O Google Cloud sinalizou uma mudança estrutural na forma como empresas interagem com suas bases de dados. Durante o Google Cloud Summit, executivos da companhia descreveram um futuro próximo onde a interface direta entre humanos e plataformas de dados se tornará obsoleta, sendo substituída por agentes de inteligência artificial que atuam como executores de tarefas complexas.
Segundo Sailesh Krishnamurthy, VP de engenharia, e Yasmeen Ahmad, executiva de produtos, a meta é que nos próximos três a cinco anos os humanos deixem de realizar consultas manuais, passando a atuar apenas como orquestradores de agentes. A tese central é que a infraestrutura de dados está se tornando nativa para IA, priorizando a flexibilidade sobre a precisão absoluta do SQL tradicional.
A era das consultas inexatas
A transição para o uso de IA implica aceitar que nem toda consulta precisa de uma resposta exata e determinística. Krishnamurthy aponta que, embora o SQL clássico continue essencial para operações críticas, a demanda por flexibilidade em workloads de agentes exige um novo paradigma. Consultas em linguagem natural, que consideram o contexto histórico e misturam dados estruturados e não estruturados, tornam-se o padrão esperado pelos usuários corporativos.
Para viabilizar essa mudança, o Google tem investido em tecnologias como o Knowledge Catalog, que organiza dados de diversas fontes para servir de contexto aos grandes modelos de linguagem (LLMs). A ideia é que, ao fornecer o contexto correto, a precisão das análises conversacionais aumente, reduzindo a incidência de alucinações e erros comuns em modelos de IA generativa.
Mecanismos de eficiência e custo
Um dos desafios técnicos dessa abordagem é o custo computacional e a ineficiência de funções que dependem inteiramente de chamadas a modelos de grande porte, como o Gemini. Para mitigar isso, o Google explora o uso de 'modelos proxy' — modelos menores treinados rapidamente a partir de amostras de dados. Esses modelos podem substituir chamadas de LLM em tarefas simples, reduzindo drasticamente a latência e o consumo de tokens.
Além disso, a verificação da qualidade dos resultados gerados por IA tornou-se uma responsabilidade de engenharia. Krishnamurthy enfatiza que a manutenção de conjuntos de avaliação (eval sets) é o mecanismo de controle necessário para garantir que a tradução de intenções de negócio para consultas SQL esteja correta, iterando sobre blueprints até que a acurácia seja validada.
O papel do humano como orquestrador
A mudança de paradigma altera também a qualificação exigida dos profissionais de tecnologia. Ahmad argumenta que o foco deixa de ser o treinamento em engenharia de prompt para se concentrar na 'engenharia baseada em especificações'. O profissional do futuro deve ser capaz de definir o resultado de negócio desejado, permitindo que a IA lide com a complexidade do processamento de dados subjacente.
Essa transformação também reflete no crescimento dos serviços em nuvem. O uso intensivo de modelos de IA gera um aumento exponencial no volume de consultas e no consumo de recursos, como visto no Spanner e no BigTable, que processam bilhões de requisições por segundo. A escala do ecossistema de dados está sendo impulsionada pela necessidade das próprias IAs de acessar informações para operar.
Desafios e incertezas no horizonte
Embora a promessa de produtividade seja alta, a dependência de sistemas probabilísticos levanta questões sobre confiabilidade em ambientes de missão crítica. Uma precisão de 90% em análises conversacionais, embora impressionante, pode ser insuficiente para transações financeiras ou operações onde a margem de erro é inexistente. A mitigação de riscos por meio de contexto aprimorado continua sendo um campo em desenvolvimento.
O mercado de trabalho e as estruturas de TI das empresas precisarão se adaptar não apenas às ferramentas, mas à nova lógica de governança de dados. A transição para modelos que executam múltiplas consultas para atender a um único pedido do usuário sugere que a infraestrutura de nuvem continuará sendo o maior beneficiário financeiro dessa evolução tecnológica.
A questão que permanece é se o ganho de eficiência operacional superará o custo adicional de processamento e a complexidade de gerenciar agentes autônomos em escala. O setor observa atentamente se a promessa de automação total dos fluxos de trabalho de dados se concretizará conforme o cronograma otimista dos provedores de nuvem.
Com reportagem de Brazil Valley
Source · The Register
