Do indicador ao workflow: destrave sua gestão com automação que funciona de verdade

Romildo Burguez • February 12, 2026

Existe um momento silencioso (e perigosamente comum) em que a empresa percebe que está “medindo tudo”, mas continua reagindo como se não medisse nada. O dashboard está lá, atualizado, bonito, cheio de números. A reunião acontece. As pessoas comentam. Alguém aponta um desvio. Outro alguém promete “ver isso”. E, na semana seguinte, o indicador continua ruim, com um detalhe ainda mais frustrante: todo mundo sente que trabalhou muito. 


Esse é o paradoxo de muitas operações hoje. A organização evoluiu na capacidade de enxergar, mas não evoluiu na capacidade de agir de forma consistente. E quando a ação depende de lembrança, boa vontade, follow-up manual e esforços além da conta, a gestão vira um jogo de sobrevivência: funciona quando tem gente excepcional segurando a corda. Quando não tem, vira atraso, retrabalho, improviso — e um cemitério de planos bem-intencionados. 


A nova fronteira da gestão empresarial passa justamente por aqui: transformar indicador em rotina, transformar desvio em acionamento, transformar decisão em execução rastreável. Não é sobre “mais tecnologia”. É sobre fechar o ciclo completo: dado → decisão → execução. E, nesse ciclo, a automação deixa de ser “robô” e passa a ser o que ela realmente precisa ser: um mecanismo de gestão. 


Vamos entender na prática? 


O problema real: indicador que informa, mas não conduz 


Quando a empresa investe em métricas e visualização, normalmente ela está tentando responder a perguntas legítimas: “Como está o desempenho?”, “Onde estamos perdendo eficiência?”, “Qual é o impacto no caixa?”, “Estamos entregando o nível de serviço que prometemos?”. O problema é que, muitas vezes, a história para na pergunta. 


Na prática, a jornada do indicador costuma seguir um roteiro previsível. O número aparece. Alguém abre uma conversa. O tema entra na pauta. A equipe discute causas prováveis. Sai uma lista de ações. A lista vira mensagens em canais diferentes. Parte das ações se perde. Outra parte acontece tarde demais. Algumas viram uma correção pontual sem aprendizado. E quase nenhuma vira um padrão. 


O resultado é uma gestão que depende de memória e insistência, como se o negócio estivesse sempre “começando do zero” a cada semana. E isso tem um custo alto: não só em horas e energia, mas em previsibilidade. A empresa até sabe o que está acontecendo — só não consegue garantir que vai reagir do mesmo jeito toda vez, com a mesma qualidade e velocidade. 


Gestão madura, no fundo, é isso: repetir decisões boas com consistência. 


Automação como gestão: tirando o improviso do processo 


Quando se fala em automação, muita gente imagina imediatamente “redução de equipe”, “tirar pessoas da operação”, “cortar etapas”. Esse olhar limita a conversa e, pior, gera resistência antes mesmo de explicar a proposta. A automação que importa para a gestão não é a que substitui gente. É a que substitui improviso. 


Em um cenário de pressão por eficiência, as organizações convivem com vários tipos de “desperdício invisível”: tempo gasto cobrando o óbvio, esforço repetido para lembrar o que deveria ser rotina, reuniões para decidir o que já estava decidido, retrabalho porque a informação chegou tarde, falhas que se repetem porque ninguém fechou a causa de verdade. A automação de gestão entra como um antídoto para isso. 


Ela faz uma coisa muito específica: conecta um sinal (indicador) a um fluxo de ação (rotina). Esse fluxo tem dono, tem critério, tem prazo, tem registro e, quando necessário, tem aprovação. Ou seja: não é “apertar um botão”. É garantir que, quando o desvio acontecer, a organização saiba exatamente o que fazer — e faça. 


É o que separa “ver” de “governar”. 


O que muda quando o KPI passa a ser elemento de ação 


Um KPI é valioso por dois motivos. O primeiro é óbvio: ele revela a realidade com clareza. O segundo é menos comentado: ele pode ser um gatilho de comportamento. Um bom KPI não é apenas uma fotografia; ele é um comando de gestão — desde que exista um caminho claro do “apareceu no gráfico” até o “foi resolvido”. 


Quando esse caminho não existe, surgem padrões que todo gestor reconhece. O indicador fica vermelho e ninguém sabe se alguém já está atuando. Alguém começa a agir, mas não comunica. Outro alguém também age e duplica esforço. O time discute solução antes de confirmar o problema. A correção é feita, mas não se registra por quê e como — então a falha volta. O indicador melhora uma vez e vira “sorte”. Piora de novo e vira “crise”. 


