A Anthropic, criadora do Claude, revelou recentemente um marco importante na operação interna da empresa: 95% de todas as solicitações de análise de dados agora são processadas pelo seu próprio modelo de linguagem.
O que poderia parecer apenas mais um caso de uso corporativo de IA traz, na verdade, uma lição fundamental para desenvolvedores e arquitetos de dados no Brasil: a inteligência artificial só entrega valor analítico robusto quando sustentada por uma base de governança sólida.
Muitas empresas tentam conectar LLMs diretamente a bancos de dados SQL esperando resultados mágicos, mas frequentemente se deparam com alucinações e métricas inconsistentes. A Anthropic inverteu essa lógica, priorizando a disciplina operacional e a semântica de dados antes de escalar o uso dos agentes.
O salto de precisão: de 21% para 95%
Antes da implementação do que a empresa chama de skills (habilidades), o Claude acertava apenas 21% das consultas de analytics. Após codificar fluxos de trabalho específicos e integrar um contexto de negócio detalhado, a precisão saltou para 95% em consultas gerais e chegou a 99% em domínios críticos.
Esse desempenho não veio apenas do poder bruto do modelo, mas da criação de uma camada semântica que traduz termos de negócio em entidades técnicas.
Em vez de perguntar diretamente ao banco, o Claude utiliza arquivos de configuração que orientam como navegar no data warehouse, quais tabelas priorizar e como interpretar métricas, como o cálculo de usuários ativos semanais (WAU).
Cenário de Teste | Precisão sem Skills | Precisão com Skills |
|---|---|---|
Consultas Gerais | 21% | 95% |
Domínios Críticos | ~15% | 99% |
Consultas de Cauda Longa | <10% | ~90% |
Arraste para o lado para ver toda a tabela.
Governança de dados: a base da IA confiável
A automação bem-sucedida na Anthropic baseia-se em quatro camadas arquiteturais que garantem escalabilidade e consistência:
Fundação de dados: Modelagem robusta e métricas bem definidas.
Camada de conhecimento: Definições semânticas, linhagem de dados e contexto claro.
Sistema de Skills: Fluxos de trabalho codificados que repetem processos analíticos padrão.
Sistemas de Validação: Verificações automáticas que garantem a consistência das saídas do modelo.
Para o mercado brasileiro, essa mudança sinaliza que o valor do profissional de dados está migrando do atendimento de chamados repetitivos para a construção de infraestrutura analítica resiliente e modelagem de valor estratégico.
O futuro do profissional de dados
Com 95% das consultas rotineiras automatizadas, a equipe de cientistas de dados da Anthropic redirecionou seu foco. O trabalho mecânico de gerar relatórios simples foi substituído por atividades de maior complexidade, como modelagem causal, previsões avançadas e machine learning aplicado ao núcleo do negócio. Para o desenvolvedor, a mensagem é clara: saber configurar agentes e gerenciar a governança por trás dos modelos é o novo requisito de competência técnica para quem deseja atuar em ambientes de alta performance.
Perguntas frequentes
Por que o Claude não acertava as consultas inicialmente?
Sem contexto semântico e acesso estruturado, o modelo não compreendia as nuances das métricas de negócio, levando a interpretações incorretas dos dados no SQL.
O que são as skills mencionadas pela Anthropic?
São arquivos de configuração que definem fluxos de trabalho, indicando ao modelo quais tabelas usar e como calcular métricas específicas, reduzindo a necessidade de raciocínio lógico complexo do zero.
A documentação humana ainda é necessária?
Sim, a documentação e a definição de linhagem de dados feita por humanos são essenciais para o treinamento e ajuste fino que sustentam a precisão da IA.
Qual a maior barreira para replicar isso no Brasil?
O desafio não é a IA, mas a falta de uma fonte única da verdade nos dados da empresa, que costumam estar fragmentados e com definições divergentes entre departamentos.
Como começar a implementar essa abordagem?
Comece investindo em metadados, limpeza de dados e padronização semântica. Sem esses pilares, a automação com IA em BI tende a gerar métricas conflitantes.
