A Inteligência Artificial está começando a mudar não apenas as ferramentas utilizadas pelas equipes de dados, mas também a própria definição do trabalho de um analista.
Na Grab, a automação baseada em agentes de IA reduziu a parcela de trabalho manual realizada pelos analistas de 44% para 30% entre fevereiro e junho. A estratégia envolve agentes capazes de descobrir dados, escrever consultas, validar resultados, executar análises e até investigar falhas na plataforma de analytics.
A mudança não significa a eliminação do papel humano.
# publicidade
Pelo contrário. A empresa está criando um modelo no qual os analistas deixam gradualmente de atuar apenas como executores de consultas e passam a trabalhar na criação de workflows, definição de contexto, governança de métricas e interpretação dos resultados.
A automação está reduzindo o trabalho repetitivo dos analistas
Grande parte do trabalho em equipes de dados ainda envolve atividades repetitivas.
Um profissional pode receber uma pergunta, procurar a tabela correta, entender as métricas disponíveis, escrever uma consulta SQL, validar os resultados e, somente depois, iniciar a análise.
Agentes de IA podem assumir uma parte significativa desse processo.
Na Grab, a parcela de trabalho considerada mecânica caiu de 44% para 30% em poucos meses. Isso permitiu que a equipe direcionasse mais tempo para tarefas que exigem interpretação, conhecimento do negócio e construção de novos fluxos de análise.
A principal mudança está na forma como a empresa distribui responsabilidades entre humanos e agentes.
Grab criou cinco níveis para definir a autonomia dos agentes
Para evitar que a automação seja aplicada sem critérios, a Grab estabeleceu um modelo de níveis de autonomia para seus agentes de IA.
A ideia é definir claramente o que o agente pode fazer sozinho e em quais pontos a intervenção humana continua sendo necessária.
Os níveis mais avançados demonstram como o papel do profissional muda à medida que a automação aumenta.
Nível 3: o agente executa a análise
No nível 3, o humano define a pergunta que precisa ser respondida.
A partir disso, o agente pode descobrir os dados relevantes, escrever e executar consultas, validar os resultados e produzir uma análise inicial.
O profissional continua responsável pela revisão da resposta.
Nesse modelo, o analista deixa de executar manualmente todas as etapas técnicas e passa a avaliar se o processo e a conclusão fazem sentido.
Nível 4: o agente planeja e orquestra o workflow
No nível 4, a autonomia aumenta.
O agente passa a planejar e orquestrar fluxos de trabalho analíticos, combinando diferentes ferramentas e etapas para chegar a uma resposta.
Entretanto, determinados pontos de controle, chamados de gates, precisam ser revisados por humanos.
Essa abordagem permite automatizar processos mais complexos sem eliminar completamente a supervisão.
Nível 5: autonomia de ponta a ponta
O nível 5 representa a maior autonomia.
Nesse estágio, o agente pode executar o workflow de ponta a ponta.
Os humanos definem os objetivos, os limites de qualidade e as regras de escalonamento.
A supervisão passa a ocorrer principalmente por exceção.
Ou seja, enquanto o sistema estiver operando dentro das regras estabelecidas, o fluxo pode continuar automaticamente. Quando ocorre uma situação fora do esperado, o problema é encaminhado para uma pessoa.
Apesar da maior autonomia, algumas responsabilidades continuam humanas.
A definição de métricas, a interpretação causal, as premissas de negócio e as decisões estratégicas permanecem sob responsabilidade das pessoas.
Spartan usa IA para transformar perguntas em análises
Uma das peças centrais da infraestrutura da Grab é o Spartan.
O sistema recebe solicitações de análise em linguagem natural, inclusive por meio do Slack, e encaminha cada pedido para o fluxo de trabalho mais adequado.
A plataforma utiliza mais de 50 skills e 120 frameworks de análise.
Isso permite que perguntas diferentes sejam tratadas de maneiras diferentes.
Uma solicitação relacionada à causa raiz de um problema pode iniciar uma investigação baseada em métricas certificadas.
Uma pergunta sobre um experimento pode recuperar um scorecard já existente.
Dessa forma, o sistema não precisa executar consultas desnecessárias sempre que alguém faz uma pergunta.
A proposta é aproximar a experiência de analytics de uma conversa.
Em vez de exigir que cada profissional conheça a estrutura do data lake ou saiba escrever SQL, o usuário pode formular uma pergunta utilizando linguagem natural.
O agente é responsável por encontrar o contexto e utilizar o workflow apropriado.
Contexto é uma parte essencial da infraestrutura
A capacidade de um agente responder corretamente depende diretamente da qualidade do contexto disponível.
Para isso, a Grab investiu na organização de seus ativos de dados.
A infraestrutura inclui mais de 5.000 tabelas e métricas certificadas, 4.000 documentos de contexto e 2.000 registros considerados referências para os agentes.
Esse contexto é administrado pelo sistema ContextIQ.
A ideia é tratar o conhecimento utilizado pelos agentes como algo que precisa de manutenção contínua.
À medida que a instrumentação muda, métricas são alteradas ou novos problemas aparecem, o contexto também precisa ser atualizado.
Falhas identificadas durante o uso dos agentes em produção podem gerar correções e melhorias no conhecimento disponível para os próximos fluxos.
