Amazon Web Services publicou em 6 de novembro de 2026 uma arquitetura de referência para expor dados de um data lake a agentes de IA por meio de um servidor Model Context Protocol (MCP) executado no Amazon ECS com AWS Fargate. A proposta troca integrações específicas por agente e por tabela por uma camada central: clientes compatíveis com MCP descobrem ferramentas em um endpoint comum, enquanto autenticação, regras de acesso, validação de SQL e auditoria ficam concentradas. Para empresas que já usam Amazon Bedrock, Athena ou Redshift, o desenho é relevante porque transforma o acesso conversacional a dados em um problema de configuração e governança — não em um novo projeto de integração para cada copiloto.
Resumo: o que a arquitetura resolve
- Um gateway para muitos agentes: clientes MCP, como extensões de IDE e aplicações internas, podem usar a mesma camada de ferramentas.
- Onboarding orientado por metadados: uma tabela passa a ser descrita por um arquivo JSON com esquema, significado de colunas e dicas de consulta.
- Segurança centralizada: autenticação, isolamento de rede, guardrails e a restrição de consultas somente de leitura são aplicados antes de o pedido chegar ao data lake.
- Estado fora dos contêineres: as tarefas Fargate permanecem stateless; a conversa é persistida no Amazon DynamoDB, permitindo escalar ou substituir tarefas sem perder a sessão.
- Dados estruturados e não estruturados no mesmo fluxo: o agente pode combinar uma consulta no Athena com busca semântica em documentos indexados no Amazon Bedrock Knowledge Bases.
Por que o MCP muda a integração de agentes com dados corporativos
O Model Context Protocol (MCP) é um protocolo para conectar aplicações de IA a ferramentas e fontes de contexto com uma interface padronizada. O ganho prático não é apenas “ter um chatbot que consulta banco”: é evitar que cada agente implemente, de forma isolada, descoberta de esquema, geração de SQL, conexões, auditoria e controle de permissões.
No caso descrito pela AWS, o problema surgiu em um ambiente com milhares de conjuntos de dados operacionais e analíticos. Quando cada time constrói seu próprio conector, uma alteração de esquema precisa ser tratada repetidamente, o controle de acesso fica distribuído e a entrada de uma tabela nova pode exigir dias de código, validação e implantação. O servidor MCP passa a ser a fronteira estável entre agentes, aplicações e dados. Os modelos ou frameworks podem mudar; a política de acesso não precisa mudar junto.
Arquitetura em quatro camadas
A referência da AWS separa a solução em camada de cliente, servidor MCP, ferramentas e atualização da base de conhecimento. Essa divisão é importante: cada parte pode escalar e evoluir sem acoplar a aplicação de chat ao mecanismo que efetivamente consulta os dados.

1. Camada de cliente: identidade, sessão e contexto de negócio
O tráfego entra por Amazon Route 53 e um Application Load Balancer público protegido por HTTPS e AWS WAF. A autenticação é feita pelo Amazon Cognito com JSON Web Tokens (JWTs). Depois da autenticação, a aplicação cliente em ECS Fargate mantém o estado da sessão no DynamoDB e adiciona contexto de negócio ao pedido antes de encaminhá-lo ao serviço MCP interno.
Esse contexto pode limitar quais tabelas são consideradas para uma determinada aplicação. Em vez de deixar o agente pesquisar todo o catálogo, um contexto como labor_planning pode apontar apenas para as tabelas de planejamento de força de trabalho. A AWS relata que, em seus testes, esse recorte contribuiu para interações ponta a ponta na faixa de 15 a 20 segundos. É um detalhe arquitetural importante: mais contexto não significa necessariamente mais qualidade; para consultas empresariais, reduzir o espaço de busca pode diminuir ambiguidades e custo.
2. Camada MCP: orquestração sem estado
O servidor MCP roda em um cluster ECS Fargate separado, em sub-rede privada e atrás de um Application Load Balancer interno. Ele expõe uma interface JSON-RPC no endpoint /mcp, implementada com FastMCP, framework Python para construir servidores MCP. Clientes compatíveis podem descobrir e invocar ferramentas sem conhecer detalhes de Athena, Redshift ou da base de documentos.
O serviço é stateless: o histórico da conversa fica no DynamoDB, não na tarefa Fargate. Quando chega um pedido, o agente recupera a sessão, interpreta a intenção com Amazon Bedrock, escolhe uma ferramenta, executa a chamada e transmite o resultado de volta. Essa separação torna a elasticidade mais segura: uma tarefa pode ser substituída ou a quantidade de réplicas pode crescer sem usar a memória de um contêiner como fonte de verdade da conversa.
3. Ferramentas: SQL, busca documental e políticas
| Ferramenta | Backend | Uso na arquitetura |
|---|---|---|
| Consulta SQL | Amazon Athena e Amazon Redshift | Consultar conjuntos de dados configurados no data lake e no warehouse. |
| Busca de documentos e metadados | Amazon Bedrock Knowledge Bases | Encontrar documentação interna, descrição de tabelas e wikis. |
| Busca de políticas | Amazon Bedrock Knowledge Bases | Localizar procedimentos operacionais e políticas corporativas. |
