A crise de identidade: por que resolver entidades é o alicerce de qualquer stack de dados

A resolução de entidades deixou de ser um problema de deduplicação pontual e virou o núcleo operacional de qualquer stack de dados que pretenda alimentar IA confiável, produtos analíticos com linhagem auditável e conformidade em tempo real. O que a notícia atual chama de 'alicerce' é, na prática, uma camada de infraestrutura de dados que opera em três níveis técnicos interdependentes: bloqueio inteligente (não só por hash ou prefixo, mas com codificações fonéticas multilíngues e normalização contextual, como a Zingg.AI faz para chinês e hindi), matching híbrido (regras para IDs únicos + ML probabilístico para nomes com erros, e-mails compartilhados ou números de telefone reutilizados) e clustering em grafo com capacidade de split/merge dinâmico, ou seja, não é um agrupamento estático, mas um grafo vivo que evolui com novos eventos de dados.

Isso exige mais do que um job Spark rodando semanalmente. Exige orquestração nativa no warehouse: não como um ETL adicional, mas como uma camada de processamento declarativa que se integra ao Unity Catalog (como na versão 0.6.0 da Zingg.AI, lançada em 30/04/2026), suporta RBAC herdado, gera logs de auditoria compatíveis com LGPD e GDPR, e atualiza clusters incrementalmente, sem reprocessar 500 milhões de registros a cada carga. É a diferença entre ter um 'snapshot de identidade' e manter um 'estado contínuo de identidade'.

Na cobertura anterior do CEVIU sobre governança de agentes empresariais (27/05/2026), a identidade era tratada como um atributo propagado por uma camada de plataforma, algo que 'vem de cima'. Agora, a abordagem muda radicalmente: a identidade é construída 'de baixo para cima', diretamente no data warehouse, a partir dos dados brutos, com revisão humana embutida no fluxo (não como etapa final isolada). A versão 0.6.0 da Zingg.AI, lançada após a análise do CEVIU sobre 'pipeline tax' (21/05/2026), prova que é possível eliminar a movimentação externa de dados sem sacrificar governança, justamente o que a 'taxa de pipeline' criticava.

Produtos de dados falham não por esquema ruim, mas por entidade ambígua: um agente de IA que recomenda um produto já comprado está vendo três 'Jennifers' em vez de uma; um relatório de churn calcula taxa errada porque dois registros de mesmo CPF estão em silos distintos; um dashboard de compliance lista 'clientes fantasmas' gerados por endereços mal formatados. Isso não é erro de modelagem, é falha de arquitetura de dados. Sem resolução nativa no warehouse, você constrói sobre areia movediça: cada nova camada (RAG, lakehouse, agentic layer) amplifica o ruído. A identidade unificada é o primeiro contrato de qualidade que todo dado deve honrar, antes de virar feature, antes de virar embedding, antes de virar input para IA.