Com IA, ainda faz sentido antecipar todas as demandas futuras?

Em um projeto recente, começamos pelas decisões que o negócio precisava tomar. Só depois fomos para as fontes, a modelagem e a arquitetura.

Parece uma inversão simples, mas ela revela algo mais profundo sobre como a IA está mudando não apenas o ritmo do trabalho com dados. Está mudando a própria lógica com que arquiteturas de dados são construídas.

O pressuposto que estruturou décadas de arquitetura de dados

Durante muito tempo, a premissa central de qualquer projeto de dados era: antecipe o máximo possível.

Modelagem dimensional, data warehouses, esquemas estrela - toda essa tradição foi construída sobre uma necessidade real: o custo de adaptar uma arquitetura depois que ela está em produção era alto demais. Então a saída era investir tempo e esforço no início, tentando mapear todas as perguntas que o negócio poderia fazer no futuro.

Era uma estratégia racional para um problema real. O custo de aprender era alto e antecipar era mais barato do que corrigir.

Esse pressuposto começa a mudar.

O que acontece quando o ciclo encurta

Com IA, o ciclo entre pergunta, dado, resposta e nova pergunta ficou drasticamente mais curto.

Exploração que antes levava dias pode levar horas. Hipóteses que exigiam um pipeline estruturado para serem testadas agora podem ser verificadas com muito menos fricção. O custo de fazer uma nova pergunta caiu.

E quando o custo de aprender cai, a equação que justificava a antecipação muda junto.

Se consigo responder uma pergunta de negócio rapidamente, sem precisar ter previsto ela meses antes na modelagem, a arquitetura não precisa mais nascer tentando cobrir todos os cenários possíveis. Ela pode evoluir de forma mais iterativa, guiada pelas perguntas reais que surgem, pelas evidências que aparecem ao longo do caminho, pelas decisões que o negócio precisa tomar agora.

Uma mudança de papel, não só de velocidade

É fácil reduzir o impacto da IA em dados a ganhos de produtividade: SQL gerado mais rápido, pipelines automatizados, menos tempo em tarefas repetitivas.

Esses ganhos são reais, porém não são o ponto mais interessante.

O ponto mais interessante é que a IA pode estar mudando o modelo mental com que construimos arquiteturas de dados. De um modelo preditivo - que tenta antecipar o futuro - para um modelo adaptativo que evolui junto com as perguntas reais do negócio.

Não se trata apenas de produzir mais rápido. Trata-se de reduzir o custo de aprender e permitir que a arquitetura acompanhe o negócio em vez de tentar precedê-lo.

O que ainda não sabemos

Essa hipótese tem implicações práticas relevantes e também limites que vale nomear.

Arquiteturas mais iterativas exigem governança diferente. A facilidade de evoluir rapidamente pode criar entropia se não houver disciplina sobre o que permanece e o que muda. E há decisões de infraestrutura que continuam exigindo antecipação, independentemente de quanto a IA reduza o custo de exploração.

O que estou observando não é o fim do planejamento em arquitetura de dados. É uma revisão de quanto planejamento inicial é necessário e uma abertura para que mais decisões sejam tomadas com base em evidências reais em vez de premissas sobre o futuro.

Com IA, ainda faz sentido desenhar arquiteturas de dados tentando antecipar todas as perguntas ou demandas futuras?

Minha hipótese é que não.

Mas é só uma hipótese... São os projetos que estamos rodando que vão dizer mais do que qualquer argumento teórico.