Semantic layer também é questão humana: como alinhar o significado dos dados entre equipes

O texto de Nikos Nikolidakis, do GIZ, parte de um exemplo simples: "projetos ativos". Para quem cuida do orçamento, o projeto segue ativo enquanto há pagamentos pendentes. Para quem entrega, ele já acabou. Os dois olham para o mesmo número e ninguém pergunta o que o outro incluiu. O cálculo pode estar consistente na semantic layer e, mesmo assim, apoiar decisões incompatíveis.

A proposta é testar a definição com colegas de times diferentes, aplicada à mesma decisão realista, e usar as diferenças para ajustar a explicação, a definição ou quem tem autoridade para decidir. O autor distingue três situações: compartilhar conhecimento basta, é preciso traduzir interpretações, ou há conflito de interesses (por exemplo, declarar um projeto concluído pode significar perder financiamento). Nesse último caso, linguagem amigável não resolve. Para ownership, ele sugere manter a definição formal junto de uma explicação curta, um cenário de decisão e um contraexemplo (quem digita o dado não é, por isso, o dono responsável). Sobre IA, o texto afirma que um agente pedindo a contagem de projetos ativos precisa da definição e do contexto, e que quem avalia a resposta também. Cita ainda o esforço do Apache Ossie por uma especificação comum de modelos semânticos, que é interoperabilidade técnica e não resolve disputas de interpretação de negócio. Como ponto de partida, sugere de dez a vinte conceitos que geram atrito, número que ele mesmo chama de sugestão prática, não de achado de pesquisa.

O tema já vinha aparecendo no CEVIU. Em 20 de abril de 2026, a matéria "Dédalo e o Labirinto dos Dados" apontava a divergência semântica, e não o armazenamento, como desafio central da análise. Em 24 de agosto de 2026, "Desvendando a Camada Semântica: A Estratégia do PostHog para Unificar Dados" tratava a camada semântica como dicionário de definições para humanos e sistemas. Em 3 de julho de 2026, outra matéria ligava qualidade de dados à falta de ownership sobre definição e cálculo de métricas. O texto atual avança ao tratar o lado humano: como o significado sobrevive entre equipes depois que a definição já está pronta.

Para quem opera uma semantic layer, a leitura é direta: publicar a métrica no catálogo não encerra o trabalho. Vale testar se times diferentes aplicam a definição do mesmo jeito e registrar quem decide quando elas divergem. Com agentes de IA consultando a camada, essa ambiguidade deixa de ficar escondida em reuniões e passa a aparecer em respostas plausíveis, porém erradas.