Sathya AG, Arquiteto Principal Sênior da Google – Série de Entrevistas

Sathya AG é um evangelista de tecnologia, autor publicado de “Estratégias Híbridas e Multi-Nuvem de Classe Empresarial“, e Arquiteto Principal Sênior da Google (Indústrias Estratégicas de Varejo), com mais de 19 anos de experiência em arquitetura de empresas e inteligência artificial. Um líder de pensamento global reconhecido com o Prêmio de Influenciador de IA de Destaque e o Prêmio do Presidente da Google, ele é autor de Estratégias Híbridas e Multi-Nuvem de Classe Empresarial e membro do Conselho Consultivo do CAIO Circle. Ele é fellow da British Computer Society (FBCS), membro sênior do IEEE e ex-aluno do Stanford LEAD. Um palestrante procurado no AI Forward, Google Next e NRF, Sathya também se oferece para ensinar IA/ML a comunidades carentes.

Aviso:Os pensamentos compartilhados abaixo e as opiniões expressas são do autor e não refletem necessariamente as visões, posições ou opiniões de seu empregador ou de qualquer organização com a qual ele esteja afiliado.

Você passou mais de uma década na Oracle (ORCL ) antes de se mudar para um papel de arquitetura sênior na Google, onde agora trabalha com grandes empresas de varejo. Como sua visão de inteligência artificial empresarial mudou à medida que as empresas mudaram de projetos de modernização de dados tradicionais para iniciativas de inteligência artificial generativa e agente?

Nos dias da Oracle, como arquiteto de empresas, meu foco principal sempre foi construir sistemas complexos e fundamentais que as organizações dependem para executar seus negócios. Estávamos resolvendo desafios massivos de integração, governança e gerenciamento de dados mestres para garantir que a empresa tivesse uma única fonte de verdade altamente resiliente. A modernização de dados tradicional era fundamentalmente sobre observação passiva, projetando camadas semânticas e pipelines de dados que entregavam insights confiáveis para os tomadores de decisão humanos.

A evolução da inteligência artificial generativa e agente mudou completamente o paradigma arquitetônico de observação passiva para um sistema autônomo de ação. Agora, a lente mudou para saber se podemos deixar que um sistema tome uma ação em nosso nome (e, corretamente, sem supervisão), em escala. Isso é um padrão muito mais alto para qualidade de dados, contexto e controle, porque agora uma suposição de dados ruim não produz apenas um painel errado, produz uma ação errada. Um agente que mal interpreta os dados de estoque não apenas mal informa alguém, acaba colocando um pedido errado.

É aqui que a arquitetura de empresas rigorosa se torna crítica e fundamental para os sistemas de inteligência artificial. Para construir sistemas autônomos com segurança, precisamos pontuar a lacuna entre os sistemas de empresas determinísticos e os sistemas de inteligência artificial probabilísticos. As conversas de arquitetura que lidero agora são sobre construir um tecido de dados confiável, garantindo que o raciocínio autônomo em tempo real esteja vinculado a uma governança estrita, observabilidade robusta e a mesma integridade transacional que sempre exigimos dos sistemas de empresas.

Você argumentou que muitos projetos de inteligência artificial falham não por causa do modelo, mas por causa das decisões de dados e arquitetura tomadas muito antes. Quais são as escolhas de arquitetura mais comuns que silenciosamente minam os projetos de inteligência artificial posteriormente?

A que vejo mais é as empresas tratando um armazém ou lago como a única fonte de verdade quando, na verdade, é apenas um único destino. Eles canalizam tudo para um lugar e supõem que resolve o problema da “uma versão da verdade”, mas não, apenas centraliza a discordância. Se três sistemas de origem definem um cliente ativo de maneira diferente, canalizá-los para um armazém dá a você uma resposta errada em vez de três.

Em seguida, há a armadilha de construir exatamente o que está à frente. Um pipeline é ajustado perfeitamente para um painel, funciona bem e, seis meses depois, um novo modelo precisa dos mesmos dados mais rápido ou mais fresco, e tudo precisa ser desmontado em vez de estendido.

E o que sempre volta para morder as pessoas é pular a linhagem e os metadados porque parece uma sobrecarga que ninguém pediu. Isso não tem pagamento; até o dia em que alguém pergunta por que o modelo fez uma chamada específica e não há como rastreá-la. É quando se transforma em uma solução cara em vez de uma decisão de design barata.

