Neo4j Virtual Graph: análise de grafos direto no seu data warehouse, sem mover uma linha de dado

O Neo4j Virtual Graph não é só mais um conector, é uma mudança de paradigma na arquitetura de análise de grafos. Em vez de extrair, transformar e carregar dados para um banco de grafo (ETL), ele compila Cypher em SQL nativo em tempo real, executando travessias e algoritmos diretamente no data warehouse ou lakehouse. Isso significa que consultas como 'encontrar todos os clientes conectados por três níveis de transações' rodam no Snowflake ou Databricks, sem copiar uma única linha para o AuraDB. A IA gera automaticamente o modelo de grafo a partir do esquema da fonte, mas o usuário pode ajustá-lo manualmente, mantendo controle sobre relações lógicas sem depender de reconstrução de pipelines.

A abordagem resolve dois gargalos reais: a fricção entre sistemas agentic que precisam de conexões explícitas entre dados (como no RushDB 2.0) e a governança rígida de data warehouses. Ao empurrar a execução para o motor do warehouse, o Virtual Graph herda sua segurança, políticas de acesso e atualizações em tempo real, algo que soluções anteriores como o Aura Graph Analytics (lançado em maio de 2025) ainda exigiam como complemento, não substituição.

Em maio de 2025, o Aura Graph Analytics já oferecia análise de grafos com Zero ETL, mas exigia movimentação parcial de dados para um ambiente serverless da Neo4j. O Virtual Graph, anunciado em 28 de maio de 2026 e disponibilizado em 1º de junho, elimina esse passo intermediário: agora o Cypher roda *diretamente* no warehouse, sem cópia nem proxy. Também evolui em relação ao GDS Library, que depende de exportação para o Neo4j, ao manter os dados onde estão, enquanto preserva acesso a 65+ algoritmos via SQL compilado. Não é uma extensão do MySQL como o VillageSQL, nem um branching de dados como o Lakebase da Databricks: é um compilador de linguagem de grafo para SQL, com foco estrito em descoberta relacional zero-copy.

Para engenheiros de dados, isso reduz a complexidade de manter duas fontes de verdade, uma relacional, outra de grafo, e elimina o custo operacional de sincronização contínua. Para equipes de IA, abre caminho para agentes que enxergam relações ocultas em tabelas tradicionais (ex: fraudes em cadeia, redes de fornecedores críticos) sem sair do perímetro de governança do warehouse. E para negócios, acelera casos como detecção de pagamentos circulares em serviços financeiros, já viabilizados com Databricks Genie para consulta natural, mas agora com poder analítico de grafo embutido, sem novos silos.