Artigo da Liderança Técnica Onetopia, publicado originalmente no blog do Data Science Summit Brasil 2026 (DSSBR), do qual a Onetopia é Patrocinadora Rubi. Esta versão do Playbook traz a mesma tese, com um roteiro prático para a sua equipe.
O discurso sobre IA generativa e agentes autônomos subiu a régua dos conselhos. Mas, na maior parte das empresas, a conta que chega é outra: ERPs fragmentados, pipelines batch lentos, cloud cara e governança espalhada. Enquanto essa base não muda, cada novo projeto de IA herda a mesma dívida técnica e paga por ela de novo.
Onde a margem está escapando
O ETL tradicional foi desenhado para outra época: cargas noturnas, reprocessamentos completos e cópias de dados para cada área. Em escala, isso vira três problemas que aparecem direto no resultado:
- Métricas ambíguas: cada área calcula o mesmo indicador de um jeito, e a diretoria trava decisões discutindo qual número está certo.
- Risco de compliance: dados pessoais copiados sem controle aumentam a exposição à LGPD e encarecem auditorias.
- Custo duplicado: o mesmo dado é armazenado e processado várias vezes, em ambientes que ninguém desliga.
Some a isso custos de cloud sem dono e governança descentralizada, e a IA, que deveria gerar margem, passa a consumi-la.
A fundação que gera lucro, não despesa
A saída não é comprar mais uma ferramenta nem um modelo pronto. É desenhar a arquitetura de dados com engenharia sênior, para que performance e custo andem juntos. Na prática, isso significa:
- Lakehouse com Delta Lake, com camadas Bronze, Silver e Gold e processamento incremental, em vez de reprocessar tudo todo dia.
- Computação elástica, que sobe para a carga e desliga quando termina: a infraestrutura paga pelo que processa.
- Uma camada semântica única, para que Vendas, Finanças e Operação usem a mesma definição de cada indicador.
- Governança centralizada (por exemplo, com Unity Catalog no Databricks): acesso por papel, linhagem e trilha de auditoria num lugar só.
O resultado esperado é menor TCO, compliance mais barato de manter e menos esforço operacional para o time de dados, com risco de segurança menor.
Como isso aparece em projetos reais
Na Tecnofit, quatro ambientes de dados paralelos viraram uma plataforma única, com divergência abaixo de 0,5% na reconciliação e fechamento de CS em 1 dia. Na Motz, um lakehouse no Azure Databricks sustentou o simulador de preços e reduziu em 80% os erros na resolução de cidades. Nos dois casos, a IA e as análises só escalaram depois que a fundação foi resolvida.
Checklist: sua operação de dados está queimando margem?
- Você sabe quanto custa, por mês, cada caso de uso de dados e de IA?
- Os pipelines reprocessam a base inteira quando só uma parte mudou?
- Há ambientes de desenvolvimento e clusters ligados sem uso?
- O mesmo indicador tem valores diferentes em relatórios diferentes?
- Você consegue dizer quem acessou um dado pessoal e quando?
- Cada área mantém sua própria cópia dos dados do ERP?
Se você respondeu “não sei” ou “sim” para duas ou mais, há margem a recuperar antes de investir no próximo projeto de IA. Veja também as especialidades da Onetopia, incluindo FinOps de cloud e de IA.
Avaliação de Arquitetura e Prontidão para IA
A proposta é tática, não teórica: uma sessão técnica com engenheiros seniores da Onetopia, que não é uma apresentação comercial, para analisar a infraestrutura atual, identificar os gargalos de processamento e de custo e desenhar um roadmap de governança. Durante o DSSBR 2026 (27 a 29 de outubro, IEP, Curitiba), ela pode ser agendada no nosso estande; fora do evento, fale com um especialista.
