Principais conclusões
- A Agentic AI aumenta significativamente os riscos de integridade dos dados. Quando não há nenhum humano no circuito, dados incorretos produzem uma ação errada, executada na velocidade da máquina.
- O padrão “belief gate” – uma verificação contínua de integridade que avalia a qualidade dos dados, governança e certificação antes de um agente agir – é uma solução prática e demonstrável que funciona dentro do Snowflake hoje.
- Fechar a lacuna de integridade de dados da Agentic AI significa adicionar a camada de integridade correta ao topo de sua pilha Snowflake existente – e garantir que essa camada verifique os dados continuamente, não apenas uma vez.
Cimeira do floco de neve é um daqueles eventos que tende a trazer à tona as conversas reais – as questões com as quais os profissionais estão genuinamente lutando à medida que vão da experimentação da IA à execução da IA.
Este ano, em São Francisco, o tema foi “Tornando a IA actual para os negócios”. E não poderia ter sido mais adequado para o que eu estava ali para falar. Porque a pergunta que ouço com mais frequência das equipes de dados e análises corporativas no momento é a mesma com a qual abri minha sessão: como você consegue um ROI positivo de agentes de IA?
Minha resposta, apoiada por uma demonstração ao vivo executada no Snowflake Cowork, se resume a uma coisa: você precisa primeiro preparar seus dados.
Por que a Agentic AI muda a equação de integridade de dados
Existe uma versão desse problema com a qual as organizações convivem há muito tempo. Dados ruins fluem para um painel. Uma pessoa olha para o número, algo parece errado e vai investigar. Não é o superb, mas há um posto de controle humano.
Agentic AI take away esse ponto de verificação. Quando um LLM está operando de forma autônoma para tomar decisões, encaminhar fluxos de trabalho e tomar ações, ele não faz uma pausa para questionar a entrada. Se os dados estiverem errados, o resultado está errado. E executa com confiança.
Usei um exemplo específico em minha sessão que considero claro: um agente territorial de vendas que atribui novas contas de forma autônoma com base na geografia do endereço de cobrança.
Se esses endereços de cobrança não forem padronizados – se “Geórgia” estiver escrito em texto livre em alguns registros e abreviado em outros, ou se os endereços não tiverem direcionais e códigos postais – a lógica do território falha silenciosamente. Contas são perdidas, algumas são atribuídas duplamente e surgem disputas de compensação.
E na superfície, o painel é verde. O agente fugiu e as contas foram roteadas. Tudo parece bem.
Isto é o que precisamente chama de Lacuna de integridade de dados da Agentic AI: a divisão cada vez maior entre o que os sistemas Agentic AI são capazes de fornecer e o que os dados corporativos podem suportar com confiança. Não se trata de um único modo de falha, mas sim de um conjunto de condições que se agravam. Dados bloqueados, contexto incompleto, registros desatualizados, inconsistência entre sistemas, lacunas na governança e o custo de acompanhar tudo isso manualmente.
Um dos temas consistentes que ouvi em Cimeira do floco de neve este ano foi que as organizações ultrapassaram em grande parte a questão de investir ou não em IA. A questão é como operacionalizá-lo com segurança. E quando a conversa se volta para os dados reais nos quais esses agentes confiarão, percebo que a confiança tende a cair rapidamente.
Onde cabe exatamente na pilha de flocos de neve
Parte do que eu queria realizar na minha sessão period fazer com que o Parceria Precisamente e Snowflake tangível – não apenas em termos de nossas integrações de produtos, mas onde as duas plataformas se situam uma em relação à outra e por que isso é importante.
Pense na pilha do floco de neve em camadas. Na base está a plataforma de IA: computação, armazenamento e tempo de execução de IA. Acima dele, Floco de Neve Catálogo Horizonte fornece metadados e linhagem. Visibilidade de quais dados você possui no Snowflake e para onde eles fluem.
Mas entre “Tenho dados” e “Confio nesses dados o suficiente para permitir que um agente atue sobre eles”, há uma lacuna. É aí que entra o Precisamente!
Sob o tempo de execução da IAPrecisamente é a base da confiança. O Information Integrity Suite cria um modelo conectado dos seus dados: índices de qualidade, regras de governança, políticas e os relacionamentos que vinculam os conjuntos de dados às decisões de negócios que eles deveriam apoiar. Uma imagem viva de quais dados estão prontos, para quê e sob quais condições. É isso que torna os dados genuinamente prontos para o agente antes mesmo de chegarem ao fluxo de trabalho.
Acima do tempo de execução da IAPrecisamente é um ponto de acesso. Através do gateway do servidor MCP, essa base de confiança pode ser consultada pelos agentes no momento da decisão. Pense em um agente prestes a desencadear uma ação do cliente. Antes de agir, ele chama o Precisamente, verifica o índice de qualidade e o standing de governança do conjunto de dados subjacente e obtém uma resposta em tempo actual: pronto ou não. É um sinal ao vivo, sempre.
Portanto, precisamente não há uma única fatia no meio da pilha. É a base sobre a qual os dados confiáveis são construídos e o gateway que fornece esses sinais de confiança quando os agentes precisam deles. Envolvendo de baixo para cima o tempo de execução da IA com integridade.
The Information Integrity Suite Belief Gate: o que uma demonstração ao vivo provou
A peça central da minha sessão foi uma demonstração ao vivo de um agente consultor de receitas B2B trabalhando dentro do Snowflake Cowork.
