Teamwork Collection em ação: transforme decisões em entregas com ROI comprovado

Romildo Burguez • September 19, 2025

No primeiro artigo, apresentamos a ideia de “língua comum do trabalho” que a Atlassian propõe com a Teamwork Collection (Jira + Confluence + Loom + agentes Rovo). Agora, vamos do conceito à prática — com um roteiro para adotar, medir e escalar em ambientes onde TI é enxuta, os sistemas são críticos e a pressão por previsibilidade é diária. Você verá como transformar reuniões em decisões rastreáveis, como reduzir retrabalho conectando conhecimento a tickets e como colocar a IA para trabalhar com contexto (não ao redor dele) — tudo com governança clara e indicadores de ROI acompanhando cada passo. 


Quer se aprofundar? Continue com a gente! 


O que muda, objetivamente, quando você “padroniza o jeito de trabalhar” 


Antes: conversas espalhadas, decisões “soltas” no chat, documentos em pastas paralelas, tickets criados sem contexto, retrabalho por mal-entendido. 


Depois (modelo Teamwork Collection): 


  • Jira como sistema de registro do trabalho (o “onde a execução acontece”). 
  • Confluence como repositório vivo de decisões, contextos e padrões (o “por quê e como”). 
  • Loom como fio condutor da comunicação assíncrona e assistente de reunião com IA (o “o que foi dito vira ação”). 
  • Rovo (agentes de IA) como colegas virtuais que entendem o seu Teamwork Graph e colaboram em atividades reais — brainstorming, diagramas, fluxo de trabalho, resumos, criação de tickets e mais. 


A vantagem competitiva está menos na “ferramenta” e mais no encadeamento: o que é decidido vira ticket com contexto, o que é executado retroalimenta o conhecimento e a IA “enxerga” o todo via Teamwork Graph. Por design, a Teamwork Collection reúne Jira, Confluence e Loom sob uma assinatura; nos níveis superiores (Premium/Enterprise), inclui Rovo e Atlassian Guard Standard — garantindo produtividade com IA, planejamento transversal e segurança em nível organizacional. 


Pressão por agilidade não é moda: 89% dos líderes acreditam que as empresas precisam ser mais ágeis para acompanhar a concorrência, mas 74% apontam a comunicação ineficaz como barreira. A Teamwork Collection nasce exatamente para atacar esse ponto — silos, IA sem contexto e ferramentas desconectadas. 


Três trilhas de valor para setores tradicionais (com exemplos reais) 


Vamos descer do conceito para três frentes que aparecem em qualquer operação estabelecida: reuniões, mudanças operacionais e incidentes. Em cada trilha: como fica no modelo, qual o ganho esperado e o que medir. 


Reuniões → decisões com dono (menos chamadas, mais clareza) 


Como fica no modelo: 


  • Grave encontros críticos com Loom; o assistente de IA transforma tudo em resumo com itens de ação, poucos segundos após o fim. Publique no Confluence (acesso fácil) e dispare ações criando issues/tarefas no Jira — sem reescrever nada, nem depender da memória de alguém. 
  • Para alinhamentos que não precisam de reunião, use vídeos curtos. O time assiste quando pode, comenta, e você economiza blocos de agenda sem perder contexto. 


O que medir: 


  • Reuniões substituídas por Loom (contagem semanal). 
  • % de reuniões com decisão, responsáveis e próximos passos publicados no Confluence em até 24h. 
  • Tempo médio “discussão → início de execução” (criação do ticket no Jira). 


Ganho: menos interrupção, mais foco e decisões rastreáveis numa linha do tempo única (vídeo → página → ticket). 


Mudanças operacionais → fluxo previsível (do “pedido” ao “deploy”) 


Como fica no modelo: 


  • O Confluence abriga o padrão de mudança (pré-check de risco, dependências, aceite). 
  • No Jira, o Construtor de Fluxos ajuda a configurar o processo em linguagem natural (status, transições, regras), com automações para reduzir passos manuais. 
  • Os agentes Rovo sugerem subtarefas, relacionam tickets e páginas relevantes e melhoram a qualidade do que entra no board (descrições geradas por IA, relacionamentos e filhos). 


O que medir:

 

  • Lead time da mudança (pedido → deploy). 
  • Taxa de reabertura por falta de contexto. 
  • Incidentes pós-deploy por integração falha. 


Ganho: previsibilidade e menos retrabalho. O efeito aparece rápido quando cada mudança “chega” ao time com contexto suficiente para executar sem idas e vindas. 


Incidentes → aprendizado institucional (MTTR cai, memória sobe) 


Como fica no modelo: 


  • A área técnica registra um Loom curto com sintomas e hipóteses; o resumo com itens de ação é publicado no Confluence com links para tickets no Jira. 
  • Rovo busca casos similares e recomenda passos a partir do seu Teamwork Graph, que mapeia relações entre equipes, metas, itens e conhecimento (inclusive aplicativos externos conectados). 


