O que é Data Mesh e por que importa para a IA?

De onde veio o Data Mesh

Em 2019 Zhamak Dehghani publicou o artigo fundacional no site de Martin Fowler, definindo um paradigma distribuído para dados analíticos. Em 2022 ele se tornou o livro de referência, Data Mesh: Delivering Data-Driven Value at Scale (O'Reilly): um paradigma sociotécnico, não apenas uma arquitetura.

Seis anos depois, a pergunta já não é o que é. É por que importa para a IA?

Modelos centralizados criam controle, mas também gargalos

• Entrega lenta. Cada caso de uso depende de uma equipe central sem contexto operacional completo.
• Contexto perdido na tradução. Os domínios de negócio têm o conhecimento; as equipes centrais têm o pipeline.
• Equipes de IA sobrecarregadas. As solicitações se acumulam de todas as unidades de negócio, sem propriedade por domínio.
• Inovação limitada. A capacidade central se torna o limite da agilidade organizacional.

Quatro princípios fundamentais

1. Propriedade orientada ao domínio. Domínios de negócio responsáveis por seus próprios dados.
2. Dados como produto. Qualidade, documentação e usabilidade como resultados com dono.
3. Plataforma de dados self-service. Infraestrutura que habilita a autonomia dos domínios em escala.
4. Governança computacional federada. Padrões comuns sem controle central.

Nenhum extremo funciona em escala

Centralizado	Federado	Descentralizado
Controle sem velocidade. Gargalos por toda parte. Entrega lenta.	Autonomia com alinhamento. Domínios perto do problema. Governança comum.	Velocidade sem confiança. Fragmentação. Sem padrões compartilhados.

O caminho é federado: domínios de negócio perto do problema, plataformas centrais que habilitam a escala, governança comum que cria confiança.

Eu vi isso acontecer de perto

Como executivo de Dados e IA em mineração, alimentos e consumo, saúde e consultoria:

• Governança de dados federada: um lakehouse baseado em DAMA alinhado um a um com cada unidade de negócio.
• IA industrial e mineração: controle adaptativo com ML e gêmeos digitais, ROI acima de 300%.
• IA na saúde: uma plataforma agêntica de decisão clínica em mais de 10 hospitais.
• Consultoria e automação de processos: criação das práticas de Advanced Analytics e Data Governance.

A arquitetura técnica foi só metade da história. A outra metade foi o modelo operacional: quem era dono dos dados, quem respondia pelo resultado.

O mesmo padrão, uma nova camada: IA agêntica

A McKinsey (2025) descreve a "malha de IA agêntica": uma camada de orquestração onde agentes, ferramentas, APIs e produtos de dados se coordenam em escala empresarial. Google Cloud e Thoughtworks chegam à mesma conclusão pelo lado da nuvem: propriedade e governança federadas como base para dados prontos para IA.

A verdade incômoda:

• Os assistentes GenAI dependem de contexto confiável.
• As arquiteturas RAG dependem de fontes de conhecimento governadas.
• Os sistemas agênticos dependem de fluxos de trabalho e produtos de dados confiáveis.

Sem produtos de dados próprios, governados e confiáveis, a camada agêntica simplesmente automatizará a confusão mais rápido.

Quatro pilares que escalam a IA empresarial

• Domínios perto do problema: as unidades de negócio são donas do contexto e da accountability.
• Plataformas centrais que habilitam a escala: infraestrutura compartilhada, lakehouse, ferramentas comuns.
• Governança que cria confiança: padrões, segurança e qualidade de dados entre domínios.
• Capacidades reutilizáveis: modelos de IA, APIs e produtos analíticos como ativos de plataforma.

A IA empresarial não escala escolhendo entre liberdade e controle.

Onde você vê hoje o maior gargalo: capacidade de entrega central, propriedade fraca dos domínios ou falta de governança comum?

Fontes

Dehghani, Z. (2019), martinfowler.com · Dehghani, Z. (2022), Data Mesh, O'Reilly · McKinsey QuantumBlack (2025) · Google Cloud + Thoughtworks Data Mesh guidance.