Lyft constrói camada semântica própria para governar métricas e escalar definições de dados com precisão

A Lyft não está só construindo uma camada semântica, está fechando o ciclo entre governança de dados e operação de IA com um sistema que codifica lógica de negócio em YAML e Jinja SQL, não em código Python ou em dashboards isolados. Isso é diferente do Metrics SQL da Rill (coberto em 9/4), que prioriza SQL puro como interface humana, mas não tem a mesma integração nativa com agentes de IA nem o modelo de donos compartilhados (negócio + operações) que a Lyft adotou. A solução também se distingue do sistema de armazenamento de métricas do Airbnb (22/4): lá o foco é escala e tolerância a falhas em séries temporais; aqui, é precisão semântica e propagação automática de mudanças, uma métrica atualizada no template Jinja reflete em todos os relatórios, APIs e agentes em minutos.

O Amundsen, criado pela própria Lyft em 2019, agora serve como o catálogo de referência para essa nova camada, mas com um giro: antes era um repositório passivo de metadados; hoje, é o ponto de descoberta ativa para métricas versionadas, com linhagem ligada à lógica SQL subjacente. Isso contrasta com o OpenMetadata, que ganha tração por ter governança embutida, mas ainda não oferece o mesmo nível de acoplamento entre definição de métrica e execução de IA. A tendência global confirma: camadas semânticas deixaram de ser experimentais, o mercado deve triplicar de valor até 2034, e a Gartner já classifica 'camadas compostas' como estratégia viável, já que uma única camada universal continua inalcançável.

Em abril, a CEVIU destacou o desafio conceitual do 'labirinto dos dados' (20/4), onde métricas divergentes geram conflito entre equipes, mas na época, a Lyft ainda não havia tornado pública sua solução interna. Em 22 de junho de 2026, ela revela não apenas que resolveu o problema, mas *como*: com Golden Metrics versionadas, responsabilidade compartilhada explícita e, crucialmente, com agentes de IA integrados como consumidores de primeira classe, não como add-ons. Isso transforma o que era teoria (governança para IA, discutida em 27/5 na Salesforce) em prática operacional: regras de acesso, segurança e conformidade são aplicadas em tempo real durante a execução da IA, não em aprovações prévias.

Isso importa porque elimina o principal gargalo de escalabilidade em analytics e IA: a duplicação manual de lógica. Quando um time de finanças muda a fórmula de 'Margem EBITDA Ajustado', métrica que a Lyft já usa desde 2023, a alteração não exige revisão em dezenas de dashboards, notebooks e pipelines. Ela vai direto para o template Jinja, é validada, versionada e propagada automaticamente. Para engenheiros de dados, isso reduz manutenção. Para analistas, significa confiança imediata nos números. Para agentes de IA, significa respostas baseadas em definições atualizadas, sem risco de usar uma versão obsoleta de 'Gross Bookings' numa consulta sobre desempenho trimestral.