O que medir: 


  • MTTR (time to restore) vs. baseline. 
  • % de incidentes com post-mortem publicado (decisões e ações vinculadas). 
  • Itens recorrentes resolvidos com “padrões” reutilizados (aprendizado reaplicado). 


Ganho: além da resolução mais rápida, aprendizado institucionalizado — incidentes deixam de ser “eventos” e viram base para prevenção. 


O papel do Teamwork Graph e por que a IA “acerta” mais nesse modelo 


Sem contexto, IA vira ruído. Com o Teamwork Graph, a Atlassian cria uma camada de dados unificada que integra trabalho, metas, páginas, solicitações, projetos e mais de 100 apps. O Graph mapeia relações — quem trabalha em quê, como e com quem — para que busca, chat e agentes ajam dentro do seu fluxo (não em um texto solto). Isso é a base para respostas mais precisas, recomendações úteis e automações que não quebram. 


É sobre “situar” a IA no seu negócio. Por isso, Rovo não é só um chat: é um conjunto de agentes prontos (mais de 20) e personalizáveis que atuam em Confluence e Jira, podem ser chamados por automação, e consomem fontes de conhecimento internas e de apps conectados. Em termos práticos, o agente entende objetivo, dados e restrições antes de sugerir, criar tickets ou sintetizar decisões. 


ROI sem mistério: a conta que convence 


Onde está o ganho mais rápido? Normalmente em reuniões substituídas por Loom, tickets melhores (menos reaberturas) e encontros que viram ação sem retrabalho. 


Um cálculo simples para apresentar ao board: 


  • Horas de reunião evitadas/mês × custo/hora médio das pessoas que participariam. 
  • Redução de reaberturas × tempo médio por reabertura (considerando o custo do time e o custo do atraso para o cliente). 
  • Queda no lead time de mudanças × valor do deploy mais cedo (ex.: menos estoque imobilizado, menos multa, mais faturamento). 


A sustentação vem do processo: Loom AI resume, extrai ações e envia follow-ups; Confluence guarda decisões; Jira consolida execução; Rovo e Teamwork Graph fornecem contexto e automações. Assim, você isola a variável “ferramenta” e mostra causa → efeito em operação real. 


Plano 30–60–90 (agora detalhado e orientado a indicadores) 


0–30 dias: Fundamento que já gera valor 


  • Crie o “Espaço da Equipe” padrão: Projeto no Jira + Espaço no Confluence + Pasta no Loom, conectando Slack/Teams e repositórios críticos. Publique 3 templates de página (decisão, procedimento, post-mortem) e 2 templates de ticket (mudança e incidente). 
  • Ative o Loom nas cerimônias essenciais e em reuniões com áreas de negócio — configure o envio automático dos resumos e itens de ação. 
  • Métricas de base: reuniões/semana; % com decisões registradas; lead time de mudança; reaberturas; MTTR.

 

31–60 dias: IA no fluxo e automação útil (sem “pirotecnia”) 


  • Introduza 3 agentes Rovo prontos alinhados às dores: Meeting Insights, Workflow Builder, Whiteboard Ideation (brainstorm e diagramas no Confluence). 
  • Automatize um gargalo: por exemplo, uma regra no Jira que aciona um agente Rovo para analisar os itens em “em revisão” e gerar um sumário para o Confluence toda sexta. 
  • Revise indicadores: tempo “decisão → execução”; % de tickets criados via reunião com descrição gerada por IA; taxa de retrabalho. 


61–90 dias: Governança leve + escala 


  • Padronize chaves Jira, permissões e retenção; estabeleça taxonomia mínima no Confluence; consolide pastas Loom por programa. 
  • Expanda agentes para status reports, triagem de demandas repetitivas e geração de páginas de release. 
  • Segurança e identidade: se estiver em Premium/Enterprise, Atlassian Guard Standard auxilia no controle organizacional (SSO, políticas para usuários externos, expiração de sessão etc.). 
  • Painéis executivos: evolua do “sentimos que ficou melhor” para métricas comparáveis (pré vs. pós-adoção). 

Como escolher por onde começar (matriz rápida) 


Crie uma matriz simples (Impacto × Facilidade) e liste fluxos candidatos. Em empresas tradicionais, três candidatos quase sempre aparecem no quadrante “alto impacto/alta viabilidade”: 


  1. Aprovação de mudanças de integração (ERP + satélites). 
  2. Incidentes que afetam receita (checkout, faturamento, logística). 
  3. Reuniões de alinhamento entre TI e operações (planejamento semanal). 


Para cada um, responda: O que decide? Onde registra? Onde executa? Como mede? 


Se qualquer resposta envolver múltiplos lugares ou “depende”, é um ótimo ponto de entrada para a Teamwork Collection. 