Quando trabalha com empresas de Fortune 500, quais sinais indicam se uma organização está realmente pronta para escalar a inteligência artificial além dos pilotos?

Honestamente, posso dizer dentro das primeiras conversas. A diferença entre uma organização que experimenta com inteligência artificial e uma que está pronta para operacionalizá-la em escala empresarial vem abaixo de alguns sinais reveladores. Eu normalmente procuro prontidão em três principais categorias: Convicção Estratégica, Integração de Negócios e Maturidade Operacional.

Aqui está o que sinaliza prontidão real para escalar:

1. Alinhamento Estratégico e Convicção Executiva

Uma Estratégia de IA Clara, Não Apenas CIÚME de IA: A liderança da organização demonstra convicção genuína sobre sua estratégia de IA. Isso é facilmente detectado fazendo algumas perguntas sobre como a IA se alinha com os objetivos de negócios. Se eles podem articular o valor de negócios preciso (por exemplo, crescimento de receita, melhoria de margem ou experiência do cliente) em vez de apenas querer “usar IA generativa”, eles estão prontos.

Financiamento Empresarial Comprometido: Eles se mudaram além de orçamentos de R&D isolados. Há um orçamento dedicado, cross-funcional alocado não apenas para projetos de IA, mas também para gerenciamento de mudanças, infraestrutura e MLOps contínuo.

2. Ajuste de Problema-Solução e Integração de Negócios

Resolvendo os Problemas Certos: Um grande sinal de alerta é confundir a automação de fluxo de trabalho padrão ou automação de processo robótico (RPA) com IA e forçar a IA em cima apenas para mostrar adoção de IA ao conselho. Organizações prontas entendem a proposta de valor distinta da IA. Eles se concentram em casos de uso onde a IA oferece uma mudança de paradigma em capacidade, em vez de apenas marcar uma caixa de tecnologia em um processo legado.

Propriedade de Unidade de Negócios: Este é um sinal mais silencioso, mas frequentemente o maior impedimento para escalar. Se o entusiasmo com a IA vive inteiramente dentro de um “laboratório de inovação” isolado, com nenhum interesse dos stakeholders de negócios reais, os pilotos falharão em decolar. Prontidão real é sinalizada quando os stakeholders de negócios ativamente co-desenvolvem a solução e possuem o resultado de negócios final, em vez de jogar um conceito sobre o muro para operações.

3. Maturidade Operacional e Governança

Engajamento de Segurança e Conformidade no Primeiro Dia: A falta de envolvimento das equipes de segurança e governança, ou tentar cordar um caso de uso crítico de IA para “se mover mais rápido”, é uma receita para falha de implantação. Organizações maduras trazem InfoSec, jurídico e governança de dados para a mesa no primeiro dia. Eles veem essas equipes como capacitadores críticos que constroem as barreiras necessárias para escalar com segurança, não como obstáculos.

Ultimamente, as organizações que escalonam com sucesso a IA a tratam não como um experimento científico de TI, mas como uma capacidade de negócios transformacional com o patrocínio certo, as barreiras certas e o alinhamento de negócios certo.

O que uma fundação de dados pronta para IA realmente parece abaixo da superfície, especialmente para empresas com dados fragmentados em ERP, CRM, comércio, nuvem e sistemas legados?

A maioria das empresas não tem um problema de volume de dados; elas têm um problema de confiança nos dados. Isso é o que se exacerbou com a IA em cima. É menos sobre ter uma plataforma brilhante e mais sobre um punhado de propriedades não glamorosas que se mantêm verdadeiras em todos os sistemas.

Por exemplo, o mesmo cliente, produto ou loja deve ser reconhecido como a mesma entidade, independentemente de estar em um ERP legado, um CRM moderno ou uma plataforma de comércio. Se seus sistemas não podem concordar sobre quem é um cliente, seus modelos de personalização e previsão de IA estão trabalhando com dados fraturados, resultando em uma imagem alucinada. Você não pode prever o valor de vida do cliente se sua IA trata um cliente como três pessoas diferentes.

Em segundo lugar, a frescura dos dados que corresponde à decisão, não padrão para o que o sistema de origem acontece de fazer. Atualizações de inventário noturnas são boas para planejamento de longo prazo e inúteis para cumprimento em tempo real; uma fundação real suporta ambas as velocidades sem achatá-las para a mais lenta.

