<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Adilson Hideki Yamaguchi on Medium]]></title>
        <description><![CDATA[Stories by Adilson Hideki Yamaguchi on Medium]]></description>
        <link>https://medium.com/@adilsonhidekiyamaguchi?source=rss-9cac1befd3c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*blUzX0QBkuPfVLEtLk1pSw.png</url>
            <title>Stories by Adilson Hideki Yamaguchi on Medium</title>
            <link>https://medium.com/@adilsonhidekiyamaguchi?source=rss-9cac1befd3c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 22:08:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@adilsonhidekiyamaguchi/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[❄️ Openflow, Snowpipe ou Python? Como escolher a ingestão nativa]]></title>
            <link>https://medium.com/@adilsonhidekiyamaguchi/%EF%B8%8F-openflow-snowpipe-ou-python-como-escolher-a-ingest%C3%A3o-nativa-15d4f708020f?source=rss-9cac1befd3c------2</link>
            <guid isPermaLink="false">https://medium.com/p/15d4f708020f</guid>
            <category><![CDATA[cost-optimization]]></category>
            <category><![CDATA[data-ingestion]]></category>
            <category><![CDATA[finops]]></category>
            <category><![CDATA[snowflake]]></category>
            <category><![CDATA[data-engineering]]></category>
            <dc:creator><![CDATA[Adilson Hideki Yamaguchi]]></dc:creator>
            <pubDate>Thu, 19 Nov 2026 21:25:29 GMT</pubDate>
            <atom:updated>2026-11-19T21:25:29.129Z</atom:updated>
            <content:encoded><![CDATA[<p>19 de nov. de 2026 · @Adilson Hideki Yamaguchi</p><p><em>Antes de escolher a ferramenta de ingestão, pergunta como ela cobra. A resposta muda tudo.</em></p><p>Começo de mês, reunião de FinOps. Alguém abre a fatura do Snowflake e pergunta: “por que a ingestão ficou mais cara que as consultas?”. O time responde que só subiu o Openflow para puxar umas tabelas do Postgres e uns arquivos do SharePoint. Ninguém mentiu, ninguém errou o código. O que faltou foi entender o modelo de cobrança antes de ligar a chave.</p><h3>O problema: vários caminhos, cada um com seu taxímetro</h3><p>Hoje dá para levar dado para dentro do Snowflake de pelo menos cinco jeitos: Openflow, Snowpipe (e Snowpipe Streaming), Python em stored procedure, Notebooks e tasks agendando tudo isso. Todos funcionam. A diferença está em <strong>como cada um conta o dinheiro</strong>: por hora ligada, por GB que entra ou por segundo de warehouse. Escolher pela ferramenta mais bonita e não pelo jeito de cobrar é o que gera a surpresa na fatura.</p><h3>Openflow: a frota de motoristas com central 24 horas</h3><p>O Openflow é o serviço de integração gerenciado do Snowflake, baseado no Apache NiFi. Ele traz conectores prontos para bancos (com CDC), SaaS e arquivos não estruturados, como os do SharePoint. Pensa nele como contratar uma <strong>frota de motoristas por aplicativo</strong> para buscar seus dados.</p><p>Na versão rodando dentro do Snowflake (Snowflake Deployment), a corrida tem cinco partes na conta:</p><ol><li><strong>A central de atendimento (control pool):</strong> fica ligada enquanto o deployment existir, mesmo sem nenhuma corrida. É uma instância CPU_X64_S, a 0,11 crédito/hora, ou cerca de <strong>80 créditos por mês por deployment</strong> (0,11 × 730 h).</li><li><strong>Os carros (runtimes):</strong> Small, Medium ou Large, cobrados por segundo, com mínimo de 5 minutos. Um nó Small custa os mesmos 0,11 crédito/hora; um Large (CPU_X64_L) custa 0,83. Um Medium (CPU_X64_SL) custa 0,41 e é o tamanho mínimo exigido pelos conectores de banco com CDC, como SQL Server e MongoDB. Atenção: runtime ligado cobra pelo mínimo de nós, mesmo sem dado passando. O carro só volta para a garagem quando você suspende o runtime: aí o pool cai a zero nós (em até 10 minutos) e para de cobrar.