Lançar sem medo: libere novas funções para 100% dos usuários

Romildo Burguez • September 19, 2025

Você não precisa escolher entre velocidade e segurança. Em ambientes críticos — onde cada minuto de indisponibilidade pesa no resultado — lançar novas funções para todos os usuários pode, sim, ser um movimento controlado, previsível e até mais barato do que segurar mudanças por semanas. O segredo não está em fórmulas mágicas ou ferramentas “salvadoras”, e sim em uma combinação de três coisas simples de explicar e poderosas na prática: um pipeline de entrega confiável, métricas que importam de verdade e uma tomada de decisão automatizada que respeita o contexto do seu negócio. Quando esses três elementos trabalham juntos, o “medo do 100%” vira um processo de engenharia e gestão — não um salto no escuro. 

Este texto foi pensado para CIOs, gerentes e coordenadores de TI de empresas consolidadas, com times enxutos, sistemas legados, integrações sensíveis e pouco espaço para experimentar no ambiente de produção. A proposta é mostrar um caminho claro para que você consiga avançar com novas funções com risco mínimo, auditabilidade e foco nas dores diárias: previsibilidade, menos retrabalho, menos incidentes, mais valor em produção. 


Vamos lá? 


O que realmente muda quando o ambiente é crítico 


Em empresas que operam serviços essenciais, a régua é outra. Existem janelas de mudança restritas, exigências de compliance e auditoria, integrações frágeis com parceiros, e uma base de usuários que não tolera surpresas. Além disso, a TI costuma ser enxuta e pressionada por eficiência. Nesse cenário, liberar uma nova função para todos os usuários parece, à primeira vista, uma ousadia. Mas é justamente nesses contextos que estrutura vence improviso. 


Liberar com segurança é encarar a mudança como um produto em si: você define o que é qualidade antes de apertar o botão, observa sinais que importam durante a liberação e se prepara para voltar atrás sem drama se algo sair do trilho. Não basta ter testes; é preciso que o “caminho” da mudança esteja desenhado para proteger o negócio, com marcos de avaliação claros e uma forma de interromper o avanço em segundos, não horas. 


A tríade que permite ir de 1% a 100% sem sobressaltos 


Pipeline confiável 


Pense no pipeline como a esteira que transforma uma ideia em valor em produção. Ele precisa ser transparente, repetível e com “travas” inteligentes. Antes da produção, entram as verificações que te dão confiança: testes automatizados, checagens de segurança, verificação de contratos entre sistemas e testes que simulam o uso real. Já em produção, o pipeline precisa permitir liberar a novidade de forma gradual, trocar de versão quando necessário e voltar atrás sem impactar todo mundo. 


Métricas que importam 


Métrica boa é a que conversa com a experiência do usuário e com a saúde do sistema. Latência percebida, erros em jornadas críticas e sinais de saturação são exemplos óbvios. Mas, em ambientes críticos, você também precisa olhar para indicadores do negócio: finalização de pedidos, tempo de processamento em integrações, sucesso de operações sensíveis. Essas métricas viram “semáforos” para a liberação: se passam do limite definido, o processo freia; se se mantêm saudáveis por um período acordado, a liberação avança. 


Decisão automatizada 


Se a cada passo for necessário juntar pessoas em uma sala para decidir, não há escala nem agilidade. A ideia é que as decisões rotineiras de “avança” ou “pausa” sejam automáticas, seguindo regras que todos conhecem — e que podem, quando fizer sentido, incorporar IA para detectar comportamentos estranhos que não aparecem em limiares fixos. Automatizar a decisão não é entregar o volante para um algoritmo; é programar o que já orienta o seu time hoje para que funcione de forma mais rápida, consistente e auditável. 


Como isso funciona no dia a dia 


Vamos sair da teoria. Imagine que você precisa liberar uma mudança relevante: uma nova etapa em uma jornada crítica do seu cliente. Em vez de ativar para 100% de uma vez, você ativa para um grupo pequeno e representativo. A cada intervalo, o sistema consulta as métricas definidas: “A latência no ponto X continua dentro do esperado?”; “A taxa de erros aumentou acima do que foi combinado como tolerável?”; “As integrações externas estão se comportando como antes?”. Se tudo estiver ok por um período pré-definido, a liberação avança para uma fatia maior. Se algo descarrila, a função desliga e a versão anterior volta a responder — rápido o suficiente para que a maioria dos usuários nem perceba. 


Essa progressão pode parecer mais lenta do que um “big bang”, mas na prática ela economiza tempo. Problemas são detectados cedo, com menos gente impactada, e o retorno à estabilidade é quase imediato. O resultado são menos reuniões de crise, menos retrabalho e mais noites de sono para a equipe — além de uma sensação saudável de controle, que ajuda a tomar decisões melhores. 


E os legados? 


Muita gente trava nesse ponto: “Legal, mas o meu sistema conversa com um legado que eu não posso tocar”. Justamente por isso o planejamento da liberação precisa considerar compatibilidade de contratos entre serviços, versionamento de dados e um jeito de manter dois mundos funcionando por um tempo. Em vez de tentar modernizar tudo de uma vez, você cria “pontes”: mantém uma versão de contrato que atende o legado, enquanto a nova função trabalha com um formato mais moderno, até que seja possível desligar o antigo com segurança. É um processo de estrangulamento, não de ruptura. 