Terceiro, uma camada de linhagem que permite responder “de onde veio esse número” em minutos, não em uma investigação de vários dias. A maioria das empresas fragmentadas não está curta de dados; elas estão curtas de uma camada que torna os dados que já têm confiáveis e rastreáveis. Essa é a fundação real, não qualquer ferramenta que seja conectada em cima.

Você frequentemente discute os 5 Vs dos dados: Volume, Velocidade, Variedade, Veracidade e Valor. Qual dos Vs as líderes empresariais tendem a subestimar mais ao preparar os dados para a IA?

Veracidade dos dados, sem dúvida, seguida de perto pelo Valor dos dados.

O volume é um dado no ecossistema de dados grande de hoje. Todos estão afogados em dados. Variedade e Velocidade recebem um orçamento porque são visíveis em uma estrada – novas fontes, pipelines e feeds em tempo real.

Veracidade é invisível até que custe algo – geralmente um modelo produz uma saída obviamente errada, e alguém rastreia até registros de cliente duplicados ou um campo que três equipes populam de três maneiras diferentes.

Por fim, o valor é subestimado de maneira diferente – os líderes supõem que se os dados existem, eles têm valor, sem perguntar se realmente movem uma decisão. A maioria das empresas tem uma fração pequena de seus dados fazendo algum trabalho real e ninguém mapeou qual fração é essa.

Em varejo, especificamente, os casos de uso de IA podem abranger personalização, previsão, inventário, cadeia de suprimentos, atendimento ao cliente e operações de loja. Onde você vê a maior lacuna entre a ambição de IA e a prontidão dos dados?

Embora a ambição de IA esteja espalhada uniformemente pelo varejo, a prontidão dos dados é altamente assimétrica.

Personalização e previsão têm a prontidão mais razoável – os varejistas vêm coletando dados de transações e navegação por anos.

A lacuna maior está na cadeia de suprimentos e no comércio omni, especialmente na conexão entre lojas online e físicas. O comércio omni é incrivelmente complexo porque força um varejista a resolver dois dos problemas de dados mais difíceis em tempo real: identidade de cliente unificada e estoque fluido. A maioria dos varejistas tem inventário de comércio eletrônico em tempo real, mas apenas visibilidade periódica, às vezes no final do dia, para o estoque de loja.

O atendimento ao cliente e as operações de loja ainda estão em estágios iniciais. A ambição é alta, mas os dados operacionais subjacentes, ou seja, escalas, conclusão de tarefas, condições de loja em tempo real, são frequentemente a parte menos digitalizada do negócio. A ambição está espalhada uniformemente por esses casos de uso; a prontidão não está.

Como as empresas devem modernizar a infraestrutura de dados legados sem interromper os sistemas críticos de missão que o negócio ainda depende todos os dias?

As plataformas de dados legados frequentemente sofrem de gargalos operacionais, problemas graves de qualidade de dados e limites de escalabilidade organizacional. A maneira mais eficaz de proteger as operações diárias durante uma jornada de modernização é evitar rigorosamente uma única migração de alto risco. O objetivo principal da modernização da plataforma de dados deve ser tornar os dados demonstravelmente mais úteis para a tomada de decisão organizacional, em vez de tratar o esforço como uma troca pura de plataforma de TI.

Para atender à era de IA, as organizações devem adotar uma arquitetura de medalhão de dados e malha de dados. Essa estratégia cria um pipeline estruturado onde os dados são refinados progressivamente de brutos para prontos para negócios, efetivamente impedindo que dados de baixa qualidade cheguem à tomada de decisão. Ao separar os dados em camadas lógicas distintas, as organizações estabelecem linhagem clara, tornando fácil rastrear como as informações se transformam da fonte para o destino.

Ao embalar dados verificados em produtos acessíveis, as organizações capacitam suas equipes a tomar decisões estratégicas baseadas em evidências, em vez de confiar na intuição. Crucialmente, essa abordagem estabelece a fundação da confiança nos dados necessária para a IA empresarial. Construir agentes de IA em cima de produtos de dados curados garante que os modelos aprendam com informações seguras e precisas, em vez de conjuntos de dados bagunçados e não verificados.

A governança é frequentemente adicionada após um projeto de IA já estar em andamento. O que muda quando a governança, privacidade, segurança e qualidade de dados são tratadas como requisitos de arquitetura desde o primeiro dia?