</li><li><strong>O pedágio (Snowpipe Streaming):</strong> 0,0037 crédito por GB descomprimido que entra.</li><li><strong>O caminhão de mudança (warehouse):</strong> conectores de CDC usam um warehouse comum para a carga inicial e para os MERGEs.</li><li><strong>O rádio da central (telemetria):</strong> logs e métricas custam 0,02 crédito por GB.</li></ol><p>No modelo BYOC (rodando na sua nuvem), a Snowflake cobra 0,0225 crédito por vCPU-hora dos runtimes, e a máquina, a rede e o armazenamento vêm na conta do seu provedor de nuvem. Desde setembro de 2026, todo deployment novo é de segunda geração (gen 2), e budgets e resource monitors ainda não acompanham os compute pools dele; por isso, monitore pela METERING_HISTORY.</p><blockquote><strong><em>Frase-resumo:</em></strong><em> no Openflow você paga a central o mês todo; os carros, enquanto estiverem ligados, mesmo parados. Suspenda os ociosos.</em></blockquote><p>Taxas da tabela de consumo da Snowflake vigente em novembro de 2026. O valor do crédito em reais depende da edição, da região e do contrato; confira a tabela vigente antes de publicar números.</p><h3>As alternativas: ônibus, carro próprio e test drive</h3><p>Nem toda viagem precisa de frota com central. Olha as outras opções que já estão dentro do Snowflake:</p><ul><li><strong>Snowpipe = o ônibus que cobra por passageiro.</strong> Você larga arquivos num bucket (S3, Blob, GCS) e ele carrega sozinho, a 0,0037 crédito por GB. Sem central, sem carro parado. Só que ele faz um trajeto fixo: arquivo no storage para tabela.</li><li><strong>Python em stored procedure = o carro próprio.</strong> Você escreve o código que chama a API ou o banco (com uma External Access Integration) e roda num warehouse. Paga por segundo de warehouse ligado (mínimo de 60 segundos; um X-Small custa 1 crédito/hora). Barato e flexível, mas a manutenção é sua: paginação, retry, mudança de schema, CDC.</li><li><strong>Tasks = a agenda do motorista.</strong> Não carregam nada sozinhas; elas disparam a procedure, o notebook ou o SQL no horário certo. Em modo serverless, o Snowflake escolhe o tamanho do motor e aplica um multiplicador de 0,9 sobre o consumo.</li><li><strong>Notebooks = o test drive.</strong> Ótimos para explorar a fonte, testar a lógica e prototipar. Cobram pelo warehouse ou pelo compute pool que usam. Dá para agendar, mas não são o lugar ideal para uma ingestão crítica rodar todo dia.</li></ul><blockquote><strong><em>Frase-resumo:</em></strong><em> o ônibus é o mais barato, o carro próprio é o mais flexível e a frota é a mais cômoda. Nenhum é o melhor para toda viagem.</em></blockquote><h3>Lado a lado: custo, benefícios e contras</h3><p>O Openflow é o único da lista com um custo fixo só por existir. Em compensação, é o que mais tira trabalho do seu time.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kQOFg6_gfVjwFsyitFwNww.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UoL9OUO8lxXGzajnO58alQ.png" /></figure><p>Taxas: tabela de consumo da Snowflake (vigente em nov/2026). Custo fixo do Openflow = 1 instância CPU_X64_S × 0,11 × 730 h.</p><h3>Exemplo: uma companhia de saneamento escolhendo o transporte</h3><p>Na prática, a resposta costuma ser <strong>misturar</strong>. Imagina uma companhia de saneamento com quatro fontes (cenário e números fictícios):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OrzDhStcAvFN-MpJwgY9lg.png" /></figure><p>Repara: o Openflow vale quando <strong>divide a central</strong> entre várias fontes pesadas. Subir um deployment só para uma API diária é pagar frota com central para buscar pão na esquina.</p><h3>O que fazer amanhã</h3><ol><li>Lista suas fontes e marca: é arquivo, banco com CDC, API ou documento?</li><li>Manda arquivo para o Snowpipe e API simples para Python em procedure. Deixa o Openflow para CDC e muitas fontes.</li><li>Se usar Openflow, concentra tudo em poucos deployments, limita o máximo de nós e suspende runtimes ociosos.