O problema invisível da IA agente
A maioria das empresas está experimentando agentes autônomos de IA. Muito poucos os estão implantando com segurança em grande escala. De acordo com a pesquisa “The State of AI in 2025” da McKinsey (novembro de 2025), em nenhuma função empresarial mais de dez por cento das empresas escalaram agentes de IA para produção. O fracasso raramente é falta de ambição; é falta de visibilidade.
Ao contrário do software program tradicional, os agentes autônomos geram sua própria lógica dinamicamente. Eles ignoram os monitores de segurança convencionais, invocam ferramentas e acessam dados de maneiras difíceis de auditar após o fato, e operam em fluxos de trabalho complexos de vários agentes, onde uma única permissão mal configurada ou lacuna de política pode se transformar em um incidente de segurança significativo. O que as empresas precisam é de uma nova categoria de infra-estrutura de controlo: uma que funcione no momento em que uma decisão é tomada, e não depois de o dano estar feito.
Esse é o problema para o qual o LangGuard foi criado para resolver.
A aplicação do tempo de execução atende à governança da plataforma
O LangGuard atua como uma camada de aplicação de tempo de execução para fluxos de trabalho de agentes, monitorando e aplicando políticas em toda a cadeia de ações, decisões, ferramentas, credenciais e intenções de ponta a ponta que abrange todos os sistemas em que um agente toca. O Databricks fornece governança unificada por meio do Unity Catalog e do AI Gateway — o sistema de registro de dados, modelos e políticas de acesso. À medida que as empresas implantam agentes na produção, o próprio fluxo de trabalho também precisa de uma camada de aplicação de tempo de execução que estenda esses controles no nível da plataforma a cada etapa da execução do agente. O mecanismo de governança do LangGuard, a malha de dados GRAIL™ (Governance AI Run-time Hyperlinks), captura cada ação do agente como dados de rastreamento multidimensionais e constrói um gráfico de conhecimento ao vivo do comportamento e contexto do fluxo de trabalho. Quando um agente tenta invocar uma ferramenta, acessar um conjunto de dados ou chamar um modelo, o LangGuard avalia essa ação em relação à política antes de executá-la, em todos os sistemas em que o fluxo de trabalho toca, independentemente de onde ele é executado.
A escala de implantação de um agente empresarial de produção torna isso realmente difícil. Um único fluxo de trabalho pode envolver dezenas de agentes coordenados, centenas de invocações de ferramentas, vários modelos básicos e políticas gerenciadas em quinze ou mais sistemas de registro corporativos, incluindo sistemas de tickets de TI como ServiceNow, plataformas IAM e IDP, sistemas de CRM como Salesforce, plataformas de RH como Workday, plataformas de segurança em nuvem como Wiz e CrowdStrike, plataformas de contact heart como TalkDesk, MCP Gateways e API Gateways. Governar isso em tempo actual, sem impactar o desempenho do agente, exige infraestrutura construída especificamente para o problema.
Por que escolhemos Lakebase
A equipe LangGuard passou anos construindo o IBM QRadar, líder múltiplo do Quadrante Mágico do Gartner e uma das plataformas SIEM corporativas mais amplamente implementadas no mundo. O QRadar ingere e correlaciona petabytes de telemetria de segurança por dia sob rígidos requisitos de latência e confiabilidade. Essa experiência nos ensinou uma dura lição: arquitetura de banco de dados é destino. Quando projetamos o mecanismo de governança de fluxo de trabalho do LangGuard, enfrentamos o mesmo desafio que havíamos resolvido antes: dados de segurança operacional que chegam em rajadas imprevisíveis e de alta intensidade, onde cada milissegundo de latência de decisão é importante e o gasto com infraestrutura ociosa é inaceitável. Os bancos de dados tradicionais que combinam computação e armazenamento forçam você a provisionar picos de carga e pagar por essa capacidade 24 horas por dia. O modelo sem servidor do Lakebase, que desacopla totalmente a computação do armazenamento e é dimensionado para zero entre os bursts, foi a resposta que sempre precisávamos, mas à qual não tínhamos acesso quando estávamos construindo o QRadar. Correspondia exatamente ao problema.
