De híbrido acidental a híbrido por projeto: como dominar a soberania de dados e o controle de custos de IA
Nenhuma empresa constrói intencionalmente um cenário tecnológico caótico. Em geral isso acontece aos poucos em decorrência de aquisições, da adoção de ferramentas próprias pelas equipes e de migrações para a nuvem desconectadas e, muitas vezes, parciais. O resultado é uma arquitetura "híbrida acidental", um ambiente de TI construído sobre anos de escolhas reativas em vez de ações intencionais e, pior, sem ninguém com um plano real para corrigi-lo.
À medida que a IA corporativa passa da experimentação para a produção, a hibridização acidental é mais do que um inconveniente técnico, é um passivo estratégico. Para manter a soberania dos dados e evitar custos exorbitantes com IA, as organizações precisam adotar uma arquitetura híbrida por design. Aquelas que fizerem essa mudança deliberadamente liberarão todo o valor de seus ativos de dados. Aquelas que não o fizerem, verão sua dívida arquitetural aumentar a cada ano que passa e a cada nova iniciativa de IA.
Esse foi o tópico abordado em minha conversa recente com o palestrante convidado Noel Yuhanna, vice-presidente e analista principal da Forrester, como parte do webinar da Cloudera "Welcome to the Era of Hybrid by Design."
Neste blog, amplio essa conversa e descrevo como as organizações podem criar uma arquitetura híbrida por design, aproveitando a governança unificada, os padrões abertos e um mapa claro dos requisitos do ciclo de vida da IA.
Como as Empresas Chegam até Aqui
Além das atividades de fusões e aquisições, da adoção de ferramentas em silos e da preferência de linhas de negócios por determinados fornecedores, a rápida migração para a nuvem nas últimas décadas é uma das principais causas desse problema. Muitas organizações migraram com rapidez e abrangência e agora o pêndulo está voltando. A repatriação é uma conversa real e crescente.
Os números contam a história: os planos relatados pelos CIOs para repatriar cargas de trabalho de volta para infraestruturas locais aumentaram de 43% em 2020 para 83% em 2024. Isso não é uma rejeição da nuvem; é um reconhecimento maduro de que nem toda carga de trabalho pertence a ela. Na verdade, como Yuhanna aponta, cerca de 80% do processamento transacional nos setores bancário e de saúde ainda é executado localmente hoje. O equívoco inicial de que "a nuvem é barata" deu lugar a questões difíceis sobre otimização de arquitetura, superprovisionamento e custos de saída que corroem a proposta de valor.
A Pressão Regulatória por Trás de Tudo
A conformidade está forçando uma ação imediata sobre o que costumava ser um problema de TI de evolução lenta. Regulamentações como a GDPR, o EU Data Act e a HIPAA exigem soberania de dados rigorosa. Enquanto isso, o US CLOUD Act, que permite que as autoridades dos EUA acessem dados globalmente, está entrando em conflito com as regras de privacidade da UE e da APAC, impulsionando ativamente as empresas em direção a provedores de nuvem soberanos e não americanos. No setor financeiro, a DORA está exigindo estratégias de saída de fornecedores, pois depender excessivamente de uma única nuvem é agora um risco sistêmico.
Com as novas regulamentações de IA exigindo rastreabilidade rigorosa, essa pressão só aumentará em 2026 e além. A governança de dados e de IA está se fundindo em um enorme obstáculo de compliance; empresas sem a arquitetura correta enfrentam uma adaptação dolorosa e dispendiosa.
Por que a IA torna isso urgente agora
A IA empresarial converte um problema crônico de infraestrutura em um problema agudo. O ciclo de vida da IA tem necessidades muito diferentes em cada estágio: o treinamento e a contextualização exigem computação em larga escala e com picos de demanda, o que pode torná-los mais adequados para a nuvem, enquanto a inferência em estado estacionário é frequentemente mais econômica em infraestruturas locais. "Híbrido intencional" significa mapear cada estágio para a infraestrutura que realmente se adapta a ele, em vez de optar por um único ambiente e absorver as penalidades.
A gravidade dos dados complica ainda mais. A IA exige volumes massivos de dados distribuídos e movê-los entre ambientes acarreta latência real e custos de saída. Você é forçado a uma situação difícil: restringir modelos a um conjunto de dados limitado (sacrificando a qualidade) ou absorver taxas massivas para centralizar os dados (destruindo o caso de negócio).
A IA agêntica intensifica consideravelmente esse desafio. Como esses sistemas exigem dados confiáveis em tempo real para tomar providências, pipelines com atraso de processamento em lote simplesmente não sobreviverão. Como observa Yuhanna, a adoção da IA agêntica está atualmente em torno de 24% e espera-se que dobre até o final de 2026. As organizações que constroem uma arquitetura proativa para essa realidade hoje capturarão o valor amanhã.