Tudo se move mais rápido, quebra menos e escala melhor. Com a natureza probabilística da IA generativa, a governança é extremamente crítica, mas ainda o aspecto mais negligenciado em muitas organizações.

Quando você trata esses elementos como requisitos de arquitetura do primeiro dia, em vez de uma lista de verificação de auditoria de última hora, você muda de controle de danos para velocidade. Aqui está o que muda:

Primeiro, você evita a fase dolorosa de “arrancar e substituir” onde projetos de IA completamente construídos são descartados porque violam padrões de conformidade ou privacidade.

Em seguida, a segurança e a qualidade dos dados não são patchadas em cima; elas são incorporadas ao pipeline. Seus modelos são executados em dados confiáveis, produzindo saídas que a liderança e os usuários realmente confiam.

Por fim, em vez de atingir uma parede regulatória ao mover de conceito para produção, o caminho para a implantação já está liberado e automatizado.

Em resumo, a governança não é um freio na inovação; é o sistema de direção que permite dirigir rápido com segurança.

Como conselheiro do CAIO Circle, como você acha que o papel do Diretor de IA deve evoluir, e onde devem começar e terminar as responsabilidades em relação ao CIO, CDO e líderes de unidades de negócios?

Fazer parte do CAIO Circle foi uma janela genuinamente útil para isso, porque agora o papel está por todo o lugar porque muitas empresas o criaram reativamente, em resposta ao hype de IA generativa, em vez de preencher uma lacuna operacional clara. Acredito que isso vai se estabelecer rapidamente e precisa. Para funcionar efetivamente, a quebra executiva deve ser clara:

O CIO possui a infraestrutura e a confiabilidade do sistema. O CDO possui os dados como um ativo de empresa (sua qualidade, governança e acessibilidade). O CAIO possui a camada de tradução entre a capacidade bruta de IA e os resultados de negócios reais.

Essa camada de tradução significa assumir explicitamente a propriedade do portfólio de IA, determinar o que construir, identificar as áreas de negócios que podem ser melhoradas e servidas melhor por meio da tecnologia de IA, e servir como a autoridade final sobre onde a IA deve e não deve ser implantada.

A maior lacuna em muitas empresas hoje é avaliar riscos e trocas de valor entre unidades de negócios concorrentes. Bloquear uma iniciativa de IA de alto risco que uma unidade de negócios deseja ardentemente requer alguém cujos incentivos não estão ligados aos alvos de curto prazo da unidade e que é técnico o suficiente para avaliar o risco diretamente. Esse gatekeeper independente e tecnicamente fundamentado é exatamente o que o papel do CAIO precisa se tornar.

Olhando para frente, o que separará as empresas que alcançam uma vantagem de IA duradoura daquelas que simplesmente experimentam com as últimas ferramentas de IA?

Não serão aquelas que têm acesso aos melhores modelos. A capacidade do modelo está convergindo rapidamente, e a tecnologia bruta não permanecerá um diferenciador duradouro.

Em vez disso, o teste principal do sucesso de IA de longo prazo – seja interno ou voltado para o cliente – vem abaixo de uma coisa: Confiança.

A confiança é diretamente proporcional à capacidade da organização de construir uma fundação pronta para IA e um ambiente onde novas capacidades possam ser testadas, implantadas com segurança e escaladas com velocidade. Concretamente, isso requer três coisas:

Uma Fundação de Dados Confiável: Dados limpos e confiáveis para que cada novo caso de uso não exija um grande projeto de limpeza único.

Governança Ágil: Processos de risco e conformidade rápidos o suficiente para manter o ritmo de como os modelos subjacentes evoluem.

Métricas Orientadas por Resultados: Uma cultura organizacional que mede a IA pelo valor de negócios, não pela sofisticação da tecnologia.

As empresas que ainda estarão presas no “modo de experimentação” três anos a partir de agora serão aquelas que nunca construíram essa fundação – elas continuarão a reaprender as mesmas lições de dados e governança em cada projeto de IA.

Os vencedores com uma vantagem duradoura serão aqueles onde o décimo caso de uso de IA se torna dramaticamente mais barato e rápido para implantar do que o primeiro, porque a fundação foi construída corretamente desde o início.

Obrigado pela grande entrevista, os leitores também podem querer ler seu livro Estratégias Híbridas e Multi-Nuvem de Classe Empresarial.