do uso de uma ferramenta ou de um método. Quando essa abordagem é desproporcional Há cenários em que essa sequência custa mais do que resolve. Em um sistema pequeno, bem documentado e mantido por um time que o conhece, com dependências claras e mudanças raras, um mapeamento completo tende a ser desproporcional. Quando o sistema já tem data de desligamento definida e a substituição está contratada e próxima, o esforço rende mais se for para a migração dos dados e das regras críticas. E, se o uso de IA ainda é pontual e não toca código sensível, uma política clara de ferramentas permitidas e um inventário de uso resolvem a maior parte do risco antes de qualquer camada de controle. Perguntas frequentes O que foi o Inovatech Executive Summit 2026? Um encontro de lideranças de tecnologia e inovação realizado em 27 de outubro de 2026, no WTC São Paulo, com o tema do que 2027 vai exigir da liderança de tecnologia. A agenda reuniu palestras, painéis e casos sobre alocação de capital, IA, agentes, segurança e orçamento. Qual foi a participação da CSP Tech no Inovatech 2026? A CSP Tech foi patrocinadora do evento. Lúcio Matias, Head de IA da CSP Tech, apresentou às 9h50 a palestra “O orçamento de inovação está preso no legado”, sobre como usar a IA para entender sistemas legados antes de alterá-los e transformar custo de sustentação em capacidade de investir. A CSP Tech também recebeu lideranças de tecnologia em um Almoço Executivo durante o Summit. Por que a IA sem contexto aumenta o custo de manter sistemas legados? Porque o modelo não conhece as relações reais entre as partes de um sistema legado, que raramente estão documentadas. Ele infere essas relações, o que gera entregas que quebram outras partes e retrabalho. Enviar arquivos inteiros ao modelo também eleva o consumo de tokens sem ganho proporcional, e a falta de registro impede saber depois o que foi feito e quanto custou. Como começar a liberar orçamento preso no legado? Medindo antes de mudar. O primeiro passo é mapear o sistema e o custo de sustentação dele, sem alterar código, para ter evidência sobre dependências, riscos e dívida técnica. Com esse diagnóstico, a empresa decide entre manter, evoluir, modernizar ou reescrever, e passa a ter uma linha de base para provar o retorno de cada mudança, inclusive das feitas com IA. Próximo passo Faça um teste de dez minutos com o seu sistema mais crítico: quem hoje consegue explicar as regras de negócio dele sem abrir o código, quanto custou a sustentação dele no último ano e quanto do gasto com IA do time foi usado nele, com que contexto. Se alguma dessas respostas depende de uma pessoa ou de uma estimativa, o orçamento de 2027 desse sistema já está comprometido sem evidência. Receba um diagnóstico de legado da CSP Tech: um mapa do sistema, dos riscos e da dívida técnica, sem alteração no código, com a recomendação fundamentada entre manter, evoluir, modernizar ou reescrever. CSP Tech. Conectando pessoas, tecnologia e negócios. 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). [INSERIR DADO REAL: nome e certificação do revisor].
segurança do Rovo MCP; permissões do servidor MCP da Atlassian;
Por Romildo Burguez • 27 de outubro de 2026
Agentes de IA já escrevem no Jira. Veja os controles de segurança do Rovo MCP que o administrador precisa revisar antes de liberar a escrita.
agentes de IA não autorizados; como identificar agentes de IA em sistemas corporativos?
Por Romildo Burguez • 26 de outubro de 2026
Bancos dos EUA detectaram agentes de IA não autorizados em contas de clientes. Entenda o que o caso revela sobre identidade, permissões e controle.
Por Guilherme Matos • 26 de outubro de 2026
Circuit breaker na B3: o que a interrupção de 26 de outubro exige da TI de bancos, corretoras e instituições de pagamento
governança de agentes de IA; Agentic Multiplayer Protocol; o que é o AMP da Atlassian?
Por Romildo Burguez • 23 de outubro de 2026
Sua equipe usa IA, mas o ganho não chega ao time. Veja o que a Atlassian anunciou no Team ’26 Europe sobre governança de agentes de IA e saiba como aplicar
empresa de intranet / intranet para bancos / intranet sharepoint instituição financeira
Por Guilherme Matos • 23 de outubro de 2026
Em instituição financeira, a intranet guarda normativos, recebe acesso de agências e de fora da rede e, com o Copilot, passa a alimentar respostas de IA. Veja os três caminhos para contratar uma intranet, os critérios que pesam no setor e a limitação honesta de cada um.
risco de sistemas legados; ataque hacker supermercados França; sistemas em fim de vida
Por Romildo Burguez • 22 de outubro de 2026
O ataque a supermercados na França expôs o risco de sistemas legados conectados. Entenda o que deu errado e veja como evitar o mesmo na sua operação
portfólio de projetos regulatórios / jira para instituições financeiras · consultoria jira
Por Guilherme Matos • 21 de outubro de 2026
Em banco, cooperativa e instituição de pagamento, parte do portfólio tem data definida pelo regulador. Veja por que esses projetos costumam perder espaço na priorização por valor e como estruturar no Jira a trilha da norma até a evidência e a validação de conformidade.