O que torna o Lakebase a escolha certa
Lakebase é uma nova categoria de arquitetura de banco de dados operacional que desagrega a computação do armazenamento, permitindo que a computação seja dimensionada de forma elástica de acordo com a demanda da carga de trabalho, enquanto o estado durável permanece independente em uma camada de armazenamento replicada. Construída sobre a base aberta do PostgreSQL, a arquitetura lakebase preserva tudo em que os desenvolvedores confiam em um banco de dados relacional comprovado, ao mesmo tempo que elimina as restrições de infraestrutura que tornam os RDBMS tradicionais e monolíticos a escolha errada para a velocidade e escala que aplicativos, agentes e IA modernos exigem.
Escalonamento automático sem servidor e escala até zero
O comportamento do agente é notoriamente explosivo. Um fluxo de trabalho de agente pode ficar completamente inativo por horas e, de repente, gerar centenas de gravações de rastreamento e leituras de imposição em questão de segundos. Lakebase provisiona dinamicamente recursos de computação no momento exato em que esses rastreamentos inundam nosso sistema e desliga completamente quando a atividade é interrompida. Como o estado durável reside na camada de armazenamento, e não no nó de computação, a ativação de uma nova instância de computação não requer movimentação de dados. Ele simplesmente se anexa ao histórico do banco de dados existente e começa a atender consultas imediatamente.
Para uma startup operando em escala empresarial, esta é a diferença entre a infraestrutura que corresponde ao uso actual e a infraestrutura que penaliza por ter períodos de silêncio. Nossos custos operacionais permanecem perfeitamente alinhados com as cargas de trabalho que realmente atendemos.
Latência de leitura em milissegundos para dados operacionais importantes
A preocupação pure com qualquer banco de dados desagregado é a latência de leitura. Lakebase aborda isso por meio de uma camada de cache entre a computação e o armazenamento que mantém os dados importantes próximos da computação.
Para consultas de aplicação do LangGuard, pesquisas indexadas rigorosas em contexto GRAIL™ e tabelas de políticas, esperamos que o conjunto de trabalho ativo caiba confortavelmente na memória native de computação. Essa arquitetura nos dá a confiança de que as decisões de governança podem ser aplicadas na velocidade do fluxo de trabalho, sem adicionar latência significativa à execução do agente.
Ramificação instantânea de banco de dados para testes de políticas de governança
A ramificação instantânea do banco de dados do Lakebase é um de seus recursos operacionalmente mais valiosos para um produto de governança. Quando criamos uma filial, nenhum dado é copiado fisicamente. A ramificação diverge do estado atual do banco de dados usando a semântica copy-on-write, consumindo armazenamento apenas para dados novos ou modificados. Nossos desenvolvedores podem criar uma réplica exata e isolada de nossos dados de rastreamento de produção em segundos, testar novas políticas de governança em relação ao comportamento do agente no mundo actual e validar a lógica de aplicação sem arriscar a estabilidade do ambiente ativo.
PostgreSQL: uma base comprovada
Lakebase é baseado em PostgreSQL, o banco de dados relacional de código aberto mais avançado do mundo, com décadas de produção reforçada em todos os setores. Para LangGuard, isso significa compatibilidade whole com as ferramentas, bibliotecas e extensões que nossa equipe já conhece, sem linguagem de consulta proprietária ou risco de migração.
Como LangGuard e Databricks funcionam juntos
A arquitetura conjunta LangGuard e Databricks foi projetada para controlar os fluxos de trabalho de agentes corporativos de ponta a ponta, mantendo todos os dados operacionais em uma plataforma única e confiável de dados e IA. À esquerda da arquitetura estão os fluxos de trabalho de agente empresarial eles próprios: agentes de IA e seus orquestradores interagindo com dezenas de sistemas de registro, como gerenciamento de serviços de TI, CRM, RH, identidade, segurança, contact heart e gateways API/MCP. Cada ação do agente, invocação de ferramenta e solicitação de acesso a dados gera eventos de rastreamento avançados que fluem para o LangGuard em tempo actual.
