- O texto critica a ideia de começar por organizar dados (a chamada armadilha do Data-First) em projetos de IA, afirmando que isso não entrega valor e enfrenta resistência de sistemas legados.
- Propõe o framework VBB: Vacuum (sugamento de dados), Brain (cérebro/IA) e Blower (insight que chega ao negócio), com o Blower chegando primeiro para entregar valor.
- Exemplo: para entender a precificação, não é necessário organizar o data lake inteiro; usa-se IA (Claude) com cálculos em Python e web scraping para obter o insight a partir de fontes relevantes.
- Em 2026, duas mudanças fortalecem o VBB: agentes de IA que executam tarefas com menos dados pré-organizados e o MCP (protocolo que conecta IA a sistemas externos), que permite interação direta com fontes de dados.
- Pergunta final: se é possível entregar o primeiro insight em semanas começando pelo Blower, por que manter projetos de organização de dados que demoram anos e esgotam o orçamento sem respostas rápidas?
O texto discute uma mudança de abordagem para projetos de IA nas empresas. Em vez de começar pela organização de dados, o autor propõe iniciar pelo que o negócio realmente precisa entregar: um insight de valor. A ideia central é evitar a armadilha de “data-first”, que costuma atrasar resultados.
Segundo o colunista, muitos executivos acreditam que IA depende de dados impecáveis para funcionar. Na prática, sistemas legados dificultam a extração de dados e o trabalho de organização é contínuo, não tem fim. Assim, o valor demora a aparecer.
A crítica aponta que começar pela base de dados costuma consumir tempo e orçamento sem entregar resultados imediatos. A sugestão é adotar o modelo VBB, que coloca o valor na ponta, antes de mapear fontes de dados.
VBB: Vacuum, Brain, Blower
A proposta envolve três componentes: Vacuum, Brain e Blower. O aspirador suga dados das fontes; o cérebro é a IA que analisa; o assoprador entrega o insight ao negócio. Vários projetos começam pelo V, mas o autor recomenda inverter a ordem.
A ideia central é evitar o esforço de organizar tudo antes de qualquer entrega. O Blower mostra o insight já na prática, acelerando o retorno ao negócio. Assim, é possível validar valor com rapidez.
O modelo exige menos dados pré-organizados, com o cérebro atuando como maestro de ferramentas. O foco fica naquilo que produz resultado relevante para a empresa.
Comece pelo fim
Começar pelo Blower significa definir, de forma clara, qual insight o negócio precisa. Em seguida, identifica-se a IA e as ferramentas adequadas para entregar esse resultado. Depois, selecionam-se apenas as fontes necessárias.
O exemplo trazido sugere medir a precificação: não é preciso organizar todo o data lake para entender esse aspecto. A integração com Claude, cálculos em Python e web scraping já pode gerar o insight desejado.
Mais uma etapa envolve apenas as fontes relevantes para aquele insight. O objetivo é demonstrar valor em semanas, não em anos, evitando grandes pipelines não utilizados.
Duas coisas que mudaram o jogo
Dois avanços fortalecem o VBB em 2026. Primeiro, agentes de IA e ferramentas reduzem a dependência de dados pré-organizados: o cérebro atua como maestro, não apenas como processador de texto. Second, o MCP — protocolo que conecta IA a sistemas externos — passa a traduzir dados diretamente da fonte, sem pipelines extensos.
Essa evolução torna possível que a IA dialogue com sistemas como bancos de dados, sem exigir organização completa anterior. O autor cita sucesso com o MCP do Supabase, que conecta IA diretamente a fontes externas.
Pergunta provocativa
Se o primeiro insight de valor surge em semanas começando pelo Blower, por que insistir em projetos de organização de dados com prazo de dois anos e orçamento comprometido antes da primeira resposta aparecer?
Entre na conversa da comunidade