Trocar ou reformar seu sistema? Saiba como tomar a melhor decisão

Romildo Burguez • August 7, 2025

Seu sistema core continua funcionando, mas cada pequena mudança parece exigir doses crescentes de café, nervos de aço e um nível de paciência que nenhum CIO deveria precisar demonstrar. Em paralelo, o conselho quer respostas rápidas: “Vamos modernizar? Quanto custa? Em quanto tempo paga o investimento?” A pergunta que se repete em todas as reuniões soa simples, mas traz camadas de implicações estratégicas: vale mais a pena trocar tudo de uma vez ou reformar aos poucos? 



Nesse post, você encontrará um guia prático que ajudará líderes de tecnologia a comparar quatro abordagens populares (lift-and-shift, replatform, strangler e rebuild) e decidir, em minutos, qual delas gera mais valor com o menor risco possível. 


Quer saber mais? Continue a leitura! 


O dilema do legado 


Se você trabalha em uma empresa consolidada, o software que sustenta a operação provavelmente nasceu antes da maioria dos apps que são usados hoje. Ele cresceu sob sucessivas camadas de regras de negócio, integrações pontuais e correções de emergência. Resultado: é confiável...até o ponto em que deixa de ser. Quando isso acontece, abrir um chamado não resolve. É preciso encarar a raiz do problema. 


Ao mesmo tempo, há uma demanda crescente por novas jornadas digitais, integração com parceiros e lançamento de produtos financeiros em ciclos cada vez menores. É aqui que surge o impasse: reconstruir tudo do zero pode levar dois anos e custar uma fortuna; ficar onde está pode engessar a empresa e reduzir competitividade. Entre esses extremos, existem rotas intermediárias. Conhecê-las é o primeiro passo para escolher bem. 


As quatro rotas possíveis 


Lift-and-shift: mudar de endereço 


Pense em transportar uma biblioteca inteira de um prédio antigo para outro mais moderno, prateleira por prateleira, sem alterar os livros. Na TI, isso significa colocar o sistema que você tem hoje em um ambiente mais robusto, normalmente na nuvem, sem mexer no código-fonte. É rápido, exige pouco esforço de engenharia e, de imediato, reduz custos de infraestrutura. Por outro lado, não resolve gargalos de performance nem facilita a criação de novas funcionalidades, porque o “livro” segue igual. 


Replatform: trocar parte do motor 


Aqui, você leva o carro para a oficina e troca o carburador por injeção eletrônica, mantendo a carroceria original. Na prática, significa adaptar componentes críticos (como banco de dados ou servidor de aplicação) para tecnologias mais eficientes, sem redesenhar toda a lógica de negócio. O ganho aparece em performance e escalabilidade, mas ainda existe dependência de bases de código antigas, o que limita quão longe a modernização pode chegar. 


Strangler: reforma cômodo por cômodo 


Inspirada no cipó que abraça a árvore até substituí-la, essa abordagem cria módulos novos ao redor do legado e, aos poucos, retira pedaços antigos de circulação. Em vez de um projeto monolítico, você executa várias entregas menores, cada uma gerando valor de forma incremental. O risco fica diluído e a equipe aprende com cada etapa. Por outro lado, há necessidade de conviver com dois mundos (antigo e novo) durante um certo período, exigindo atenção redobrada à segurança e à governança de dados. 


Rebuild: casa nova em lote vizinho 


Quando o imóvel ameaça cair e a planta não comporta mais a família, demolir tudo e começar do zero se torna inevitável. No software, reconstruir significa reimaginar processos, interfaces e bases de dados. É a chance de eliminar dívidas históricas e adotar padrões de mercado já consolidados. O custo e o tempo, porém, são maiores; além disso, a mudança cultural é profunda, pois equipes precisam aprender novas tecnologias e rotinas quase do zero. 


Como comparar risco e valor em minutos 


Para não cair em “achismo”, use uma matriz simples de dois eixos: valor (longo prazo) e risco (curto prazo). Quanto mais no quadrante superior direito, melhor: alto retorno, baixo risco. 


Liste ganhos de negócio medidos em dinheiro, tempo ou satisfação do cliente. Exemplo: reduzir o tempo para lançar um novo produto de seis meses para seis semanas. 


Identifique riscos imediatos, como indisponibilidade do sistema, multas regulatórias ou perda de dados. 


Plote cada estratégia na matriz. Lift-and-shift tende a ficar em “baixo risco, baixo valor”. Rebuild ocupa “alto risco, alto valor”. Replatform e Strangler variam conforme contexto. Em equipes pequenas, geralmente se encontram em zonas intermediárias. 