O argumento a favor dos padrões abertos
A dependência de fornecedor não é apenas um risco teórico, é um custo ativo tanto na camada de infraestrutura quanto na de software. Quando suas ferramentas de dados proprietárias são executadas apenas em uma nuvem específica, você enfrenta uma "dupla dependência" composta. Isso transfere todo o poder de negociação para o fornecedor, criando um gargalo severo no momento em que uma carga de trabalho precisa ser movida, seja transferindo um projeto piloto concluído na nuvem para ser executado na capacidade ociosa do data center, ou migrando para uma nova nuvem soberana para atender à conformidade. As organizações recuperam esse poder de negociação por meio da portabilidade de cargas de trabalho e padrões abertos.
Dois padrões fundamentais tornam isso possível:
o Kubernetes atua como uma camada de abstração universal para sua infraestrutura subjacente. Disponibilizando um modelo operacional consistente e nativo da nuvem, independentemente do hardware ou provedor de nuvem subjacente, ele elimina o "imposto de troca de plataforma", a sobrecarga de reengenharia que se acumula toda vez que uma carga de trabalho cruza um limite de infraestrutura.
O Apache Iceberg realiza o trabalho equivalente na camada de dados. Não se trata apenas de abstrair onde seus dados residem, trata-se de expandir quem pode acessá-los. O formato de tabela aberta e o catálogo REST do Iceberg permitem que as organizações compartilhem dados in-place com qualquer sistema de terceiros. Isso significa que você pode deixar seus dados governados exatamente onde estão, possibilitando que plataformas de análise externas os consultem diretamente. Dissociando completamente os dados de mecanismos de computação específicos de fornecedores, as organizações obtêm uma flexibilidade genuína e preparada para o futuro sobre como e onde executam a IA.
Considere como a escala realmente se apresenta na prática. Yuhanna encontrou recentemente um cliente conectando 50 mil bancos de dados em mil sistemas de origem díspares. Nessa magnitude, a complexidade não cresce linearmente, ela se multiplica. Padrões abertos não são apenas algo desejável, são a forma como as empresas mantêm o controle de seus próprios ambientes.
A lacuna de governança e seus custos
Uma infraestrutura fragmentada produz, de forma confiável, uma governança fragmentada. Como Yuhanna destaca, cerca de 70% dos dados empresariais carecem de metadados e catalogação adequados, ou seja, somente 25% são realmente utilizados para análise e a maior parte dos dados empresariais permanece completamente intocada! Em 2006, o matemático britânico e pioneiro da ciência de dados Clive Humby cunhou a famosa frase "dados são o novo petróleo", observando que os dados brutos devem ser refinados por IA e análise para gerar valor real. Se cada dado contém uma informação relevante em potencial, por que você toleraria uma arquitetura que o impedisse ativamente de utilizar todos eles?
As implicações de segurança são igualmente concretas. Segundo o Relatório de Violação de Dados da IBM de 2025, as violações que afetam múltiplos ambientes geram um custo médio superior a US$ 5 milhões (bem acima da média global de US$ 4,44 milhões) e já representam cerca de 30% de todos os incidentes. O motivo é simples: há falhas nos pontos de integração e todo limite entre ambientes é um ponto de integração.
A resposta é uma camada de política unificada: um plano de controle único e federado que abrange classificação, controle de acesso, linhagem, auditoria e conformidade. Nesse modelo as políticas seguem os dados aplicando-se constantemente e em tempo real em todo o ecossistema.
Por onde começar
Impulsionadas pelas demandas reais de IA em produção, pelo endurecimento dos requisitos de soberania de dados e por um foco mais nítido nos custos reais da infraestrutura, as organizações precisam migrar de arquiteturas híbridas acidentais para híbridas por projeto. Veja como começar:
Estabeleça clareza de propósito. Antes de tocar em qualquer tecnologia, construa um roteiro de 18 meses ancorado em resultados do negócio concretos, seja crescimento de receita, otimização de custos ou metas de resiliência.
Faça uma auditoria de gravidade de dados. Identifique onde os dados realmente se encontram, quem tem acesso a eles e sua exposição à latência e aos custos de saída de dados. Isso revela de forma confiável cargas de trabalho esquecidas, dados duplicados e pontos cegos de conformidade.
Execute uma racionalização deliberada. Simplifique ferramentas sobrepostas, consolide relacionamentos com fornecedores, padronize a governança e construa visando a portabilidade de cargas de trabalho.
Para saber mais, assista novamente à minha conversa com Noel Yuhanna e aprofunde-se no relatório de tendências do setor "Do caos ao controle: por que o modelo híbrido por projeto é o futuro da estratégia de dados empresariais".