As empresas estão avançando agressivamente na implantação em produção de agentes de IA altamente valiosos e diferenciados. Mas os agentes mais valiosos dependem dos dados sobre os quais as organizações menos podem se dar ao luxo de perder o controle: dados sensíveis e proprietários.
Isso cria um desafio imediato de governança. Em muitas arquiteturas tradicionais, os agentes precisam mover dados para fora do armazenamento gerenciado e para plataformas SaaS externas antes de poderem usá-los. No momento em que isso acontece, as organizações perdem a capacidade de governar totalmente os dados na fonte e herdam três riscos cumulativos:
Segurança: Cada exportação cria uma cópia externa de dados confidenciais, ampliando a superfície de ataque e obrigando as equipes a governar, aplicar patches e auditar um conjunto de dados paralelo, separadamente de sua fonte única da verdade.
Desempenho: o envio e o retorno de dados para uma plataforma externa introduzem latência e eliminam as otimizações de consulta incorporadas ao armazenamento gerenciado, fazendo com que os agentes operem muito mais lentamente do que a infraestrutura subjacente permitiria.
Custo: a extração de dados através dos perímetros da nuvem em escala eleva as taxas de saída de dados — muitas vezes de forma imprevisível, já que as cargas de trabalho dos agentes consultam os dados repetidamente, e não apenas uma vez.
Os dados e a IA de que precisamos para gerar valor verdadeiramente diferenciado são muitas vezes aqueles que representam o maior risco caso saiam do nosso controle. Como resultado, as equipes de conformidade e segurança que avaliam exatamente esses riscos são frequentemente obrigadas a intervir, interrompendo iniciativas promissoras justamente quando elas passam pela fase de prova de conceito.
As cinco barreiras estruturais para a IA em produção
Em sua essência, os fluxos de trabalho agênticos, que combinam LLMs de raciocínio com interfaces de ferramentas, planejamento estruturado de tarefas e ciclos de execução contínua, não conseguem operar com segurança em uma infraestrutura isolada. Eles exigem acesso direto aos recursos computacionais para bases de dados gerenciadas. Quando são obrigadas a usar estruturas fragmentadas com migração de dados, as organizações encontram cinco obstáculos distintos:
Autonomia de caixa-preta e responsabilidades legais de auditoria: Decisões autônomas de várias etapas geram riscos regulatórios. O registro padrão do sistema captura chamadas de endpoint, mas não registra o planejamento interno de tarefas dos subagentes, as entradas e saídas específicas dos payloads de ferramentas nem a identidade do usuário autenticado por trás de cada etapa.
Desvio de governança entre equipes isoladas: quando as equipes de negócios constroem protótipos visuais em ferramentas SaaS não monitoradas enquanto os engenheiros escrevem scripts personalizados de orquestração em Python em ambientes separados, a arquitetura técnica se divide. Essa dualidade contorna os controles de acesso centralizados e causa um desvio de governança.
Prompts frágeis e novas tentativas de execução: As estruturas tradicionais de agentes instruem os modelos por meio de prompts de texto não estruturados. Quando um LLM gera texto livre em vez de esquemas de payload estruturados, as cadeias de execução são interrompidas. As novas tentativas do sistema consomem tokens adicionais de API, aumentam a latência das consultas e causam falhas em caminhos de execução com várias etapas.
Taxas de saída de dados da nuvem e inflação de tokens: A extração de conjuntos de dados operacionais através dos perímetros da nuvem para hosts externos gera taxas recorrentes de saída de dados. A transferência de contexto não estruturado e não curado para janelas de contexto de LLMs externos aumenta o uso de tokens em cada consulta, elevando o custo de inferência por consulta sem melhorar a precisão do raciocínio.
Bloqueio a APIs e custos fixos de computação: codificar rigidamente a lógica de orquestração para APIs proprietárias de modelos prende as empresas a preços fixos de computação. As equipes de infraestrutura perdem a flexibilidade para direcionar chamadas de função rotineiras a modelos locais com menos parâmetros e menor custo, reservando APIs de ponta de terceiros para solicitações de raciocínio complexo.
Como o Cloudera Agent Studio proporciona execução governada
Arquitetura do Agent Studio 3.0
O Cloudera Agent Studio 3.0 resolve esses desafios estruturais executando fluxos de trabalho autônomos de IA diretamente onde seus dados residem. Ao fornecer um mecanismo de execução controlado que opera sobre as bases dos serviços de dados existentes da Cloudera, ele elimina sistematicamente cada uma das cinco barreiras estruturais:
1. Registros de auditoria imutáveis e proteções
Solucionando os desafios da autonomia de caixa-preta e das responsabilidades legais de auditoria
Para mitigar o risco regulatório e eliminar a execução como caixa-preta, os registros de atividade do sistema são armazenados em logs de auditoria estruturados e somente de acréscimo. As equipes de conformidade obtêm visibilidade fim-a-fim, capturando identidades de usuários autenticados, registros de data e hora em microssegundos, tipos de operação, identificadores de recursos, entradas de prompts e saídas específicas de ferramentas.
Assista: proteções em tempo real em ação
A segurança da execução é continuamente garantida por meio dos seguintes mecanismos em tempo real:
Mascaramento de PII: Anonimiza dados confidenciais antes da transmissão para a janela de contexto do modelo.
Filtros de conteúdo: regras determinísticas baseadas em texto que protegem contra injeção de prompt ou bloqueiam a execução com base em palavras-chave.
Avaliador de LLM integrado: valida as entradas e saídas dos payloads de ferramentas em relação às regras de conformidade corporativa.