Ao visualizar o gráfico, fica mais fácil explicar ao CFO por que você defende um piloto de replatform agora e um rebuild no horizonte de dois anos, por exemplo. 


Critérios que mudam o jogo 


Orçamento e Payback 


Empresas com caixa apertado preferem iniciativas que paguem a conta em até 12 meses. Nesse cenário, lift-and-shift ou um replatform em módulo de baixo risco são cartas na manga. Projetos mais ousados pedem reservas financeiras ou uma fonte de receita incremental que banque a transformação. 


Urgência competitiva 


Se um concorrente já oferece conta digital em tempo real e o seu sistema leva horas para atualizar saldos, esperar três anos por um rebuild pode frustrar clientes e acionistas. Nesse caso, uma estratégia strangler, focando primeiro nos canais de maior visibilidade, entrega resultados rápidos sem sacrificar a visão de longo prazo. 


Regulatório e segurança 


Instituições financeiras obedecem a normas de tráfego, criptografia e segregação de funções. Qualquer movimento exige trilha de auditoria. Lift-and-shift demanda certificações do novo data center. Rebuild permite desenhar segurança desde o início, mas exige homologação completa. Mapear esses pontos evita surpresas com o departamento de compliance. 


Equipe e cultura 


Squads enxutos precisam de automação “até o osso”: provisionar ambientes em minutos, monitorar tudo num painel único, executar rollback ao toque de um botão. Se a equipe ainda vive de tarefas manuais, começar por lift-and-shift e adotar boas práticas de observabilidade já prepara o terreno para passos maiores. 


Exemplos práticos 


Extrato bancário em 90 dias: uma instituição moveu o serviço de consulta de extrato para nuvem em um lift-and-shift rápido, instalou camada de observabilidade e cortou custos de infraestrutura em 30%, tudo sem interrupção para o cliente final. 


Aplicativo de crédito sob strangler: ao lançar uma linha de crédito digital, o banco isolou o cálculo de juros em um microsserviço novo, enquanto o resto do core seguia no legacy. Em seis meses, metade das novas contas já consumia o serviço moderno, sem migração em massa. 


Rebuild do motor de precificação: com base nos sucessos anteriores, a equipe aprovou um rebuild completo do motor de precificação de crédito, garantindo margens melhores e mais transparência regulatória. A decisão só foi aprovada porque KPIs de projetos menores comprovaram redução de incidentes e aumento de receita. 


Roteiro em 5 passos para decidir em 10 minutos 


Faça um inventário rápido: quais módulos mais irritam usuários e geram custo extra? 


Associe cada módulo a dinheiro ou reputação: atraso no extrato afeta satisfação? Falha em débito automático gera multa? 


Escolha uma abordagem preliminar para cada módulo (use a matriz risco x valor). 


Desenhe um MVP que caiba em três meses: quanto custa, quem executa, qual KPI comprova valor. 


Valide com o board: apresente o gráfico, destaque quick wins e peça aval para o piloto — lembre-se de mostrar cenário de longo prazo para evitar o “moderniza-e-para”. 


Esse ciclo rápido coa complexidade e dá segurança de que a empresa não vai investir milhões no escuro. 


Erros comuns que viram armadilhas 

Confundir tecnologia com solução: migrar para nuvem sem repensar processo gera economia limitada. 


Ignorar custos de convivência híbrida: em strangler, mantenha monitoramento unificado; dois painéis de alerta dobram o trabalho. 


Deixar compliance para depois: ajustar trilha de auditoria no fim custa caro e pode atrasar go-live. 


Superestimar a equipe: rebuild sem capacitação vira “rebuilder”. Um projeto que nunca conclui. 


Evitar esses tropeços protege prazo, orçamento e reputação. 


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


Evite retrabalho caro: o checklist que todo projeto de migração precisa 


Como desenvolver software em ambientes legados com segurança e eficiência 


Sistemas Core: Como projetos estruturantes transformam a eficiência operacional   


Conclusão 


Modernizar sistemas não precisa ser sinônimo de maratona sem linha de chegada. Ao entender as quatro rotas possíveis, plotar cada uma numa matriz risco x valor e seguir um roteiro enxuto de decisão, você transforma um dilema complexo em um plano objetivo. 


Trocar tudo? Reformar aos poucos? A resposta certa depende do seu contexto, mas o caminho para descobri-la ficou mais curto. Comece pelo módulo que dói mais, escolha a estratégia que dê retorno rápido sem afetar a operação e mostre resultados tangíveis. 


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 revisar seus sistemas, identificar riscos, priorizar ganhos 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.