Quando existe acionamento, a história muda. O KPI deixa de ser um número “para olhar” e vira um número “para conduzir”. E isso não precisa ser complexo. Precisa ser claro. 


Um framework simples para transformar indicador em ação: A.C.I.O.N.A. 


Este framework organiza a conversa e evita aquele discurso genérico de “vamos automatizar”. 


Pense no KPI como uma sirene. Sirene sem procedimento só aumenta o pânico. Sirene com procedimento reduz o dano. O que transforma sirene em procedimento é uma sequência de perguntas simples, que podem ser resumidas assim: 


Alerta: o que disparou? Qual sinal saiu do padrão? 


Critério: qual é o limite que realmente importa? Em que ponto vira risco? 


Incumbência: quem é o dono da resposta? Quem assume a bola? 


Orquestração: qual é o fluxo correto de ação? O que acontece primeiro? O que depende do quê? 


Notificação: quem precisa saber, e em que momento? 


Auditoria: como fica registrado o que foi feito, por quê, e qual foi o resultado? 


Esse encadeamento, quando bem definido, cria um efeito poderoso: ele reduz ruído e aumenta velocidade. Em vez de transformar cada desvio em debate, você transforma o desvio em rotina. E, com o tempo, a rotina vira melhoria contínua. 


O detalhe importante é que “auditoria” aqui não é burocracia. É aprendizado. Sem registro, a organização repete o próprio erro. 


Exemplos que fazem a ficha cair: quando o KPI vira workflow 


Para sair do abstrato, vale falar de situações cotidianas, porque é nelas que a promessa de “gestão inteligente” se prova ou se desmancha. 


Imagine um cenário de nível de serviço em atendimento ou suporte. O indicador mostra que o tempo de resposta está subindo. Sem acionamento, isso vira uma sequência de conversas: “tem muita demanda”, “faltou gente”, “o sistema travou”, “vamos priorizar”. E, no fim, vira um esforço desesperado para apagar fogo. 


Com acionamento, o comportamento é outro. Quando o tempo ultrapassa um limite, o fluxo é disparado: abre-se uma tarefa com responsável e prazo, já com os próximos passos definidos. Se o volume exige reforço, existe um procedimento de redistribuição. Se há risco de estourar um compromisso com cliente, a comunicação é preparada com antecedência. E tudo fica registrado. A equipe pode até trabalhar duro, mas não no escuro. 


Agora pense em incidentes recorrentes de tecnologia ou operação. Sem workflow, cada incidente vira “um evento”. Resolve-se a urgência, respira-se aliviado, e segue. Na semana seguinte, o mesmo problema volta com outro nome. O indicador de recorrência cresce e ninguém consegue quebrar o ciclo. 


Com workflow, a recorrência vira gatilho para causa raiz. Se um incidente crítico se repete, o fluxo exige investigação, contramedida e evidência de fechamento. Não é “mais trabalho”; é o trabalho certo, para reduzir o trabalho futuro. É assim que se recupera produtividade: removendo repetição, e não exigindo mais esforço. 


Considere também qualidade de dados. Quando falha uma conciliação, ou quando um dado crítico chega inconsistente, muitas empresas simplesmente “ajeitam” para seguir o dia. Isso cria um risco silencioso: decisões tomadas com base em informação errada, além de desconfiança generalizada nas métricas. O efeito colateral é enorme: as áreas começam a operar por intuição, porque “os números não batem”. 


Com workflow, inconsistência de dado deixa de ser um incômodo e vira evento de gestão. O indicador dispara um fluxo de correção com prioridade adequada, registrando a origem e a correção. Além disso, estabelece-se uma regra simples: decisões que dependem daquele dado só avançam quando a validação acontece. É assim que a empresa protege a própria governança sem precisar de um discurso pesado sobre governança. 


E há ainda as situações de exceção e aprovação, tão comuns em finanças, compliance, descontos comerciais e processos regulados. Sem rastreabilidade, a exceção vira jeitinho. Com rastreabilidade, a exceção vira procedimento: quem aprova, por que aprova, quais limites, qual justificativa, qual impacto. Isso reduz risco e evita discussões futuras. 


Esses exemplos mostram um ponto-chave: o ganho não vem de “automação por automação”. O ganho vem da previsibilidade. A organização passa a responder do mesmo jeito para o mesmo tipo de desvio — e isso melhora eficiência e controle. 


