O desafio dos dados na Fórmula 1
A Fórmula 1 movimenta uma audiência de mais de 800 milhões de fãs globalmente, distribuídos entre plataformas digitais, F1 TV, redes sociais, venda de ingressos e merchandising. Corridas acontecem a cada duas semanas — e as janelas de engajamento são medidas em minutos.
Por trás dessa operação, a plataforma de tecnologia de marketing (MarTech) da F1, chamada Customer 360, captura interações em todos esses pontos de contato para alimentar estratégias de personalização, segmentação e decisões comerciais. Mas havia um gargalo crítico.
“Nossa plataforma MarTech é o sistema nervoso do engajamento de fãs da F1. Mas cada nova fonte de dados exigia de 6 a 8 semanas de engenharia manual. Tínhamos uma fila de 18 meses só para integrar 12 novas fontes”, explicou Chris Roberts, Diretor de TI da Fórmula 1.
A solução: Data Accelerator com IA agentiva
No início de 2026, a F1 e a AWS construíram juntos o Data Accelerator, uma solução que utiliza IA agentiva no Amazon Bedrock AgentCore para transformar a plataforma MarTech de um sistema mantido manualmente para uma infraestrutura autogerida, observável e unificada.
Os resultados são expressivos: o onboarding de novas fontes de dados caiu de até 8 semanas para aproximadamente 40 minutos de geração de código, mais horas de deployment e revisão. Os agentes de IA agora cuidam de 95% do trabalho de forma autônoma.
Cinco frentes de trabalho simultâneas
O Data Accelerator atacou o problema em cinco frentes entregues simultaneamente:
- Onboarding agentivo de fontes de dados: agentes no Bedrock AgentCore recebem um Documento de Requisitos de Negócio (BRD) com informações limitadas e geram todo o pipeline de ingestão — incluindo código de infraestrutura, transformações de dados, políticas de governança e classificação GDPR — sem uma única linha de código boilerplate escrita por humanos.
- Evolução automatizada de esquema: os mesmos agentes monitoram continuamente mudanças nas estruturas de dados dos provedores (renomeação de colunas, novos campos, reestruturação de payloads). Quando detectam alterações, disparam correções automatizadas — eliminando o cenário de surpresas durante finais de semana de corrida.
- Acesso unificado aos dados: implementação do Amazon SageMaker Unified Studio como camada de acesso para analistas, engenheiros e cientistas de dados.
- Observabilidade ponta a ponta: ferramenta de análise de causa raiz (RCA) e grafo de contexto que oferece rastreamento completo de linhagem de dados — “não apenas dashboards cheios de alertas”, como destacou Roberts.
- Correção automatizada de falhas: quando o dashboard de observabilidade detecta uma falha, agentes avaliam se a correção pode ser feita via código e a executam automaticamente.
Arquitetura modular de skills
Um aspecto técnico notável é a arquitetura do sistema: não se trata de um grafo de agentes rigidamente acoplado, mas de um único agente com definições modulares de habilidades (skills). Cada skill encapsula uma capacidade distinta — mapeamento de esquema, validação de qualidade de dados, aplicação de governança e classificação de dados sensíveis.
Em tempo de execução, o agente avalia os requisitos recebidos e ativa as skills relevantes, compondo-as por meio de um processo de raciocínio em múltiplas passagens (multi-pass reasoning). A Passagem-0 cuida da gestão de tokens, a Passagem-1 sumariza as saídas das ferramentas e a Passagem-2 consolida uma avaliação geral — refinando progressivamente a precisão.
Novas capacidades entram como novos módulos de skill, sem alterar o loop central do agente — uma abordagem que mantém a arquitetura fácil de manter e compor conforme a plataforma cresce.
Classificação GDPR integrada
Outro diferencial é a classificação automatizada de GDPR. O agente analisa proativamente cada coluna de dados, determina se contém dados pessoais, dados pessoais sensíveis ou dados pseudonimizados, e aplica as tags apropriadas — que são publicadas diretamente no registro de governança do SageMaker Unified Studio, dando à equipe de compliance visibilidade imediata sem ciclos manuais de revisão.
Por que isso importa
O caso da Fórmula 1 é uma demonstração concreta de IA agentiva em produção empresarial de alta criticidade. Não é um protótipo ou um caso de uso de chatbot: são agentes autônomos operando pipelines de dados, detectando anomalias em tempo real e gerando código de infraestrutura revisável por humanos.
Para o mercado brasileiro, onde empresas de mídia, varejo e serviços financeiros lidam com desafios semelhantes de integração de dados, o padrão de agentes modulares com skills compostas em múltiplas passagens de raciocínio oferece um modelo replicável. A redução de 8 semanas para 40 minutos não é um número de marketing — é uma transformação operacional real.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