</li><li>Monitora a METERING_HISTORY filtrando SERVICE_TYPE = &#39;OPENFLOW_COMPUTE_SNOWFLAKE&#39; desde a primeira semana.</li></ol><h3>Caso prático: MongoDB Atlas, uma carga por hora</h3><p>Para buscar dados do MongoDB Atlas uma vez por hora, o Python em stored procedure com task sai cerca de <strong>35 vezes mais barato</strong> que o Openflow (estimativa abaixo). O motivo: o conector de MongoDB do Openflow foi feito para ficar ligado o tempo todo.</p><p>O <a href="https://docs.snowflake.com/en/user-guide/data-integration/openflow/connectors/mongodb/about">conector de MongoDB do Openflow</a> (em preview) faz uma carga inicial e depois acompanha as mudanças pelos change streams do MongoDB, inclusive as exclusões. Ele exige um runtime <strong>Medium ou maior, com um único nó</strong>, e se ficar desligado mais tempo que a retenção do oplog pode precisar recarregar tudo. Ou seja: o carro não volta para a garagem entre uma corrida e outra.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*spOjiThGHnQbDDsQiHiIpg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iacWlVjdEVvcvykLUFEuQg.png" /></figure><p><strong>Como cheguei nos números</strong> (taxas vigentes em nov/2026, volume pequeno, valores aproximados):</p><ul><li><strong>Openflow:</strong> central (0,11/h) + 1 nó Medium em CPU_X64_SL (0,41/h) = 0,52 crédito/h × 730 h ≈ 380. Se a empresa já tem um deployment, o custo extra fica perto de 300 (só o nó Medium).</li><li><strong>Python:</strong> cerca de 1 minuto de X-Small por execução × 24 por dia × 30 dias = 12 h × 1 crédito × 0,9 (multiplicador serverless) ≈ 11. Com warehouse comum e auto-suspend de 60 s, conta uns 2 minutos por execução, ou seja, cerca de 24.</li></ul><p><strong>Pontos de atenção no Python:</strong> crie uma External Access Integration com regra de rede para os hosts do cluster; a string mongodb+srv:// depende de consulta DNS SRV, então teste ou use a lista de hosts explícita. No Atlas, a lista de IPs liberados precisa aceitar a saída do Snowflake. Evite liberar 0.0.0.0/0 e avalie conectividade privada.</p><blockquote><strong><em>Veredito:</em></strong><em> uma carga por hora é viagem curta e previsível. Vai de carro próprio (Python + task). Chama a frota (Openflow) quando precisar das exclusões, de muitas coleções ou de dado a cada poucos minutos, ou quando já houver um deployment rodando.</em></blockquote><h3>Fechamento</h3><p>O Openflow não é caro nem barato: ele cobra uma central fixa e entrega muito conforto em troca. Escolhe a frota quando a viagem é longa e frequente; para o resto, pega o ônibus ou vai de carro próprio.</p><p><strong>E aí, no seu projeto, qual fonte você colocaria no Openflow e qual deixaria no Python?</strong> Conta nos comentários.</p><p><em>Explicação livre, com exemplos meus, a partir da documentação oficial da Snowflake. Números de exemplo são fictícios; taxas da tabela de consumo vigente em novembro de 2026.</em></p><h3>Fontes</h3><ul><li><a href="https://docs.snowflake.com/en/user-guide/data-integration/openflow/cost-spcs">Openflow Snowflake Deployment cost and scaling considerations</a> (docs Snowflake)</li><li><a href="https://docs.snowflake.com/user-guide/data-integration/openflow/cost">Openflow BYOC cost and scaling considerations</a> (docs Snowflake)</li><li><a href="https://www.snowflake.com/legal-files/CreditConsumptionTable.pdf">Snowflake Service Consumption Table (versão oficial vigente)</a></li><li><a href="https://docs.snowflake.com/en/user-guide/ui-snowsight/notebooks-usage">Notebook usage and cost monitoring</a> (docs Snowflake)</li><li><a href="https://docs.snowflake.com/en/release-notes/2025/other/2025-12-08-snowpipe-simplified-pricing">Snowpipe simplified pricing, dez/2025</a> (release notes)</li><li><a href="https://docs.snowflake.com/en/user-guide/data-integration/openflow/connectors/sql-server/about">About