O campo “receita” chega em reais em uma filial e em centavos em outra. Um CRM aceita datas impossíveis; um conector duplica pedidos durante uma retomada; a definição de cliente ativo muda sem atualizar o dashboard. Cada erro isolado parece pequeno, mas se propaga para relatórios, modelos e automações que tomam decisões em escala.
Em 4 de novembro de 2026, a AWS descreveu um agente de qualidade de dados em produção na Indegene: ele usa contexto para gerar regras, valida as propostas e produz SQL ou Python sob governança humana centralizada. No mesmo dia, o Google apresentou sua Agentic Data Cloud, reforçando dados governados e contexto empresarial para agentes. A tendência aponta para agentes de qualidade de dados integrados ao fluxo, e não auditorias manuais tardias.
Por que as regras tradicionais não acompanham o negócio?
Verificar nulos, tipos e duplicidade continua essencial, mas não captura significado. Um desconto de 80% pode ser válido em liquidação e impossível em contrato corporativo. Um endereço vazio pode ser aceitável para produto digital e bloqueador para entrega física. A regra depende de domínio, etapa, contrato e tempo.
O agente ajuda a transformar conhecimento disperso — catálogo, esquema, tickets, políticas e correções anteriores — em propostas de controle. Ele reduz trabalho repetitivo, mas as regras que alteram ou bloqueiam dados precisam de dono, teste e aprovação.
O que o agente deve fazer
Descobrir e classificar dados
Ler esquema, perfil estatístico, linhagem, frequência e uso. Colunas sensíveis ou ligadas a decisões financeiras recebem criticidade maior.
Propor regras com contexto
Além de formato, sugerir consistência entre campos, limites por segmento, integridade referencial, sequência temporal e reconciliação entre sistemas. Cada regra deve explicar fonte, intenção e severidade.
Gerar implementação executável
Traduzir a regra aprovada para SQL, Python ou framework de qualidade, com teste positivo e negativo. Código gerado deve passar por revisão, ambiente isolado e versionamento.
Monitorar e investigar
Executar controles no ponto certo da pipeline, agrupar ocorrências, relacionar mudança de origem e evitar uma avalanche de alertas idênticos. O agente recomenda causa e responsável; não apaga evidência.
Aprender com decisões governadas
Quando um steward marca um caso como válido, a decisão vira contexto com escopo e validade. Isso não significa autoalterar regras: uma nova versão passa pelo mesmo ciclo de aprovação.
Arquitetura de referência
- Fontes: ERP, CRM, aplicativos, arquivos, eventos e SaaS.
- Catálogo e linhagem: significado, dono, sensibilidade, origem e consumidores.
- Base de conhecimento: políticas, glossário, regras aprovadas e incidentes.
- Agente: analisa contexto, propõe regra, severidade, teste e correção.
- Motor determinístico: executa a regra versionada na ingestão, transformação ou consumo.
- Workflow humano: aprova, rejeita, define exceção e responsabiliza.
- Observabilidade: mede cobertura, falhas, falso positivo, tempo de resolução e impacto.
Essa separação é crucial. A IA interpreta e acelera; o motor determinístico repete o controle; o humano assume decisões de política. A saída precisa registrar prompt, modelo, fontes de contexto, versão da regra e amostra utilizada.
Exemplo: pedidos entre e-commerce, ERP e logística
O agente identifica que o ERP registra quantidade em unidade, enquanto um fornecedor envia caixas. Propõe a regra “quantidade convertida deve ser múltipla da embalagem vigente na data do pedido”, com consulta à tabela de produtos e tolerância definida. Também cria casos para troca de embalagem, devolução parcial e pedido legado.
Após aprovação, a regra executa antes de reservar estoque. Registros suspeitos vão para quarentena; pedidos válidos continuam. O alerta mostra origem, lote, produto, regra e sistemas afetados. Em vez de corrigir o dashboard depois, a empresa impede que erro vire ruptura, cobrança incorreta e previsão distorcida.
Qualidade por criticidade, não por volume
Nem toda falha deve bloquear a pipeline. Defina níveis: informação, alerta, quarentena e bloqueio. Dados usados para pagamento, conformidade ou ação automática exigem limites mais rigorosos que campos analíticos exploratórios.
Associe cada regra a um SLO: percentual válido, atraso máximo, cobertura e tempo de resolução. Meça também o custo do controle. Uma verificação completa pode rodar por lote, enquanto uma regra crítica e barata roda a cada evento.
Métricas que revelam valor
- cobertura de campos e fluxos críticos;
- incidentes encontrados antes do consumidor;
- tempo médio entre detecção e resolução;
- taxa de falso positivo e exceções expiradas;
- reincidência por origem e mudança;
- regras sem dono, sem teste ou sem uso;
- impacto evitado em BI, IA, atendimento e operação.
Riscos e controles
- alucinação de regra: exigir evidência, explicação e aprovação do domínio;
- correção destrutiva: preservar original, quarentena e reversão;
- vazamento: mascarar amostras e aplicar acesso por coluna;
- viés histórico: não transformar toda exceção passada em regra futura;
- rule sprawl: catálogo, dono, versão, validade e desativação;
- alerta excessivo: deduplicação, severidade e roteamento;
- mudança silenciosa: contratos de dados e detecção de schema drift.
Plano de implantação
- Escolha um fluxo com dor conhecida e consumidor claro.
- Mapeie dados críticos, donos e impactos.
- Crie baseline de incidentes e regras existentes.
- Conecte catálogo, linhagem e políticas ao agente.
- Gere poucas regras, revise com especialistas e teste em histórico.
- Execute em modo sombra antes de bloquear.
- Implemente quarentena, workflow e métricas.
- Expanda por domínio, preservando ownership.
Dados confiáveis para decisões automáticas
A IA amplia a velocidade de criação de regras, mas confiança nasce de contexto, execução repetível e responsabilidade. O objetivo não é corrigir todo dado automaticamente; é detectar cedo, explicar impacto e encaminhar a decisão certa.
A ProativaIA cria plataformas de dados sob medida, agentes e automações e integrações entre ERP, CRM, BI e aplicativos. Podemos implantar catálogo, controles, workflows e observabilidade conforme a criticidade do seu negócio.