Da fonte de dados ao agente em produção.
A maioria dos projetos termina com um repositório e um documento de passagem. Os nossos terminam com o sistema rodando, o seu pessoal usando, e a gente ainda respondendo por ele.
Um time no caminho inteiro — arquitetura, ingestão, consulta, agentes e os meses seguintes.
A maioria dos projetos de IA entrega uma prova de conceito. Quase nenhuma sobrevive ao contato com produção. Só contamos as que sobrevivem.
Contrate uma, ou as duas. A segunda fica muito mais barata quando a primeira já existe.
01 · A base
O dado saindo da fonte e chegando organizado, incremental e consultável no seu bucket. Quatro semanas até produção, com o seu time treinado para tocar depois.
02 · O resultado
Agentes e aplicações sobre modelos de fronteira, ligados ao dado real via MCP. Se a camada de dado já existe, esta frente começa na semana um.
Concreto, nesta ordem. Cada semana termina com alguma coisa rodando. Se o seu lake já existe, o relógio começa na semana 4.
Inventariamos suas fontes, mapeamos as perguntas que o negócio realmente faz e desenhamos a estrutura do bucket e as fronteiras de IAM em torno delas. É aqui que decidimos também onde a IA entra — e onde ela não deveria.
Arquitetura, modelo de acesso, plano de integração com agentes
Cada fonte configurada no Pipe — bancos, APIs, planilhas — caindo no seu bucket como Parquet particionado. Incremental, agendado, monitorado. Escrevemos os conectores sob medida que faltarem.
Ingestão rodando contra as fontes de produção
Lens sobre o lake: SQL para quem é de engenharia, notebooks para análise, linguagem natural para o resto. Construímos as primeiras visões curadas e ensinamos o seu time a construir as próximas.
Autoatendimento, visões curadas, primeiro treinamento
Claude, Cursor ou os seus próprios agentes conectados via MCP, com acesso governado e somente leitura. Sem pipeline de retrieval, sem vector store — o agente lê as mesmas tabelas que a sua análise lê, e a gente valida resposta por resposta contra o SQL.
Agentes no ar, respostas validadas contra dados reais
Monitoramos os pipelines, integramos fontes novas conforme o negócio cresce, otimizamos consultas e mantemos os agentes precisos conforme os modelos mudam. Você decide; a gente mantém o sistema de pé.
Monitoramento, novas fontes, ajuste de agentes, treinamento contínuo
A construção inteira, ou um pedaço dela.
Quem ainda não tem lake
Arquitetura, todos os pipelines, camada de consulta, dois treinamentos e 30 dias de suporte operacional. Produção em quatro semanas.
Falar com a genteFontes que ninguém suporta
Taps compatíveis com Singer para APIs internas, bancos proprietários e SaaS sem conector. Com replicação incremental, descoberta de schema, testes e documentação.
Falar com a genteTimes com dado, sem modelo
Enquadramento do problema, auditoria dos dados, engenharia de atributos, treino e avaliação — as predições voltam para o lake como tabelas consultáveis em SQL.
Falar com a genteTimes que querem assumir
Workshops práticos de arquitetura de lake, Pipe e Lens, e integração com agentes — rodando sobre os seus dados, não sobre um exemplo de brinquedo.
Falar com a genteQuem já tem o dado organizado
Do caso de uso ao agente rodando: escopo, acesso governado via MCP, prompts e ferramentas, e uma bateria de avaliação que compara a resposta do agente com o SQL equivalente.
Falar com a genteQuem tem um produto para construir
Construção e entrega de uma aplicação sobre modelos de fronteira — arquitetura, integração com os seus sistemas, observabilidade e o caminho até produção.
Falar com a genteQuem precisa decidir antes de investir
Duas semanas olhando os seus processos e os seus dados para dizer onde a IA paga o próprio custo, onde não paga, e em que ordem construir. Termina com um plano, não com um relatório.
Falar com a gente