the Openflow Connector for SQL Server</a> (docs Snowflake)</li><li><a href="https://docs.snowflake.com/en/user-guide/data-integration/openflow/connectors/mongodb/about">About the Openflow Connector for MongoDB</a> (docs Snowflake)</li><li><a href="https://docs.snowflake.com/en/user-guide/data-load-snowpipe-billing">Snowpipe costs</a> (docs Snowflake)</li><li><a href="https://docs.snowflake.com/en/user-guide/tasks-python-jvm">Python and Java support for serverless tasks</a> (docs Snowflake)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=15d4f708020f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[️❄️ Snowflake Business Ontology explicada sem complicação]]></title>
            <link>https://medium.com/@adilsonhidekiyamaguchi/%EF%B8%8F-%EF%B8%8F-snowflake-business-ontology-explicada-sem-complica%C3%A7%C3%A3o-f75e26278940?source=rss-9cac1befd3c------2</link>
            <guid isPermaLink="false">https://medium.com/p/f75e26278940</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ontology]]></category>
            <category><![CDATA[data-analytics]]></category>
            <category><![CDATA[data-governance]]></category>
            <category><![CDATA[snowflake]]></category>
            <dc:creator><![CDATA[Adilson Hideki Yamaguchi]]></dc:creator>
            <pubDate>Thu, 05 Nov 2026 17:40:37 GMT</pubDate>
            <atom:updated>2026-11-05T17:40:37.612Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HuKcz4v5_-3tG2TiTmicPw.png" /></figure><p><em>Por que a sua IA precisa de um “dicionário da empresa” antes de responder qualquer coisa. Explicado de um jeito que dá pra mandar no grupo da família.</em></p><p>Faz o teste: entra numa reunião e pergunta “quanto a gente vendeu no mês passado?”.</p><p>O comercial responde um número. O financeiro responde outro. O marketing aparece com um terceiro. E o pior: ninguém está errado. Cada um está contando “venda” de um jeito. Um conta o pedido fechado, outro só o que foi faturado, outro desconta devolução.</p><p>Até aí, beleza: a gente resolve no café, todo mundo se entende. Mas agora coloca um agente de IA nessa reunião. Ele não tomou esse café. Ele não sabe que, quando a diretoria fala “venda”, quer dizer o número do financeiro. Então ele faz o que qualquer um faria sem contexto: <strong>chuta</strong>. E chuta com toda a confiança do mundo.</p><p>Foi exatamente sobre isso que a Snowflake escreveu no post em que apresenta a <strong>Business Ontology</strong>. Li, gostei e resolvi explicar em bom português, sem palavra difícil.</p><h3>O problema: o conhecimento da empresa mora em lugares demais</h3><p>Pensa em onde está a definição de “cliente ativo” na sua empresa. Provavelmente:</p><ul><li>num cálculo escondido dentro de um dashboard;</li><li>num modelo de dados que só o time de engenharia abre;</li><li>numa planilha que alguém criou em 2019;</li><li>e, principalmente, <strong>na cabeça daquela pessoa que está há 15 anos na empresa</strong>.</li></ul><p>Quando essa pessoa muda de área ou vai embora, o conhecimento vai junto. Quando a empresa troca de ferramenta ou muda o modelo de dados, alguém tem que reconstruir tudo do zero. E cada novo agente de IA que entra precisa “aprender” de novo o que a empresa já sabia.</p><p>O resultado aparece rápido: a IA entrega um número errado, alguém toma decisão em cima dele e, na próxima vez, ninguém confia mais na resposta. No post, um executivo da dentsu chama esse desencontro de <em>semantic drift</em>. Eu chamo de “cada um com a sua verdade”.</p><h3>Então, o que é essa tal de Business Ontology?</h3><p>Esquece o nome bonito. <strong>É o dicionário oficial da empresa.</strong></p><p>Só que é um dicionário com três superpoderes:</p><ol><li><strong>Cada palavra tem dono.</strong> “Receita líquida” é responsabilidade do financeiro, ponto. Se alguém quiser mudar, fala com o dono.</li><li><strong>Cada palavra tem carimbo de aprovado.