Playbook de agentes Rovo que geram valor rápido 


Abaixo, um pacote de agentes recomendados para times enxutos que precisam de previsibilidade:

 

  • Relator de Insights de Reunião: automatiza resumos, prazos e responsáveis a partir de gravações do Loom; publique no Confluence e gere tarefas no Jira. (Evita atas manuais e follow-ups esquecidos.) 
  • Construtor de Fluxos de Trabalho (Jira): do português/inglês natural para um workflow executável (status, transições, regras). (Reduz dependência de um único “expert de workflow”.) 
  • Gerador de Brainstorming (whiteboards no Confluence): cria cartões com base em dados históricos. (Tira a equipe do “branco da tela”.) 
  • Criador de Diagramas: transforma discussões em fluxos visuais sem precisar dominar notações. (Comunicação mais clara para negócio e auditoria.) 


Dica: comece com os out-of-the-box e avance para agentes customizados, ajustando instruções e fontes. Eles podem ser chamados via chat, atalhos (/ai), ou regras de automação, e acessar dados de apps Atlassian e de terceiros conectados — sempre com o contexto do Teamwork Graph. 


Governança sem burocracia 


  1. Taxonomia mínima no Confluence (prefixos por área, modelos de decisão e post-mortem, política de anexos). 
  2. Projetos Jira por objetivo/fluxo, não por departamento; facilite a leitura do board por quem não é TI. 
  3. Permissões por papel (negócio, TI, parceiros) e padrão de chaves (ex.: OPS-1234). 
  4. Loom com playlists por programa; vídeos curtos “como fazemos X”, sempre linkados ao Confluence. 
  5. Guard (Planos Premium/Enterprise) para políticas organizacionais e controle sobre usuários externos.

 

Como evitar antipadrões  


  • “Faz o agente aí”: IA sem objetivo e sem medição. Troque por: agente para problema específico com indicador de resultado (ex.: % de reuniões com decisão publicada). 
  • Templates que viram burocracia: modelos quilométricos que ninguém lê. Troque por: páginas curtas com resumo no topo (situação, decisão, próximos passos). 
  • Automação que notifica demais: alertas que geram “surdez”. Troque por: 2–3 regras que removem trabalho manual (atualização de status, página de release, sumário semanal). 
  • Workflows “para sempre”: o processo muda e o fluxo não acompanha. Troque por: revisão mensal com Construtor de Fluxos e métricas (lead time, retrabalho). 


Segurança e conectores: IA com limites bem definidos 


O Teamwork Graph consolida dados de Atlassian e apps externos, mantendo governança de acesso e identidade do seu tenant. Admins podem gerenciar conectores, entender o que entra no Graph e ajustar a política de segurança — e, quando em níveis superiores, contar com Guard para políticas organizacionais como SSO, controle de sessão e usuários externos. Em suma: IA útil e auditável, sem abrir mão de controles de empresa grande. 


Checklist de adoção (copiável para o seu Confluence) 


  • Espaço de equipe padrão (Jira + Confluence + Loom conectados). 
  • 3 templates de página (decisão, procedimento, post-mortem) e 2 de ticket (mudança, incidente). 
  • Loom ativado nas cerimônias essenciais e reuniões com negócio; resumos publicados automáticamente. 
  • 3 agentes Rovo prontos em uso (insights de reunião, brainstorming/diagramas, construtor de fluxos). 
  • 1 automação que chama agente (ex.: sumário semanal no Confluence). 
  • Métricas ativas: reuniões substituídas, % com decisão registrada, lead time de mudança, reaberturas, MTTR. 
  • Governança mínima (taxonomia Confluence, chaves Jira, permissões por papel). 
  • Painel executivo simples (pré vs. pós-adoção). 
  • Política organizacional reforçada (SSO, usuários externos, sessões) — se aplicável, com Guard. 


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




 

Conclusão 


Empresas de setores consolidados precisam de tecnologia como meio para estabilidade, eficiência e crescimento — não como fim. A Teamwork Collection oferece uma rota prática para isso: conectar decisão, conhecimento e execução em um fluxo só, onde Loom reduz reuniões e captura contexto, Confluence dá memória e clareza, Jira organiza a execução e Rovo coloca a IA para trabalhar com o Teamwork Graph por baixo. O resultado não é só produtividade; é previsibilidade — o tipo de valor que o board entende e aprova. 


Se você leu o primeiro artigo e estava se perguntando “por onde começo, como eu meço e o que eu padronizo?”, este desdobramento dá o caminho. Comece pequeno (um fluxo crítico), publique decisões, transforme reuniões em ação, melhore a qualidade dos tickets e acione 2–3 agentes onde dói. Em 90 dias, a sua TI enxuta deve conseguir mostrar menos retrabalho, menos reuniões, mais previsibilidade — e uma IA operando no processo, não “ao lado” dele. A partir daí, escalar é questão de repetir o método. 


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.