Rippling migra operações GTM para um banco de dados de IA em lakehouse

A Rippling não só migrou para um lakehouse com IA, ela redefiniu o que é um 'banco de dados de IA' no contexto de GTM: não é um wrapper conversacional sobre SQL, mas uma camada ativa que executa resolução de entidades entre fontes externas (como Clearbit, ZoomInfo e CRM), aplica sumarização com LLMs em conversas de vendas enriquecidas com contexto de conta, e serve consultas semânticas diretamente para agentes autônomos. Tudo isso roda sobre tabelas Apache Iceberg™ no Databricks, com Lakeflow para ingestão em escala e controle de acesso granular aplicado no nível da consulta, não na aplicação.

Essa arquitetura medallion (bronze → silver → gold → platinum) foi construída pela equipe de Engenharia de Crescimento em menos de três meses e já alimenta operações de RevOps, PLG, marketing de crescimento e gerenciamento de contas. Ao contrário de soluções RAG tradicionais, a Rippling AI não faz lookup em vetores: ela opera sobre dados estruturados e semi-estruturados atualizados em tempo real, com lógica de negócios embutida no modelo de dados, como regras de priorização de leads baseadas em comportamento, histórico de renovação e perfil de tecnologia usada.

Em março de 2026, a Rippling lançou sua 'Rippling AI' como interface natural para humanos, com respostas auditáveis em SQL ou fórmulas. Agora, em junho de 2026, essa mesma camada virou consumidora de primeira classe: agentes de IA usam a interface Genie para executar ações autônomas, como criar campanhas personalizadas, ajustar sequências de outreach ou recomendar estratégias de cross-sell, sem intervenção humana. A mudança não foi incremental: foi uma troca de paradigma, de 'IA que consulta dados' para 'dados projetados para IA agir'.

Isso corta a 'pipeline tax' descrita em maio: zero movimentação entre warehouse, vector DB e orquestrador. Dados, contexto e ações vivem no mesmo lugar, com governança aplicada no mecanismo, não em camadas intermediárias. Resultado prático: geração de estratégia de vendas personalizada ficou uma ordem de magnitude mais barata e rápida; demonstrações agendadas subiram ~33% em testes A/B; e o mercado endereçável cresceu dois dígitos no primeiro mês. Para equipes de dados, significa que o lakehouse deixou de ser um repositório para virar um runtime de IA operacional.