</strong> Rascunho é rascunho. Só o que foi aprovado vira “oficial”, e só o oficial é entregue para os agentes de IA.</li><li><strong>Cada palavra aponta para onde a conta é feita.</strong> O dicionário não fica só no papel: ele diz “essa definição é calculada aqui”, ligando o significado ao dado de verdade.</li></ol><p>E tem um detalhe esperto: ele aceita <strong>diferenças que são de propósito</strong>. Se uma rede de restaurantes tem duas marcas que medem “vendas nas mesmas lojas” de jeitos diferentes, tudo bem. Cada marca tem a sua definição, cada uma aprovada separadamente. O que acaba é a diferença <em>por acidente</em>.</p><p>Ele também guarda <strong>sinônimos</strong> e <strong>relações</strong>: “faturamento” e “receita” podem apontar para o mesmo termo, e o dicionário sabe que um pedido pertence a um cliente.</p><p>Na prática, a Business Ontology faz parte do <strong>Horizon Context</strong>, a camada de contexto governado do Snowflake. Ela e o Cortex Sense (que você vai conhecer já já) foram anunciados com <em>public preview</em> para breve.</p><h3>As três camadas, explicadas numa pastelaria</h3><p>O post da Snowflake mostra que a Business Ontology é uma de três peças que trabalham juntas. Para explicar, nada melhor que uma analogia com a boa e velha pastelaria. 🥟</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nSkh0g1lJr0vPtdly3I5WA.png" /></figure><p><strong>👀 Cortex Sense: o atendente que presta atenção</strong> Depois de umas semanas no balcão, ele já sabe: quando o seu Zé pede “o de sempre”, é carne com queijo. Ninguém ensinou; ele aprendeu observando os pedidos. O Cortex Sense faz isso olhando o histórico de consultas, os dashboards e os modelos de dados: percebe o que as pessoas querem dizer e até rascunha definições. Também avisa quando dois atendentes chamam de “especial” pastéis diferentes e pergunta em qual deles confiar. Mas ele <strong>sugere</strong>, não decide. E, quando o cardápio diz outra coisa, ele aprende com o cardápio.</p><p><strong>📋 Business Ontology: o cardápio oficial na parede</strong> Quem decide o que é o “pastel especial” é o dono da pastelaria: carne, queijo, ovo e azeitona. Está escrito no cardápio, com a assinatura dele. Se o atendente acha que especial leva palmito, paciência: <strong>vale o cardápio</strong>. E pode ter variação de propósito, como “especial da casa” e “especial vegetariano”, cada um com nome próprio. O cardápio ainda entende apelido: quem pede “pastel de flango” recebe o de frango. 😄 A IA sempre segue o cardápio.</p><p><strong>🧾 Semantic Views: a ficha técnica da cozinha</strong> É onde está escrito como o pastel é feito de verdade e de onde vem cada coisa:</p><ul><li>a carne vem do açougue, o queijo do laticínio e a massa da fábrica de massas;</li><li>quanto vai de cada ingrediente;</li><li>em que ordem montar e quanto tempo fritar.</li></ul><p>No mundo dos dados, os fornecedores são as <strong>tabelas de origem</strong> (vendas, clientes, faturamento), e a ficha técnica diz como juntar uma com a outra e como fazer a conta. Por isso o pastel sai igual, não importa quem está na fritadeira: a IA, o dashboard ou alguém escrevendo SQL. O cardápio aponta para a ficha técnica, mas não muda a receita.</p><p>Resumindo numa frase: <strong>o atendente percebe, o cardápio decide e a ficha técnica garante que o pastel saia sempre igual.</strong></p><p>E não precisa começar pela ordem. Dá para começar pela camada que resolve a sua maior dor hoje.</p><h3>Um exemplo do mundo real</h3><p>Vou usar um setor que conheço bem: saneamento.</p><p>Numa empresa de água e esgoto, uma palavra que parece simples é <strong>economia ativa</strong>. Antes, um detalhe que confunde até quem é do setor: <em>ligação</em> é o ponto físico de conexão com a rede, e <em>economia</em> é cada unidade atendida por ela. Um prédio com 20 apartamentos tem 1 ligação e 20 economias. E o “ativa” muda conforme quem pergunta:</p><ul><li>para o comercial, é a economia com contrato vigente;</li><li>para a operação, é a que teve consumo medido no mês;</li><li>para o financeiro, é a que gerou fatura.