Isso resolve um dos principais desafios dos sistemas baseados em IA: o modelo pode ser capaz de raciocinar, mas ainda precisa saber quais dados são confiáveis, qual métrica deve utilizar e quais regras existem dentro daquela organização.
Agentes também ajudam a operar a plataforma de analytics
A automação não está limitada às perguntas feitas pelos usuários.
A Grab também utiliza agentes para operar parte da própria infraestrutura de analytics.
Um exemplo é o agente Scarlet.
Ele pode analisar falhas de pipeline, realizar investigações de causa raiz e aplicar correções quando existe um procedimento conhecido.
Quando não há um runbook definido ou a situação exige uma decisão mais complexa, o problema pode ser escalado.
Essa abordagem aproxima os agentes de IA de modelos já utilizados em operações de infraestrutura, nos quais sistemas automatizados resolvem incidentes conhecidos e encaminham exceções para especialistas.
A empresa também automatizou análises recorrentes relacionadas a métricas e OKRs.
Os agentes podem identificar mudanças relevantes, dividir resultados por países e segmentos e correlacionar essas alterações com mudanças operacionais ou experimentos.
Self-service analytics está reduzindo a dependência da equipe de dados
Os resultados apresentados pela Grab mostram uma evolução significativa no atendimento de solicitações sem intervenção humana.
Entre março e maio, a taxa de respostas self-service aumentou:
De 53% para 67% em solicitações relacionadas a métricas.
De 63% para 90% em extrações de dados.
De 50% para 81% em consultas SQL.
Cerca de 75% das conversas começaram fora da equipe de analytics.
Além disso, 85% das solicitações receberam uma primeira resposta em menos de um minuto.
Esse tipo de automação pode mudar significativamente a relação entre equipes de negócio e profissionais de dados.
Em vez de cada pergunta gerar um ticket ou uma solicitação para um analista, uma parte crescente das demandas pode ser resolvida diretamente por agentes.
O analista passa a trabalhar menos como um ponto obrigatório de passagem e mais como responsável pela criação e manutenção do sistema que permite esse self-service.
O crescimento da plataforma BriX
A mudança também impulsionou o desenvolvimento do BriX, portal utilizado pela Grab para criar e implantar fluxos de trabalho self-service.
Segundo os dados apresentados, a plataforma registrou crescimento superior a dez vezes desde setembro.
No primeiro semestre, foram realizadas 31 implantações em produção, além de 283 merge requests e 60 funcionalidades.
O crescimento demonstra que a adoção de agentes não depende apenas de um modelo de IA.
É necessário criar uma infraestrutura capaz de transformar o conhecimento dos analistas em workflows reutilizáveis.
Esse pode ser um dos principais pontos da transformação.
O objetivo não é apenas automatizar uma consulta individual, mas construir sistemas capazes de resolver a mesma categoria de problema repetidamente.
O novo papel do analista de dados
A principal questão levantada pela experiência da Grab é simples, mas profunda:
O que acontece com o trabalho de um analista quando um agente consegue preparar dados, escrever consultas e produzir análises?
A resposta não parece ser a eliminação completa do profissional.
O papel começa a mudar.
O analista deixa de ser apenas o responsável por executar uma solicitação e passa a atuar como um designer de workflows.
Isso envolve definir quais métricas são confiáveis, estruturar o contexto disponível para os agentes, estabelecer regras de qualidade e criar processos capazes de funcionar em escala.
O conhecimento humano continua sendo necessário, mas passa a ser utilizado de maneira diferente.
Níveis de autonomia dos agentes de IA na Grab
Nível | Atuação do agente | Supervisão humana |
|---|---|---|
Nível 3 | Descobre dados, escreve e executa consultas, valida resultados e elabora uma análise | O humano formula a pergunta e revisa o resultado |
Nível 4 | Planeja e orquestra workflows analíticos | Humanos revisam pontos de controle definidos |
Nível 5 | Executa o fluxo de ponta a ponta | Humanos definem objetivos, limites de qualidade e regras de escalonamento |
Arraste para o lado para ver toda a tabela.
O futuro do analytics pode estar na criação de sistemas, não apenas em análises
O caso da Grab mostra uma possível direção para as equipes de dados.
Se agentes de IA conseguirem assumir uma parcela crescente do trabalho repetitivo, a principal função dos profissionais poderá migrar para atividades mais estratégicas.
Isso inclui a definição de métricas, construção de contexto, criação de frameworks, desenvolvimento de workflows e interpretação dos impactos para o negócio.
A automação não elimina a necessidade de conhecimento especializado.
Na prática, pode aumentar a importância desse conhecimento.
A diferença é que, em vez de utilizar sua experiência para responder manualmente à mesma pergunta dezenas de vezes, o analista pode transformar esse conhecimento em um sistema reutilizável.
O resultado é uma mudança de função.
O analista deixa de ser apenas um executor de consultas e passa a atuar como arquiteto de decisões e designer de workflows.
Para empresas que estão adotando agentes de IA, esse pode ser um dos principais aprendizados.
A verdadeira transformação não acontece apenas quando a Inteligência Artificial consegue responder perguntas.
Ela acontece quando o conhecimento humano é estruturado de forma que agentes possam executar tarefas repetitivas com segurança, enquanto as pessoas se concentram nos problemas que ainda exigem contexto, julgamento e decisões estratégicas.
