Amazon apresenta arquitetura de análise agêntica baseada em SageMaker, Athena e Quick

A AWS apresentou uma arquitetura em que o assistente agêntico Amazon Quick transforma a análise de dados em um lakehouse em self-service para as equipes de negócio. O esquema combina S3, SageMaker, AWS Glue e Athena para que o usuário possa fazer perguntas aos dados em linguagem natural, e não por meio de SQL.

Como o esquema funciona

Na demonstração, a AWS usa o conjunto TPC-H e constrói sobre ele um lakehouse de várias camadas. Os dados ficam no Amazon S3, os metadados são gerenciados pelo AWS Glue, e o Amazon Athena serve como camada SQL única para consultar diferentes formatos de armazenamento. O exemplo usa ao mesmo tempo tabelas CSV externas comuns, tabelas Iceberg em Parquet e S3 Tables gerenciadas.

Essa abordagem não existe por elegância arquitetural: a empresa mostra que a mesma pergunta de negócio pode ser direcionada a fontes heterogêneas sem montar manualmente data marts para cada cenário.

Sobre isso, o Amazon Quick monta a camada do usuário:

• datasets no SPICE para respostas e dashboards rápidos
• Topic como camada semântica para termos de negócio
• um dashboard com consultas em linguagem natural
• uma Knowledge Base baseada em documentação e especificações
• Quick Space e chat agent como interface única

O que o agente faz

A peça central não é apenas um chat sobre tabelas, mas a combinação de Topic, Space e Knowledge Base. O Topic funciona como camada semântica: ele associa formulações habituais, como receita, segmento de clientes ou último trimestre, a campos, datas e filtros específicos do dataset.

Dentro do Quick, os dados são carregados primeiro no SPICE, então os dashboards e as respostas a perguntas típicas devem funcionar rápido mesmo com o crescimento do lakehouse de origem. Para conjuntos grandes, a AWS recomenda unir as tabelas antes no Athena por meio de Custom SQL e só depois enviar o resultado plano ao Quick.

Para que o agente responda com mais do que números, a AWS adiciona contexto não estruturado às tabelas estruturadas. Na Knowledge Base, a especificação do TPC-H em PDF é carregada por um web crawler, e em um Quick Space ficam o Topic, a base de conhecimento e um dashboard pronto. Depois disso, o chat agent passa a ter um único ambiente de conhecimento gerenciado: ele pode responder perguntas sobre receita e status de pedidos e ainda extrair da documentação definições de campos, a lógica de negócio das consultas e o significado das consultas de benchmark. A ideia é simples: uma interface no lugar de um conjunto de telas de BI e páginas de wiki dispersas.

Onde está o efeito

Para o negócio, o principal ganho é que a análise deixa de ser uma fila para especialistas em SQL e para a equipe de BI. O usuário pode perguntar em linguagem comum sobre receita por segmento, dinâmica de pedidos, descontos ou itens de produto e obter uma resposta vinculada a dados e visualizações.

A AWS destaca separadamente que esse modelo não se destina apenas ao modo de demonstração: o acesso é limitado por funções, e os limites de visibilidade são herdados do IAM e do Lake Formation. Ou seja, o funcionário vê somente as tabelas, colunas e fontes para as quais já tem permissão.

Mas o post também mostra o preço dessa conveniência. Antes do lançamento, é preciso configurar o catálogo do Glue, as permissões no Lake Formation, a conexão com o Athena, a carga no SPICE, o Topic, o Space, o dashboard e um agente separado. Ou seja, a AWS não promete mágica pronta: a análise agêntica surge onde já existem um lakehouse, modelos de acesso e uma semântica de dados bem cuidada. Em troca, a empresa ganha um caminho mais curto da pergunta à resposta e menos trabalho manual para os analistas.

O que isso significa

Na prática, a AWS promove a próxima etapa do BI: não um novo dashboard, mas uma camada de interface agêntica sobre um lakehouse existente. Se a abordagem pegar, os usuários de negócio recorrerão cada vez mais aos dados por meio do diálogo, e as equipes de dados vão se concentrar não em extrações pontuais, mas na qualidade dos modelos, das permissões e do contexto.