</li></ul><p>Pergunta pra uma IA “quantas economias ativas temos?” sem contexto e você corre dois riscos: receber um desses três números sem saber qual, ou receber o número de <em>ligações</em> achando que é de <em>economias</em>.</p><p>Com a Business Ontology, o caminho fica assim:</p><ol><li>O Cortex Sense percebe que existem três cálculos diferentes circulando e levanta a bandeira.</li><li>A empresa decide: “economia ativa” oficial é a definição do comercial, com dono e aprovação. As outras viram variações com nome próprio, como “economia com consumo” e “economia faturada”.</li><li>O cardápio também registra a relação entre os termos: uma ligação atende uma ou mais economias. Ninguém mais confunde uma com a outra.</li><li>Cada definição aponta para a Semantic View que faz a conta, com as tabelas de origem certas.</li><li>Agora, quando alguém pergunta para a IA, ela responde com o número oficial, e dá para rastrear de onde ele veio.</li></ol><p>Ninguém perdeu a sua visão. Só ficou claro qual é qual.</p><h3>Por que isso importa (mesmo se você não é da TI)</h3><ul><li><strong>Confiança:</strong> a IA para de adivinhar e passa a responder com a definição que a empresa aprovou.</li><li><strong>Memória:</strong> o conhecimento deixa de depender de uma pessoa ou de uma ferramenta. Ele vira um ativo da empresa.</li><li><strong>Velocidade:</strong> todo agente novo já nasce sabendo o que a empresa sabe, sem partir do zero.</li><li><strong>Liberdade:</strong> o dicionário pode ser exportado em formato aberto (RDF), e as Semantic Views falam o Apache Ossie, um padrão aberto que a Snowflake ajudou a fundar e que já tem o apoio de dezenas de organizações. O seu dicionário não fica preso num só lugar.</li><li><strong>Funciona com o que você já tem:</strong> conectores trazem contexto de ferramentas como Tableau, Power BI e dbt, e agentes de fora do Snowflake podem consultar as Semantic Views via MCP, com o acesso controlado.</li></ul><h3>O que dá para fazer amanhã, antes de qualquer ferramenta</h3><ol><li><strong>Liste as 10 palavras que mais geram briga</strong> na sua empresa. Receita, cliente ativo, churn, meta… você sabe quais são.</li><li><strong>Dê um dono para cada uma.</strong> Uma pessoa, não um departamento.</li><li><strong>Escreva a definição em uma frase</strong> que qualquer pessoa entenda.</li><li><strong>Anote onde cada uma é calculada hoje.</strong> Vai aparecer mais de um lugar, e esse é o ponto.</li></ol><p>Quando a ferramenta chegar, você já vai ter feito a parte mais difícil, que nunca foi a tecnologia: foi colocar as pessoas de acordo.</p><h3>Para fechar</h3><p>A gente passou anos discutindo qual é a melhor ferramenta de dados. Com a IA, a pergunta mudou: não adianta ter o agente mais inteligente do mundo se ele não sabe o que “venda” significa na sua empresa.</p><p>A Business Ontology é a Snowflake dizendo, em outras palavras: <strong>antes de deixar a IA falar, ensine o idioma da empresa para ela.</strong> E esse idioma precisa ter dono, carimbo e endereço.</p><p>E na sua empresa, qual palavra gera mais briga em reunião? Conta aí nos comentários. 👇</p><p><em>Este texto é uma explicação livre, com exemplos meus, do post original da Snowflake</em> <a href="https://www.snowflake.com/en/blog/business-ontology-context/">Business Ontology Governs Business Concepts and Metrics for AI and Analytics</a><em>, de Nick El-Rayess, Danielle Kucera e Shinji Kim (novembro de 2026). Vale a leitura completa, que traz depoimentos de clientes e parceiros e links para um laboratório prático.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f75e26278940" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>