Erros que param o sistema: faça testes automáticos e durma tranquilo

Romildo Burguez • August 14, 2025

Se você é CIO, gerente ou coordenador de TI em uma empresa consolidada, provavelmente seu dia começa com uma equação difícil: manter o core funcionando sem falhas, seguir regras de segurança e compliance, e ainda acelerar entregas que suportam metas ambiciosas de negócio. Tudo isso com um time enxuto, pressão por custos e, muitas vezes, um legado que não nasceu para a velocidade de hoje. É nesse cenário que os erros que param o sistema viram notícia rapidamente — não por serem complexos, mas por acontecerem nos momentos mais críticos: no fechamento do mês, na liquidação de pagamentos, no cadastro de um grande cliente ou na virada de uma campanha comercial. 


A boa notícia é que dá para reduzir drasticamente a chance desses apagões sem transformar sua equipe em um exército dedicado só a testes. Este post mostra um caminho para construir testes automáticos que protegem receita, reduzem risco e liberam sua cabeça para dormir tranquila. 


Continue a leitura para saber mais! 


O que realmente derruba a operação 


Quando um sistema cai, quase nunca é por um “detalhe” do código. Em empresas de setores tradicionais, as falhas costumam estar concentradas em poucos fluxos de negócio: autorizar um pagamento, calcular um preço, emitir uma nota, integrar um pedido, consolidar um relatório, fechar um lote contábil. Ou seja, o que para o time é uma “funcionalidade”, para a empresa é movimento de caixa, reputação e risco. 


Por isso, o primeiro passo é simples e cabe numa manhã: reúna negócio, operação e TI por duas horas e faça a pergunta direta — quais 10 a 12 cenários que, se quebrarem, geram prejuízo ou multa? Dê nomes claros, como “cartão aprovado e capturado”, “pedido faturado com imposto correto”, “fechamento diário consolidado”. Essa lista vira a espinha dorsal da sua suíte de regressão crítica, a bateria de testes automáticos que vai rodar a cada alteração relevante para garantir que nada essencial se perca no caminho. 


Não estamos falando de cobertura total do sistema. Estamos falando de uma rede de segurança para os pontos que sustentam a receita e a conformidade. É aqui que mora a diferença entre automatizar por automação e automatizar para dormir tranquilo. 


Pirâmide de testes 


Se você já ouviu falar de “pirâmide de testes” e achou que era papo de engenheiro, vale ressignificar. A ideia é apenas colocar a maior parte da verificação onde é mais rápido e barato e deixar um número pequeno de testes mais “caros” para o final. Em português claro: 


Na base, ficam testes curtinhos que validam partes isoladas do código e componentes. Eles rodam em segundos e pegam muitos erros cedo. 


No miolo, entram testes que verificam a conversa entre serviços, filas e APIs — aquilo que costuma quebrar quando um sistema fala com outro. 


No topo, um punhado de testes que percorrem a jornada completa como um usuário faria. Esses são os mais demorados e instáveis; por isso, precisam ser poucos e muito bem escolhidos. 


O efeito prático é imediato: pipelines mais leves, menos “falsos alarmes” e feedback rápido para quem está desenvolvendo. Em times enxutos, isso economiza horas por dia. Em vez de tentar aumentar o número de testes a qualquer custo, você passa a redistribuir o esforço, tirando peso do topo e ampliando a base — sem perder a visão do que importa. 


Regressão que protege a receita 


Depois de mapear os 10 a 12 cenários que sustentam o negócio, transforme-os em testes automáticos de regressão. O nome assusta, mas a lógica é simples: toda vez que o sistema mudar, esses mesmos cenários são executados de forma repetível para garantir que o que funcionava continua funcionando. É o equivalente a testar os freios do carro depois de trocar uma peça do motor. 


A diferença entre uma regressão que só existe no papel e uma que protege de verdade está em duas escolhas: dados de teste confiáveis e checagens objetivas de resultado. Se você testa “aprovação de pagamento”, por exemplo, o dado precisa representar um cartão válido, com regras conhecidas, e a checagem precisa verificar o resultado do ponto de vista do negócio: pedido aprovado, valor correto, status no lugar certo. Não basta “a tela carregou”, nem “o log não acusou erro”. A pergunta é: o processo rodou certo de ponta a ponta? 


Com uma regressão dessas em produção, você ganha coragem para mudar o necessário, sem aquela sensação de andar em piso molhado. E, quando algo falha, o alerta acende cedo, ainda no ambiente de teste, em vez de estourar no cliente. 


“Coverage gate”: números que realmente importam 


Você já viu discussões intermináveis sobre “cobertura de testes”? Em muitas empresas, esse número vira uma meta vazia. O segredo é tratar coverage como sinal de saúde por módulo crítico, não como troféu. Em prática: comece com um patamar viável nos pontos sensíveis — digamos, 60% a 70% — e suba aos poucos, sempre amarrado a mudanças reais. Não é a porcentagem em si que salva sua noite de sono; é o fato de que, onde o risco é maior, você tem uma malha de testes que funciona. 


