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.
# publicidade
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.