Por que tanta empresa trava nessa transição 


Se a ideia é tão lógica, por que a maioria para no dashboard? Porque existem três travas recorrentes. 


A primeira é cultural, mas não do jeito que se costuma dizer. Não é que “as pessoas não querem mudar”. É que a empresa não transforma mudança em rotina. Ela tenta colocar “disciplina” onde deveria colocar mecanismo. Disciplina é frágil quando a pressão aperta. 


A segunda trava é de desenho. Muitas empresas tentam automatizar direto o que ainda não está claro. Elas pulam o passo de definir critério, dono e fluxo. Aí o resultado é um emaranhado de exceções e regras confusas que ninguém quer usar. Workflow bom é simples. Ele não tenta cobrir o universo; ele cobre o que mais importa. 


A terceira trava é a base. Se o dado é inconsistente, o alerta dispara errado. E se o alerta dispara errado, a equipe perde confiança no mecanismo. Por isso, automação de gestão quase sempre precisa caminhar junto com arrumação de base: integrações, padronização mínima, definição de fonte e frequência. Sem isso, vira “alarme falso”, e alarme falso mata qualquer iniciativa. 


Como começar sem trauma: mapeie acionamentos, não “projetos de automação” 


Um jeito maduro de começar é trocar a pergunta “o que dá para automatizar?” por “o que precisa acionar?”. A empresa não precisa de um oceano de workflows. Ela precisa de uma pequena lista de acionamentos críticos — aqueles que, quando falham, custam caro: em atraso, em retrabalho, em reputação, em risco. 


Quando você mapeia acionamentos, você começa a enxergar a gestão como um conjunto de gatilhos. E cada gatilho tem uma resposta. Isso é mais simples do que parece, e costuma gerar consenso rápido em qualquer operação: todo mundo sabe quais são os poucos pontos que quebram a semana quando dão errado. 


A partir daí, o caminho fica mais leve. Você escolhe os três acionamentos com maior impacto e menor complexidade e coloca para rodar. Observa. Ajusta. Documenta. Repete. E, aos poucos, o que era “processo manual e caótico” vira padrão. 


O objetivo não é “automatizar tudo”. É automatizar o que devolve previsibilidade. 


Onde a CSP Tech atua nesse tema 


Quando se fala em fechar o ciclo dado → decisão → execução, normalmente aparecem duas realidades do mercado. Uma é a empresa que tem ferramenta, mas não tem modelo para transformar ferramenta em rotina. A outra é a empresa que até tem vontade, mas está presa em legado, integrações frágeis e baixa confiabilidade de base. 


A proposta de valor que faz sentido nessa narrativa é a de entregar a camada de inteligência que conecta essas pontas: organizar o mínimo necessário para o dado ser confiável, estruturar KPIs com critério e dono, e implementar fluxos de acionamento que transformem o indicador em execução. Tudo isso com um modelo de entrega que não dependa de heroísmo: discovery para priorizar, consultoria para desenhar, squads para construir, e sustentação para operar e evoluir. 


O mercado está cheio de discursos sobre “IA” e “transformação digital”. A oportunidade está em ser a empresa que fala de gestão do jeito que o gestor reconhece: menos promessa, mais rotina. Menos slide, mais mecanismo. 


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


Integrações frágeis, operação crítica: 5 padrões que evitam quebras 


Hiperautomação: Um guia definitivo para uma transformação inteligente de processos 


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


Conclusão 


A nova fronteira da inteligência na gestão não é uma tecnologia específica. É uma mudança de postura: sair do modo “vamos acompanhar” e entrar no modo “vamos conduzir”. Isso acontece quando o indicador para de ser um fim e vira um começo. Quando o número não serve apenas para explicar o passado, mas para disparar ações que protegem o presente e melhoram o futuro. 


Dashboard sem acionamento é como painel de carro sem freio: você vê a velocidade, mas não controla o risco. Automação de gestão é o freio, o volante e o cinto — não porque “faz tudo sozinho”, mas porque organiza a resposta do sistema. 


Se você quer transformar a conversa de “temos indicadores” para “temos governança de execução”, comece pequeno, mas comece certo: mapeie seus acionamentos críticos, defina critérios claros, estabeleça donos, desenhe um fluxo simples, garanta registro e aprendizado. A partir daí, a empresa para de depender de esforços acima do necessário para funcionar. E passa a operar com previsibilidade, que, no fim, é o que toda liderança busca quando fala em eficiência, controle e resultado. 


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.