Para que isso não vire burocracia, transforme cobertura em gate: só passa para a próxima etapa quem atingiu o mínimo combinado nos módulos que importam, e quem não quebrou a regressão crítica. Assim, você evita que um time cumpra uma meta de número e, ao mesmo tempo, deixe escapar um erro em um fluxo vital. 


Performance e confiabilidade antes do “go”: o checklist que reduz incidentes 


Nem toda queda de sistema é “o sistema fora do ar”. Muitas vezes, o mal está disfarçado em lentidão e erro intermitente. É por isso que vale levar uma pitada de confiabilidade de produção para o ambiente de testes. Sem complicar: defina, com o time de operação, dois ou três indicadores simples para os fluxos críticos — por exemplo, tempo de resposta aceitável e taxa máxima de erro — e verifique isso automaticamente antes de qualquer liberação. Pense nisso como um checklist de segurança de voo: se o tempo de resposta explodiu ou se os erros passaram de um limite, o deploy não segue. Melhor descobrir cedo do que de madrugada. 


Esse mesmo raciocínio se aplica a segurança e segredos. Um varredor rápido em cada alteração para encontrar falhas graves ou chaves expostas evita problemas que, quando aparecem em produção, custam caro e demoram para explicar. Feito do jeito certo, isso não atrasa; apenas barra o que não pode passar. 


Compliance: evidência automática e trilha de auditoria 


Empresas de setores regulados precisam mostrar como chegam a um resultado e quem aprovou cada passo. Quando a auditoria bate à porta, ninguém quer iniciar uma caça ao tesouro em planilhas. A mesma automação que testa seus fluxos pode guardar evidências de forma automática: versão do sistema, quem revisou, quais testes rodaram, quando rodaram e qual foi o resultado. Isso é o suficiente para transformar a auditoria de um bicho de sete cabeças em uma conversa objetiva, com provas organizadas. 


Na prática, o efeito é duplo: você protege o negócio e libera o time de um trabalho manual que suga tempo e atenção. 


E o legado? Como testar sem derrubar tudo 


Toda empresa tradicional carrega integrações que ninguém quer tocar. Uma troca apressada num serviço novo, e o sistema antigo (aquele que ninguém ousa desligar) pode se comportar de forma inesperada. Em vez de aceitar esse risco como “parte do jogo”, vale investir em testes de contrato. Eles não testam a tela, mas sim o acordo entre sistemas: o formato de uma mensagem, os campos de uma API, o que um envia para o outro. Quando o contrato está automático e claro, mudanças deixam de ser um salto no escuro. 


Isso também ajuda na modernização gradual: você pode eliminar partes do legado, substituindo aos poucos, sempre com a certeza de que o que já funciona continua funcionando. 


Dados e migrações: o erro silencioso que vira prejuízo 


Há um tipo de falha que não derruba tela, mas compromete o negócio: dados errados. Uma migração de estrutura, um cálculo ajustado, uma integração que duplica registros — e, sem perceber, você passa a tomar decisões com base em números tortos. A solução é simples e barata: automatize verificações de qualidade junto com seus testes. Se você consolidou vendas, confira reconciliando totais. Se ajustou uma base, avalie nulos, duplicados e consistência entre tabelas relevantes. 


Esses testes são tão rápidos quanto os demais e evitam que o problema só apareça no fechamento do mês, quando o tempo para corrigir é curto e a pressão é alta. 


Como começar em 30 dias com um time enxuto 


A beleza de um programa de testes bem desenhado é que ele não precisa nascer grande. Em quatro semanas, dá para sair do zero a um conjunto que já muda a rotina. 


Na primeira semana, concentre-se em descobrir os cenários que sustentam a receita e em ligar verificações simples de segurança em cada alteração. São decisões rápidas, construídas com as áreas que convivem com as dores do dia a dia. Ao final dessa semana, você tem um mapa claro do que precisa ser protegido e uma linha de base de segurança. 


Na segunda semana, automatize mais da metade desses cenários em versão direta, sem depender de tela, usando dados previsíveis. É o momento de colocar um patamar de cobertura mínimo nos módulos mais sensíveis. Ao mesmo tempo, já deixe as evidências de execução sendo guardadas automaticamente. Com isso, toda nova mudança passa por uma rede de proteção que representa o seu negócio — não uma lista impessoal de casos técnicos. 


Na terceira semana, adicione um teste rápido de desempenho em dois ou três pontos que costumam sofrer sob carga e crie testes de contrato para integrações que, se quebrarem, causam efeito dominó. Monte um painel simples, objetivo, que responda à pergunta que realmente interessa: estamos prontos para ir a produção, sim ou não? Nada de buscar perfeição estética aqui; o foco é clareza e velocidade. 


Na quarta semana, traga para o processo um limite de confiabilidade para pelo menos um fluxo crítico: se o tempo de resposta ou a taxa de erro ultrapassarem o combinado, o sistema não segue. Finalize a suíte de regressão com os 10 a 12 cenários essenciais, valide o caminho de volta (rollback) e certifique-se de que, após um retorno de versão, a regressão roda novamente para garantir estabilidade. Ao fim do mês, você terá menos incidentes, mais previsibilidade e uma equipe com tempo para trabalhar no que faz o negócio avançar. 


