Introdução de Negócio
Ferramentas de IA deixaram de ser um piloto restrito a um time. Hoje uma empresa libera o Amazon Quick para que as áreas de negócio façam análises, pesquisas e automações com agentes, e o Kiro para que os desenvolvedores escrevam, revisem e documentem código com apoio de IA. Em poucos meses, centenas de pessoas passam a usar IA no dia a dia, em tarefas que vão de um resumo de relatório a uma alteração em um sistema crítico.
Essa velocidade de adoção é justamente o objetivo, mas ela traz um efeito colateral. Junto com as licenças, a empresa publica políticas de uso de IA, define quais dados podem ser compartilhados, quais times têm acesso a cada recurso e qual orçamento cada área pode consumir. Só que, sem uma forma de acompanhar o uso real, essas políticas existem no papel e não na operação.
É nesse momento que a diretoria, o jurídico e as próprias áreas de negócio começam a fazer perguntas que ninguém consegue responder com dados. Quem está usando, para quê, quanto está custando e se tudo isso está dentro das regras que a própria empresa definiu.
O que queremos resolver
Sem uma camada de governança, a adoção de IA vira uma caixa preta.
Os dados para responder essas perguntas existem, mas ficam espalhados entre trilhas de auditoria, logs e relatórios de cada ferramenta, cada um em um formato diferente e sem nenhuma visão consolidada.
Como resolver na AWS
A Lascasas Consulting consolida esses dados em um data lake de governança de IA. Na coleta, o Amazon Quick registra suas ações de API no AWS CloudTrail e envia ao Amazon CloudWatch logs de chat, feedback dos usuários, horas de agente e uso de índice. Dois fluxos do Amazon Data Firehose levam as trilhas e os logs para a camada bronze no Amazon S3. O Kiro entrega na mesma camada os seus relatórios diários de atividade por usuário, com conversas e créditos consumidos.
A chegada de dados novos aciona o AWS Step Functions, que orquestra o processamento. Uma função AWS Lambda inicia um job no Amazon EMR, que limpa e padroniza os dados na camada silver e consolida na camada gold os indicadores de negócio, como uso por pessoa, por time e por recurso e o consumo de créditos ao longo do tempo. O AWS Glue Data Catalog cataloga as tabelas e o Amazon Athena permite consultá-las em SQL, servindo de base para painéis e auditorias.
A figura acima mostra o fluxo completo, das trilhas, logs e relatórios de uso até a camada analítica consultada pelo Athena.
Com os dados organizados, as políticas de uso viram consultas. É possível verificar se apenas os times autorizados acessam determinado recurso, se algum time passou do orçamento de créditos ou se há uso fora do padrão esperado, sempre com o registro de auditoria do CloudTrail como evidência.
Há um cuidado que não pode ficar de fora. O Kiro oferece um registro de prompts opcional, e os chats do Quick podem ter conteúdo sensível, então o próprio lake de governança passa a guardar dados pessoais e código. Criptografia com chave gerenciada, mascaramento de dados e controle de acesso por tabela são parte do projeto, na linha do que discutimos em IA Responsável na AWS e em LGPD e Segurança na AWS.
Ganhos que a arquitetura traz
Fonte única de verdade: trilhas do CloudTrail, logs do CloudWatch e relatórios do Kiro passam a viver em um só lugar, com o mesmo formato e o mesmo catálogo.
Políticas de uso verificáveis: as áreas de negócio conseguem comprovar com dados se o uso da IA respeita as regras definidas pela empresa.
Visibilidade de adoção e custo: uso e consumo de créditos e de horas de agente ficam acompanhados por pessoa, por time e por recurso.
Auditoria e conformidade: as ações administrativas e de uso ficam registradas e consultáveis, prontas para uma auditoria ou uma investigação.
Processamento orientado a eventos: o Step Functions dispara o job do EMR quando chegam dados novos, sem depender de execuções manuais.
Base pronta para evoluir: a camada analítica no Athena alimenta painéis hoje e pode receber alertas automáticos ou um agente de consulta no futuro, sem refazer a ingestão.
Casos na literatura
Os casos abaixo mostram o tamanho do valor que essas ferramentas e uma governança bem estruturada podem gerar. Eles não usam esta mesma arquitetura, mas ilustram por que medir a adoção de IA importa.
A AMOREPACIFIC aplicou o Kiro ao desenvolvimento em SAP ECC e mediu, em quatro projetos, ganhos de produtividade de até 72% e 80% menos tempo de documentação.
A Kitsa montou no Amazon Quick uma base com mais de 300 mil centros de pesquisa clínica em mais de 160 países, e passou a gerar em horas relatórios que levavam de 3 a 6 meses.
A Schaeffler criou um framework de IA generativa com governança e guardrails de segurança em nível corporativo, apoiado em um gateway que dá acesso centralizado a diversos modelos enquanto rastreia uso e custo, para levar casos de uso à escala.
Lições aprendidas
Liberar ferramentas de IA para a empresa é a parte fácil. O difícil é saber se elas estão sendo usadas, quanto custam, se respeitam as políticas internas e se entregam o retorno prometido, e responder isso exige tratar o uso de IA como um dado de negócio.
Um data lake de governança transforma trilhas, logs e relatórios dispersos em indicadores confiáveis e auditáveis. É a base para escalar a IA na empresa com controle de custo, conformidade e segurança.