IBM usa dados em tempo real para turbinar IA com precisão única

Tecnologia

Shaun Clowes revela como a arquitetura streamhouse integra dados instantâneos para aprimorar agentes de IA em ambientes reais.

Leia também: Call of Duty: Modern Warfare 4 chega ao GeForce NOW com RTX 5080

A IBM apresentou nesta semana uma nova abordagem para colocar a inteligência artificial em produção nas empresas, baseada em dados em tempo real e forte governança. A estratégia, explicada por Shaun Clowes, general manager de Confluent e Dados da IBM, gira em torno de uma arquitetura de dados chamada streamhouse, pensada para garantir que agentes de IA trabalhem sempre com o contexto correto, atualizado e especializado para cada tarefa.

Como a IBM integra contexto governado na produção de IA?

Segundo Shaun Clowes, o ponto central da proposta é levar governança e preparo dos dados o mais perto possível da sua origem, conectando essa base diretamente aos modelos de linguagem ampla usados pelos agentes de IA. Em vez de depender de grandes repositórios centralizados e muitas vezes desatualizados, a arquitetura streamhouse combina streaming, conectividade, processamento, governança e consulta de dados distribuídos, formando produtos de dados especializados para cada agente.

“Agora precisamos de um novo tipo de arquitetura, que reúna todo o estado atual do nosso negócio e o apresente diretamente aos LLMs”, afirmou Clowes, em entrevista para a série AI Operating Model da IBM, gravada no estúdio de livestreaming theCUBE, da SiliconANGLE Media. Essa visão busca responder a um desafio prático: agentes de IA que tomam decisões em áreas como reservas de viagem, rastreamento de bagagens ou aluguel de carros não podem depender de snapshots antigos de informação.

Na prática, a streamhouse permite que o dado seja capturado, transformado, governado e disponibilizado para consulta quase em tempo real, sem exigir que tudo seja levado primeiro para um grande data lake ou data warehouse. “Quanto mais cedo você governar os dados, melhor. Quanto mais rápido produzir dados de alto valor, melhor”, resumiu o executivo. A partir daí, os dados relevantes são conectados aos pontos onde os agentes precisam atuar.

Contexto certo para o trabalho certo

Clowes ressalta que não basta oferecer muito dado para um modelo avançado: é preciso entregar o contexto específico de cada função. “Você não daria seu trabalho de contas a receber a um físico nuclear que trabalha na produção de energia da sua empresa. Então, por que daria a um modelo muito inteligente todas as informações possíveis sobre seu negócio e pediria para ele resolver contas a receber? Você precisa do contexto certo para o trabalho”, disse.

Isso significa que, além de atualizados e governados, os dados precisam refletir com precisão o significado de cada termo de negócio para cada time. O mesmo conceito pode variar entre áreas, e essa ambiguidade é um risco para a tomada de decisão automática. “Você pode descrever: ‘Ei, neste processo de negócio, o que eu quero dizer é X’. Então, você pode ter métricas governadas e conjuntos de dados governados que representam a base sobre a qual o modelo vai raciocinar”, explicou.

Com esse desenho, a IBM defende que agentes de IA passem a operar com “contexto governado”: um conjunto de definições, métricas e dados que são explicitamente validados para aquele processo e atualizados em fluxo contínuo. A promessa é reduzir decisões erradas causadas por informações incompletas, fora de contexto ou interpretadas de forma diferente por cada área.

Entenda o contexto

A entrevista de Shaun Clowes integra a série AI Operating Model da IBM, pensada para discutir como levar a IA de uso pessoal para o coração das operações empresariais. A discussão acontece às vésperas do evento IBM TechXchange 2026, em que a empresa deve detalhar casos práticos e ferramentas alinhadas a essa visão.

Clowes argumenta que, se antes os dados eram vistos como “o novo petróleo” usado por humanos para tomar decisões melhores, agora o cenário muda: agentes de IA passam a consumir diretamente essas informações para decidir sozinhos, em ritmo e escala muito maiores. Isso exige que a infraestrutura de dados acompanhe o tempo real do negócio, incluindo ambientes remotos e críticos, como plataformas de petróleo, navios de cruzeiro ou ativos de energia espalhados.

“Você deve sempre se perguntar: ‘Como posso saber o estado atual do meu negócio?’ Porque é nesse mundo que as decisões são tomadas, seja por humanos ou por agentes”, afirmou Clowes. Para ele, não existe mais uma solução única e central que resolva tudo; o desafio é costurar diferentes fontes em uma visão operacional confiável e continuamente atualizada.

Do assistente ao agente autônomo

A IBM defende que as empresas comecem pela automação de tarefas de alto valor, em que o ganho é claro, e aprimorem os agentes à medida que eles ganham experiência operacional. Primeiro, os agentes executam processos já definidos, com supervisão humana. Depois, podem chegar ao ponto de questionar a própria forma como o trabalho está organizado.

Nesse estágio, entram em cena agentes “supervisores”, capazes de sugerir mudanças em fluxos de trabalho com base no que aprendem ao longo do tempo. A arquitetura streamhouse é apresentada como pré-requisito para essa evolução: sem dados atuais e governados em tempo real, o risco de decisões equivocadas cresce e limita o grau de autonomia que as empresas podem delegar à IA.

A transição de decisões assistidas por humanos para operações autônomas também muda o fluxo de informação. Em vez de colaboradores reunindo dados para depois alimentar sistemas, os próprios agentes precisam ter acesso contínuo aos dados operacionais. É essa ligação direta entre o “estado atual do negócio” e a lógica dos modelos que a IBM tenta industrializar com sua abordagem.

Quem ganha e quem pode ficar para trás

Setores com processos complexos e dinâmicos aparecem como os mais impactados por essa mudança de arquitetura. Turismo, logística, energia e serviços financeiros lidam diariamente com grandes volumes de dados sensíveis, que mudam a cada minuto — reservas, rotas, estoques, monitoramento de ativos remotos, indicadores de risco. Para esses segmentos, decisões fora de contexto ou com base em informações atrasadas podem significar prejuízos imediatos.

Ao conectar streaming, governança e especialização de contexto, a streamhouse promete encurtar o ciclo entre o que acontece na ponta e a decisão tomada pelo agente de IA, seja para aprovar uma operação financeira, redirecionar um caminhão ou reacomodar um passageiro. A consequência, se funcionar como a IBM projeta, é uma vantagem competitiva para quem adotar essa arquitetura e conseguir treinar agentes que entendam profundamente os processos da casa.

Na outra ponta, empresas presas a sistemas legados, com dados fragmentados, mal governados ou atualizados apenas em lotes, tendem a ter dificuldade para ir além de chatbots genéricos ou assistentes limitados. Sem contexto governado e dados em tempo quase real, a autonomia dos agentes fica restrita e o risco operacional aumenta, o que pode atrasar ou até inviabilizar projetos de IA mais ambiciosos.

Os próximos passos da IBM incluem levar a arquitetura streamhouse para implementações concretas com clientes e amadurecer ferramentas de definição de métricas e conjuntos de dados confiáveis. A expectativa é que, conforme esses padrões se consolidem, agentes de IA se tornem parte orgânica das operações em tempo real, inclusive em ambientes remotos e desafiadores, redesenhando a forma como as empresas organizam e executam seu trabalho diário.

Fonte: matéria original