Medindo o que realmente importa 


Em iniciativas técnicas, o que convence de verdade é resultado visível. Três medidas costumam resumir o impacto para diretoria e finanças. A primeira é o tempo de pipeline: quando a base de testes está bem distribuída, o retorno sobre cada mudança chega em minutos, não em horas. Isso acelera ciclos e dá fluidez ao time. A segunda é a queda de incidentes após liberação — não precisa virar um relatório complexo; comparar mês a mês já mostra tendência. A terceira é o tempo para resolver problemas (MTTR), que diminui quando os erros são pegos antes e os dados de diagnóstico são melhores. 


Há também o lado financeiro, que não precisa de cálculos mirabolantes: quantas quedas críticas foram evitadas, quanto tempo de operação foi preservado, qual o custo médio de uma interrupção. Quando a regressão automática barra um erro que teria travado a liquidação de pagamentos ou atrasado um fechamento contábil, é fácil traduzir o ganho: você evitou perda. Some essa conta ao longo de um trimestre e o retorno costuma falar por si. 


Como superar objeções comuns 


É natural que, no começo, surjam dúvidas. “Vai travar a entrega?” é a primeira. A resposta está no desenho: travas inteligentes são específicas e rápidas; elas bloqueiam o que quebraria a operação e deixam o resto passar. “Nosso time é pequeno” vem em seguida. Justamente por isso, selecionar 10 a 12 cenários que pagam a conta é a estratégia certa — o objetivo não é cobertura total, é proteção do essencial. “Não temos tempo para performance” aparece no pacote. Um teste de fumaça de cinco minutos em pontos críticos encontra regressões grosseiras com custo baixíssimo. “Auditoria dá trabalho” fecha a lista. Com evidência automática, a pauta deixa de ser um mutirão de planilhas e vira um download de artefatos. 


Perceba um padrão: o que dá trabalho é o improviso. Quando o processo está claro e automatizado, o time gasta menos energia para se defender e mais energia para construir. 


Um exemplo prático para visualizar 


Imagine uma empresa de serviços financeiros que processa pagamentos para milhares de clientes B2B. O time de TI é competente, mas pequeno. O core funciona, só que cada alteração vira um evento: testes manuais, horários ingratos, todo mundo atento. Em um mês, uma mudança relativamente simples em regras de parcelamento derruba, sem aviso, a captura de transações acima de determinado valor. A equipe corre para corrigir, mas a janela de liquidação passa; o resultado é um efeito cascata em conciliações e em cobrança. 


Agora imagine o mesmo cenário com regressão crítica ativa. “Pagamento aprovado e capturado”, “parcelamento com juros correto” e “conciliação do dia” são três dos 12 cenários. A alteração cai na malha de testes, que detecta que transações acima de um valor deixam de mudar de status no ponto certo. O deploy é bloqueado antes de ir ao ar. O time corrige, roda de novo, tudo passa, e a janela de liquidação segue. Nada vira crise. Ninguém precisa explicar o inexplicável. E a TI, em vez de apagar incêndio, segue com a agenda que move o negócio. 


Teste automático como estratégia de risco, não como tarefa de desenvolvedor 


Quando falamos de testes, é comum imaginar uma atividade que “o time técnico precisa fazer”. O salto de maturidade vem quando a gestão enxerga testes automáticos como estratégia de risco, com impacto direto em receita, reputação e custos. Isso muda conversas e prioridades. O que merecia discussão na diretoria — “quais fluxos não podem falhar?”, “qual a tolerância de tempo de resposta?”, “que evidência precisamos guardar?” — deixa de ser assunto técnico e vira governança do negócio. 


Nesse modelo, as decisões são tomadas em conjunto, mas a execução é tranquila. A TI orquestra a automação, a operação define critérios de prontidão, o compliance recebe evidência pronta, e todo mundo sabe por que um deploy foi liberado ou travado. É assim que o teste automático deixa de ser uma fila de tarefas e passa a ser segurança operacional. 


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


Quality Assurance (QA): Tendências e inovações para o desenvolvimento de software 


Desenvolvimento de software em empresas não digitais: Do suporte à inovação 


Do legado à nuvem: modernize os sistemas core sem parar sua operação 


Conclusão 


Sistemas param quando pequenas mudanças escapam pelos cantos. Eles deixam de parar quando o que realmente importa está protegido por uma rede de segurança simples, automatizada e transparente. Você não precisa de um programa grandioso para chegar lá; precisa de clareza sobre o que não pode falhar, de testes curtos no lugar certo e de travas inteligentes que barrem o que traria prejuízo. 


Em trinta dias, um time enxuto consegue sair do improviso e instalar essa base. Em três meses, os números já contam a história: menos incidentes, menos madrugada, mais confiança para evoluir o core e, principalmente, mais foco naquilo que faz a empresa avançar. 


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.