Aqui está o que aconteceu:
Entrei como vice-presidente de vendas planejando uma expansão para Sudeste e fiz uma pergunta simples ao agente: Qual é a nossa concentração de clientes e receitas na Geórgia, na Flórida e nas Carolinas?
Exatamente o tipo de pergunta que você gostaria que um agente de IA resolvesse sozinho.
Ele recusou.
Não com um erro – com uma razão. Ele me disse que os endereços de cobrança em nossa tabela de contas do CRM eram inconsistentes, portanto, quaisquer números regionais produzidos seriam enganosos. Ele citou os limites específicos:
- O conjunto de dados de contas de CRM tinha qualidade de 79%, abaixo do mínimo de 90% exigido pela nossa política de decisões de negócios apoiadas por IA.
- A visão de receita herdou esse problema em 83%.
Nenhum deles foi certificado para uso de IA. Mas também observou que os dados da transação estavam limpos. Os dólares eram sólidos, mas não podíamos confiar na geografia por trás deles.
Esse é o portão de confiança do Precisamente Information Integrity Suite em ação.
O agente não olha apenas para a mesa que precisa. Ele analisa seu próprio ativo registrado no Information Integrity Suite, segue o relacionamento do catálogo com sua política governamental, lê os limites de qualidade e governança dessa política, verifica cada conjunto de dados do qual seu caso de uso depende e então determine se deve prosseguir.
Se algo falhar, ele interrompe e explica o risco em linguagem empresarial e não em jargão de governança.
O que torna isso mais do que uma verificação única é o loop contínuo. Após o bloqueio, mostramos o caminho de remediação: enriquecer um único registro de conta por meio do pipeline da API Exactly, que padronizou o endereço, adicionou coordenadas de condado e área metropolitana e de nível de edifício, retornou dados exatos de jurisdição fiscal e confirmou a identidade comercial.
Uma sequência de endereços confusa – quatro camadas de inteligência confiável.
Então, depois que os dados subjacentes forem corrigidos e pontuados novamente, a próxima execução do agente será realizada automaticamente. No momento em que a tabela de contas do CRM ultrapassa os limites de qualidade e governança e é certificada, a questão Sudeste se responde sozinha.
Por que a integridade contínua dos dados é mais importante do que uma verificação única
Uma pergunta que costumo ouvir é se você pode certificar seus conjuntos de dados apenas uma vez e seguir em frente.
A resposta curta é não, e vale a pena ser direto sobre o porquê.
A qualidade dos seus dados subjacentes hoje não garante a mesma qualidade amanhã. Mudanças de dados. Os registros são atualizados, mesclados ou abandonados. Novos registros chegam com formatos inconsistentes. Os sistemas que alimentam o seu armazém evoluem. Qualquer modelo de governança que trate a certificação como um destino em vez de um estado contínuo acabará por produzir o modo de falha exato que demonstramos: um agente que passa pelo portão com base em uma pontuação obsoleta e depois age com base em dados que não atendem mais ao limite.
O padrão de belief gate que construímos foi projetado para disparar ao vivo, em todas as chamadas.
Se a equipe de dados corrigir uma tabela hoje e as pontuações ultrapassarem o limite, a próxima pergunta será aprovada. Se um conjunto de dados que estava íntegro no mês passado estiver degradado, o agente será bloqueado antes que uma decisão incorreta seja executada. Essa avaliação em tempo actual é o que a Agentic AI responsável exige.
O que estou pensando depois do Snowflake Summit
Algumas coisas se destacaram para mim nas conversas mais amplas do evento, além da minha própria sessão.
- O ecossistema Snowflake amadureceu significativamente em torno da infraestrutura de IA – Cowork, Horizon Catalog, e as parcerias construídas sobre eles dão às empresas uma base genuinamente sólida para construir. A lacuna não está na camada da plataforma, mas na camada de dados abaixo dela.
- Ainda existe uma desconexão actual entre a confiança estratégica e a prontidão operacional. Os líderes estão otimistas em relação à IA; as equipes mais próximas dos dados estão fazendo perguntas mais difíceis sobre integridade, consistência e governança. Essa lacuna não se fecha por si só. Ele fecha quando as organizações tratam a integridade dos dados como um pré-requisito para a implantação do agente, e não como uma reflexão tardia.
- Finalmente, e é isso que eu gostaria que todos que participaram da minha sessão seguissem, o caminho de onde a maioria das organizações está hoje até os dados prontos para agentes é mais concreto e mais viável do que parece.
Em última análise, é a isso que se resume a integridade dos dados da Agentic AI: não uma caixa de seleção de conformidade, mas a base que determina se seus agentes produzem resultados nos quais você pode agir e um ROI que você pode realmente medir.
Você não reconstrói sua base de dados do zero. Você começa com um caso de uso específico, identifica os conjuntos de dados dos quais o caso de uso depende, fortalece a camada de integridade em torno desses conjuntos de dados, prova o valor e reproduction. A demonstração que fiz no Summit foi uma versão funcional dessa abordagem. Saiba mais sobre nossa parceria com a Snowflake e como isso ajuda você a obter dados prontos para Agentic.
A postagem Como a integridade de dados da Agentic AI impulsiona o ROI no Snowflake apareceu primeiro em Precisamente.