Meta desenvolve DEmate para simplificar engenharia de dados com IA

O DEmate não é só mais um assistente de SQL: é o primeiro sistema da Meta que une RAG com uma arquitetura de execução em quatro etapas chamada 'Receitas', Cookbook, Ingredientes, Geração e Plating Final. Ele foi construído para resolver um problema concreto que modelos genéricos não conseguem: entender o ecossistema interno de dados da Meta, com orquestradores proprietários, macros como LATEST_DS e centenas de UDFs. A taxa de aceitação de 80% nas propostas de código mostra que ele já opera além do protótipo, é infraestrutura produtiva, com 3.500 engenheiros usando semanalmente desde o início de 2025.

A Arquitetura de Receitas evita fadiga de contexto e alucinações ao forçar a solicitação explícita de dados ausentes (Ingredientes) e executar validações assíncronas em testes de longa duração. Isso diferencia o DEmate de ferramentas baseadas apenas em RAG ou fine-tuning: ele não gera código isolado, mas sim alterações integradas à cadeia de CI/CD interna da Meta, com revisão automática baseada em 20 regras estritas para contribuições externas.

Em abril de 2026, a Meta ainda dependia de 50 agentes especializados para mapear conhecimento tribal em pipelines, um processo reativo, documental e manual. O DEmate, lançado em 2025 e agora consolidado em julho de 2026, transforma esse conhecimento em ação operacional contínua: ele edita, testa e propõe mudanças reais em produção. Também evoluiu do 'Segundo Cérebro' (maio/2026), focado em busca e síntese, para um agente ativo de engenharia, com execução real, não só raciocínio. E, ao contrário dos agentes unificados de performance (abril/2026), que atuam na infraestrutura, o DEmate opera no nível do dado: SQL, pipelines e lógica de negócios.

Engenheiros de dados no Brasil gastam até 40% do tempo em tarefas repetitivas: ajustar queries para novas partições, atualizar macros, validar impactos de schema changes. Ferramentas como o DEmate mostram que a IA aplicada não precisa ser genérica para ser eficaz, basta estar profundamente enraizada no contexto técnico específico. Isso muda a barreira de entrada: não é mais sobre 'ter um LLM', mas sobre ter um sistema que entenda seu catálogo, suas convenções e seus testes. Para equipes que usam Airflow, dbt ou Spark com padrões próprios, o modelo da Meta oferece um roteiro prático, não teórico, de como tornar IA útil em engenharia de dados.