One of the reasons programmers “got” agentic AI first, in the sense that it could meaningfully alter their productivity and effectiveness, is because code could be checked. They turn agents loose on a function, read the diff, run the tests, and decide whether to keep it.
One of the reasons programmers “got” agentic AI first, in the sense that it could meaningfully alter their productivity and effectiveness, is because code could be checked. They turn agents loose on a function, read the diff, run the tests, and decide whether to keep it.
The folks who work with data all day long sit one step back from the same door. People in business and financial operations roles outnumber software developers in the US by about six to one, and they’ve thus far picked up a small fraction, at best, of the productivity gain that engineering has absorbed. Yes, they can describe the analysis they want, which is what requires their specialized knowledge. What comes back to them is a number or a chart, or maybe two hundred lines of code, none of which shows an analyst how the results were produced.
The output, in other words, cannot automatically be assumed to have used the right pieces of data, combined it correctly, and finally computed with the right formulas. Or maybe the agent missed a bunch of the data. The result is a black box, which isn’t something that should breed confidence.
The question then becomes why, and there are three solvable variables.
A business user’s data sits in spreadsheets, files in SharePoint, applications such as Salesforce, and data platforms such as Databricks, Snowflake, or BigQuery. Getting to it means filing a request with a data platform team whose responsibility is governing everything. Of course, as just about any data platform engineer will tell you, the team’s headcount is undersized for the requests it receives, and what the business user gets as a workaround is often a copy of a copy. Maybe it’s a CSV that was pulled a couple of months ago, or a workbook that has been handed off four times with untracked changes. Then when an agent goes to work on that data, the business user has something fast… working on a shadow version of the truth. The data lineage is long gone before the agent takes its crack, so no one is really sure where certain numbers came from, and the trust has been lost. Not good regardless of use case, and probably a career event if you’re at a financial institution.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 12/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por que importa
A conversa sobre inteligência artificial ficou barulhenta, e isso dificulta enxergar o que importa. O que importa quase nunca é o modelo: é qual processo concreto fica mais barato, mais rápido ou mais confiável, e quem responde quando a resposta sai errada.
O que olho primeiro não é a capacidade do modelo, e sim o dado que o alimenta. Quase todos os projetos que vi fracassar não fracassaram pelo algoritmo: fracassaram porque o dado estava em três sistemas com três definições diferentes e ninguém quis ser quem arrumaria isso.
O que costuma dar errado
O ponto em que costuma quebrar é a passagem para a operação. A equipe que fez o piloto sabe interpretar os resultados; a que recebe, não. Sem capacitação e sem critérios escritos, as pessoas passam a aceitar tudo o que o modelo diz ou a ignorá-lo por completo, e as duas coisas custam igual.
O que observar
- Qual processo concreto é tocado e como se mede antes e depois; sem linha de base não há resultado, há opinião.
- Quem revisa as saídas do modelo e com que frequência — o ponto em que a IA se torna auditável.
- O custo por consulta em volume real, não o do piloto: é a variável que mais dá surpresas.
Como leio esta publicação
Eu usaria isto para uma conversa de talento mais do que de compra. A capacidade que precisa ser instalada não é operar uma ferramenta, que muda a cada seis meses, e sim formular bem o problema e avaliar a resposta. Essa fica em casa.
A notícia original está publicada em outro idioma; o trecho é citado como o veículo o entrega e o comentário é escrito em português.
Comentários
Ainda não há comentários. O primeiro pode ser o seu.
Está vivendo isso na sua equipe?
Abra o chat e me conte como estão lidando com isso. Tenho interesse em comparar notas.