Proteção personalizada: Impõe programaticamente proteções adaptadas aos seus requisitos de negócios.
Para mais detalhes, explore nossa documentação de proteções.
2. Fluxos de trabalho unificados de via dupla
Eliminar as divergências de governança entre equipes isoladas
O Agent Studio 3.0 unifica o desenvolvimento técnico e não técnico em um único mecanismo de orquestração, eliminando a divisão de arquiteturas entre as equipes de negócios e engenharia:
Para analistas de negócios: crie fluxos de trabalho visualmente usando um catálogo de modelos de ferramentas pré-criados e conectores MCP.
Para engenheiros de IA: escreva lógica personalizada em Python no Cloudera AI Workbench.
Como ambos os caminhos são compilados para ambientes de execução idênticos, eles compartilham controles de segurança idênticos da plataforma e eliminam a divergência na governança da IA sombra.
3. Chamada de função controlável e sandboxing
Resolvendo prompts frágeis e novas tentativas de execução
Para eliminar cadeias frágeis de execução de prompts de texto, a plataforma utiliza protocolos nativos de chamada de função de LLM. Ela passa esquemas JSON formais para o modelo a fim de gerar objetos fortemente tipados de chamada de ferramenta.
Isolamento em contêineres: cada processo de agente é executado em ambientes isolados de contêineres configurados sem permissões de sistema por padrão, exigindo aprovação explícita de políticas no nível da plataforma para o escalonamento de privilégios.
Planejamento estruturado: antes da execução, os agentes elaboram um plano de tarefas estruturado para que os operadores possam monitorar o progresso etapa por etapa de forma determinística.
4. Computação localizada sobre dados gerenciados via MCP
Resolvendo as taxas de saída da nuvem e a inflação de tokens
Os agentes executam diretamente no armazenamento empresarial, sem extração ou replicação de dados. Os agentes consultam dados analíticos estruturados em Cloudera Data Warehouse, processam entradas de streaming por meio de Cloudera DataFlow e enviam os resultados para Cloudera Data Visualization.
Conectores que usam o Model Context Protocol (MCP) vinculam agentes diretamente a formatos de tabela abertos, enquanto as políticas de governança do Cloudera Shared Data Experience (SDX) aplicam controles de acesso baseados em funções e rastreiam metadados em todas as interações — mantendo os dados fundamentados e as taxas de saída em zero.
5. Neutralidade de modelos e controle de FinOps
Resolvendo o bloqueio a APIs e os custos fixos de computação
O Agent Studio 3.0 separa completamente a orquestração dos modelos de linguagem subjacentes. As equipes podem usar APIs de terceiros (OpenAI, Anthropic ou Amazon Bedrock) ou implementar modelos de código aberto localmente por meio do serviço Cloudera AI Inference.
Alternar os destinos do modelo exige atualizar as configurações de endpoint na camada de orquestração, sem alterar o código do agente nem os esquemas de ferramentas. Os arquitetos de sistemas reduzem o custo total de propriedade (TCO) direcionando chamadas de função rotineiras e de alto volume a modelos locais menores, com menos parâmetros, e reservando os tokens caros de APIs de terceiros estritamente para raciocínios complexos em várias etapas.
Resultados do negócio quantificados
Indústria |
Cenário operacional |
Valor de negócio |
Serviços financeiros |
Avaliação de crédito de contas comerciais com poucos dados em conjuntos de dados com mais de 100 milhões de registros. |
Reduz os ciclos de subscrição de dias para minutos e gera trilhas de auditoria preparadas para atender às exigências regulatórias. |
Telecomunicações |
Processe mais de 50.000 eventos de streaming por segundo via Data Flow para detectar sinais de rotatividade. |
Aciona fluxos de trabalho automatizados de retenção em tempo real sem mover os dados para fora dos sistemas operacionais. |
Saúde e Ciências da vida |
Extraia códigos de diagnóstico de prontuários clínicos não estruturados em registros de saúde distintos. |
Acelera o processamento de dados de ensaios clínicos em ambientes de execução isolados de redes externas. |
Seguros |
Correlacione levantamentos de campo não estruturados de propriedades com bancos de dados transacionais centrais. |
Identifica fatores de risco omitidos e automatiza a reconciliação de dados entre sistemas. |
Software e tecnologia |
Realize a triagem de incidentes de produção de nível 2 em ambientes de execução de contêineres isolados. |
Resolve alertas de aplicativos e atualiza os parâmetros de estado do sistema sem necessidade de escalonamento para intervenção humana. |
O futuro da sua IA agêntica sob governança
A transição de fluxos de trabalho autônomos de protótipos isolados para sistemas de produção exige resolver o atrito entre a inovação rápida e o controle corporativo. Durante muito tempo, a lacuna entre a prova de conceito e a implantação obrigou as equipes a escolher entre a agilidade da IA autônoma e a segurança da governança centralizada.
O Cloudera Agent Studio 3.0 elimina essa lacuna.
Ao executar o processamento diretamente onde os dados estão, o Agent Studio 3.0 elimina sistematicamente os cinco obstáculos principais para a IA em produção: taxas de saída da nuvem, fragilidade na execução, divergência de governança, ambiguidade na auditoria e dependência de um único fornecedor de computação. A implementação da IA agêntica empresarial não exige mais abrir mão de uma arquitetura em favor de outra.
Quer levar seus agentes de IA à produção? Confira as estratégias e habilidades necessárias para passar do desenvolvimento à produção na nossa série de webinars sobre IA corporativa e agêntica, dividida em sete partes.
