Quando a inteligência é grátis, sistemas de dados são o novo gargalo dos agentes de IA

Pesquisadores do BAIR (Berkeley Artificial Intelligence Research) publicaram um artigo denso e visionário que traça o futuro dos sistemas de dados na era dos agentes de IA. O título já entrega a tese central: “Inteligência é grátis — e agora?”.

O argumento parte de um fato incontestável: o custo da inferência de modelos de linguagem despencou entre 9× e 900× por ano, com alguns provedores empurrando o preço para menos de US$ 0,10 por milhão de tokens. Quando a inteligência vira commodity, o gargalo não está mais no modelo — está nos sistemas de dados que alimentam, coordenam e registram o trabalho dos agentes.

O artigo, assinado por 11 pesquisadores incluindo Ion Stoica, Matei Zaharia e Joseph Gonzalez, organiza a discussão em três eixos:

1. Sistemas de dados PARA agentes

Quando um agente de IA recebe uma tarefa como “por que as vendas de café caíram em Berkeley este ano?”, ele não faz uma única consulta SQL. Ele executa centenas ou milhares de queries explorando hipóteses concatenadas — joins, agregações, filtros — em um processo chamado agentic speculation. Os sistemas de banco de dados atuais não foram projetados para esse padrão de uso. Os pesquisadores propõem interfaces de consulta em lote com requisitos de aproximação variáveis e primitivas de alto nível inspiradas em macros Jinja (estilo DBT), em vez de forçar o agente a enumerar cada SQL individualmente.

2. Sistemas de dados DOS agentes

Agentes não apenas consultam dados — eles vivem em sistemas de dados. Precisam de memória persistente, coordenação entre múltiplos agentes, controle de versão de estado e tolerância a falhas. Hoje, a maioria dos frameworks (Claude Code, Codex) usa arquivos como memória — mas os autores argumentam que memória estruturada com grafos de conhecimento, suporte a multiversionamento e semântica copy-on-write (como o Temporal) são o caminho para agentes verdadeiramente confiáveis.

3. Sistemas de dados POR agentes

O cenário mais radical: agentes de IA projetando e sintetizando os próprios sistemas de dados que vão usar. Projetos como GenDB e Bespoke OLAP já demonstram que um pipeline agentivo consegue gerar um motor analítico completo — em minutos, por alguns dólares — sob medida para uma carga de trabalho específica. Quando a carga muda, o sistema é simplesmente regenerado. Os pesquisadores também mostram Kiro, que sintetiza key-value stores customizadas via agentes.

O horizonte

A conclusão é provocativa: as fronteiras entre agentes e sistemas de dados vão se dissolver. Agentes projetarão sistemas, sistemas incorporarão componentes agentivos, e tudo — dados brutos, memória de longo prazo e estado de coordenação — convergirá para uma única fonte de verdade orquestrada dinamicamente. “É difícil prever o futuro”, escrevem, “mas a viagem promete ser intensa.”