Também é fundamental ter testes que comprovem que o que é combinado nos contratos está de pé, especialmente nos pontos em que o sistema conversa com terceiros. Isso tira a liberação do reino da esperança e a coloca no campo da verificação. 


Segurança e conformidade sem atrito 


Ambientes críticos carregam a responsabilidade da conformidade: privacidade, auditorias, trilhas de mudança. Incorporar segurança e compliance ao processo de liberação não precisa ser um peso. O que ajuda é transformar exigências em rotinas automatizadas: varreduras de vulnerabilidades fazem parte da esteira; a liberação só acontece se os requisitos mínimos forem atendidos; a telemetria respeita privacidade e tem políticas claras de retenção; o registro de quem liberou, quando e por quê é automático. Isso evita a pior combinação possível: pressa para produzir valor e improviso para prestar contas. 


E a IA entra onde?


A IA é útil quando há padrões difíceis de ver a olho nu. Com modelos simples, você pode detectar mudanças sutis de comportamento — por exemplo, um aumento progressivo de tempo em um passo específico que, isoladamente, ainda não estourou nenhum limite. Em outra frente, a IA ajuda a separar ruído de sinal nos alertas, reduzindo o número de chamadas para a equipe em horários críticos. Mas atenção: IA não substitui regras claras. Em muitas empresas, limiares bem escolhidos, a partir de histórico confiável, resolvem 80% do problema. Comece simples, meça o ganho e só então adicione sofisticação. 


O custo da cautela e o retorno da previsibilidade 


Liberação progressiva e mecanismos de volta rápida têm custo. Às vezes é necessário manter duas versões rodando por horas ou dias, duplicando recursos. Há também o investimento em automação, em testes que cobrem cenários críticos e em observabilidade. Mas vale comparar com o custo invisível das paradas não planejadas: horas da equipe, impacto em receita, desgaste do cliente, oportunidade perdida de inovar por medo. Quando a organização enxerga que a cautela evita incêndios e o processo reduz retrabalho, a conta fecha. Previsibilidade é um ativo financeiro: reduz variação e melhora a capacidade de planejar. 


Comunicação: o lado humano da mudança 


Lançar sem medo também depende de conversa aberta. Equipes de suporte precisam saber o que está chegando, quais sintomas observar e qual é o plano se algo der errado. Internamente, times de negócio precisam entender o cronograma de liberação e os sinais que acionam uma pausa. Em mudanças mais sensíveis, vale avisar usuários estratégicos com antecedência, explicar o benefício e oferecer um canal simples para feedback. Comunicação clara e honesta reduz atrito e acelera a aceitação. 


O que olhar nas primeiras semanas 


Depois de liberar para todos, o trabalho continua. Acompanhe a adoção da nova função, o impacto nos indicadores de negócio e a evolução de chamados. Observe se o comportamento se mantém estável em diferentes horários e regiões, e se não há efeitos colaterais em integrações. Avalie também a “dívida” criada por chaves de funcionalidade temporárias: é importante desligá-las quando perderem o propósito, para evitar um acúmulo que torna o sistema difícil de entender. 


Um roteiro em 90 dias para sair do papel 


Para que tudo isso não vire um projeto infinito, proponho um roteiro enxuto, pensado para realidades com prazos curtos e prioridades concorrentes. 


Semanas 1 a 2: Defina a régua


Escolha duas ou três jornadas críticas (como login, consulta de saldo, envio de pedido). Para cada uma, descreva o que é “boa experiência”: tempo máximo aceitável, taxa de falha tolerável, comportamento das integrações. Transforme essas definições em métricas coletadas de forma automática. Garanta que os dados cheguem rápido o suficiente para tomada de decisão. 


Semanas 3 a 4: Desenhe o caminho 


Modele a esteira de liberação do ponto de vista do negócio: que passos precisam acontecer antes de acender a novidade? Onde você confere segurança, compatibilidade e performance? Crie o mecanismo de ativar e desativar a função sem novo deploy, e documente como voltar atrás de forma imediata. Se há pontos sensíveis com legados, explicite a estratégia de conviver com os dois formatos por um período. 


Semanas 5 a 6: Automatize critérios 


Escreva as regras que determinam avanço e pausa. Comece simples: se a latência média superar um limite por um período, pausa; se a taxa de erros passar do combinado, pausa; se as integrações externas tiverem comportamento anormal, pausa. Registre essas decisões de forma auditável e torne o fluxo visível para toda a equipe. 


Semanas 7 a 8: Faça um ensaio geral 


Escolha uma função de risco controlado e teste o processo de liberação do início ao fim. Observe o que quebrou, o que atrasou e o que gerou dúvidas. Ajuste as regras de avanço e os painéis de acompanhamento. Treine o suporte e deixe mensagens prontas para o caso de ocorrência. 