No centro do diagrama está o Mecanismo de fluxo de trabalho de governança LangGuardalimentado pela patente pendente Estrutura de dados GRAIL™. GRAIL captura cada ação do agente como dados de rastreamento multidimensionais e constrói um gráfico de conhecimento ao vivo do comportamento e contexto do fluxo de trabalho. Quando um agente tenta chamar uma ferramenta, acessar um conjunto de dados ou invocar um modelo, o LangGuard realiza uma avaliação de política em relação a esse contexto ativo e às regras de governança relevantes, retornando uma decisão de permitir/negar/modificar antes da execução da ação. Isso dá às empresas um único ponto de controle para aplicar políticas em todos os sistemas que o fluxo de trabalho toca, independentemente de onde os agentes subjacentes estejam em execução.
À direita, Blocos de dados Lakebase serve como sistema operacional de registro para rastreamento e dados de política do LangGuard. A arquitetura PostgreSQL sem servidor do Lakebase desagrega a computação do armazenamento, permitindo escalonamento automático elástico e escala até zero entre picos de atividade do agente, ao mesmo tempo que mantém os dados operacionais quentes em um cache de baixa latência próximo à computação. LangGuard grava continuamente eventos de rastreamento no Lakebase e realiza leituras de baixa latência para pesquisas de políticas de governança e consultas contextuais, garantindo que as decisões de aplicação possam ser tomadas na velocidade do fluxo de trabalho, sem provisionamento excessivo da capacidade do banco de dados.
Como os dados operacionais do LangGuard residem nativamente no Lakebase, eles ficam imediatamente disponíveis para o público mais amplo Plataforma de inteligência de dados Databricks para análise e IA sem ETL adicional. Databricks AI, Mannequin Serving e MLflow podem treinar e implantar modelos de detecção de anomalias diretamente nos dados de rastreamento GRAIL para identificar agentes que se desviam de sua linha de base comportamental estabelecida. Esses sinais preditivos retornam ao LangGuard Governance Engine, fechando o ciclo entre a aplicação em tempo actual e o monitoramento preditivo e permitindo que as empresas passem de controles reativos para governança de IA proativa e baseada em comportamento em uma única plataforma.
O que vem a seguir: governança preditiva para fluxos de trabalho de agentes
O mecanismo do LangGuard hoje aplica políticas estabelecidas em tempo de execução em todo o fluxo de trabalho. A próxima evolução é preditiva: treinar modelos comportamentais em dados históricos de rastreamento do GRAIL para detectar comportamento anômalo do agente antes que ele se manifeste como uma violação de política.
Como nossos dados de rastreamento operacional já residem no ecossistema Databricks, conforme descrito acima, podemos passar diretamente da aplicação à previsão sem construir pipelines ETL separados ou criar uma segunda plataforma analítica.
Se um agente começar a agir de forma errática ou a desviar-se da sua linha de base estabelecida, esses modelos irão sinalizá-lo como uma anomalia antes que qualquer dano seja causado. Esta convergência de aplicação em tempo actual e aprendizagem automática preditiva é o futuro da governação da IA empresarial e é a arquitectura que estamos a construir hoje.
| PRINCIPAL CONCLUSÃO |
|---|
| LangGuard é uma das primeiras startups a construir infraestrutura de produção no Databricks Lakebase. A escolha foi motivada por um conjunto específico de requisitos não negociáveis: aplicação de baixa latência, tratamento de rajadas elásticas e testes de políticas de governança em relação a dados reais. Somente um banco de dados OLTP sem servidor poderia satisfazer todos eles. Lakebase é o primeiro banco de dados a atender todos eles. |
| Para empresas que precisam controlar fluxos de trabalho de agente de ponta a ponta, em todos os agentes, ferramentas, credenciais e sistemas de registro da cadeia, essa arquitetura significa uma aplicação que opera na velocidade do fluxo de trabalho, é dimensionada com a complexidade da implantação e evolui em direção à segurança comportamental preditiva sem exigir uma plataforma de dados separada. |
Pronto para controlar seus fluxos de trabalho de agência de ponta a ponta? Visite langguard.ai para saber como o LangGuard protege, controla e opera fluxos de trabalho de agentes corporativos com whole conformidade com as políticas ou discover o Databricks Lakebase para ver como a infraestrutura OLTP sem servidor potencializa a governança de IA em tempo actual em escala.