Semanas 9 a 12: Libere para valer 


Comece a liberar funções relevantes com o novo processo. Use o aprendizado de cada ciclo para simplificar o fluxo e remover ruídos. Ao final, documente um caso real, com antes e depois: incidentes por mês, tempo de resposta, adoção da função, impacto em indicadores de negócio. 


Esse roteiro não pretende competir com metodologias detalhadas. Ele ajuda a sair da inércia, mostrando que é possível gerar valor em pouco tempo sem aumentar o risco. 


Um mini-caso para inspirar 


Uma empresa de serviços financeiros precisava liberar uma nova etapa de verificação em uma jornada sensível. O medo era travar operações no horário de pico. Em quatro semanas, o time definiu métricas sentinela, montou o mecanismo de ativar/desativar a etapa e programou os critérios de avanço. A liberação começou com uma pequena parcela de usuários prioritários, espalhados por regiões e perfis diferentes. Em duas ocasiões, a latência subiu acima do combinado por alguns minutos, e o sistema pausou automaticamente o avanço. Pequenos ajustes resolveram o gargalo. No oitavo dia, a função estava ativa para 100% dos usuários, sem ondas de chamados e sem reunião de crise. O ganho percebido pelo time foi duplo: menos ansiedade no momento da mudança e mais confiança para planejar a próxima. 


O papel do CIO nesse jogo 


O CIO e os líderes de TI são os patrocinadores da previsibilidade. Isso significa dar o tom: aprovar a régua de qualidade, exigir critérios objetivos para avançar e pausar, cobrar visibilidade sobre o que está acontecendo e proteger o time de pressões por “atalhos”. O CIO também é quem pode articular as áreas — produto, engenharia, operações, segurança, compliance e atendimento — para que falem a mesma língua e tenham clareza sobre os riscos aceitos e os benefícios esperados. 


Em empresas com estruturas rígidas, patrocínio executivo faz a diferença para remover bloqueios: desde aprovar ajustes em processos de mudança até priorizar a automação necessária. Quando a liderança trata a liberação como um processo de negócio, não apenas técnico, o restante da organização entende que há método, responsabilidade e ganho real. 


Evite os tropeços mais comuns 


Quatro armadilhas aparecem sempre. A primeira é confundir “monitorar tudo” com “monitorar o que importa”. Painéis lotados não significa controle; escolha poucas métricas que de fato antecipam dor de usuário. A segunda é pular a etapa de documentar decisões. Quando algo dá errado, sem registro claro de critérios e horários, a conversa vira disputa de versões. A terceira é acumular chaves de funcionalidade sem uma política de remoção. Isso torna o sistema opaco e frágil. A quarta é usar IA como bengala, sem base de dados confiável. Modelos aprendem com o passado; se o histórico é ruim, o resultado tende a confundir mais do que ajudar. 


Quando o 100% direto faz sentido 


Há situações em que liberar para todos de uma vez é a decisão certa. Em correções urgentes, em trocas invisíveis para o usuário ou em contextos onde manter duas versões é mais arriscado do que trocar rápido, o “swap” atômico resolve. Nesses casos, a preparação é ainda mais importante: testes que garantem compatibilidade, plano de reversão pronto, e comunicação alinhada. Liberação direta não é sinônimo de impulso; é uma estratégia válida quando a análise aponta que o progressivo não agrega proteção extra. 


O que fica de pé no final 


Lançar sem medo, para 100% dos usuários, não é sobre “ousadia”. É sobre disciplina. Pipeline confiável, métricas que conversam com a experiência e uma tomada de decisão automatizada tornam as mudanças previsíveis e menos custosas. Em ambientes críticos, isso significa dormir melhor, gastar menos com crise e, sobretudo, entregar valor de forma contínua para o negócio. 


Com o tempo, a organização colhe benefícios que vão além das liberações em si. A cultura muda. O “não dá para arriscar” dá lugar ao “vamos medir e avançar com segurança”. A equipe se sente mais dona do processo, porque entende o porquê das regras e enxerga os resultados. O diálogo entre áreas melhora, porque todos passam a falar sobre objetivos em comum e não sobre preferências pessoais. E o usuário — que é quem realmente importa — vê um produto que evolui, sem sustos, como deveria ser. 


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





Conclusão 


Se existe uma mensagem para levar desta leitura, é esta: liberação para 100% dos usuários é tão segura quanto o processo que a sustenta. Com um pipeline que não falha na hora da verdade, com métricas que representem o que o cliente sente e com decisões automáticas bem definidas, você transforma o medo em método. Não precisa ser perfeito na primeira tentativa. Comece com poucas jornadas, estabeleça sua régua e avance com passos curtos e confiáveis. Em um trimestre, é possível sair do papel, provar valor e criar um ciclo virtuoso de melhoria. 


Toda empresa que opera em ambiente crítico vive o dilema da mudança: entregar novidades sem colocar o core em risco. A resposta não é travar; é aprender a trocar a roda com o carro em movimento, mas com o macaco certo, no lugar certo, pelo tempo certo. E, quando isso acontece, lançar para todos deixa de ser motivo de reunião de emergência para se tornar parte do calendário — previsível, auditável e, por que não, motivo de orgulho da equipe. 


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.