Como o GitHub construiu um agente interno para análise de dados

O Qubot não é só mais um chatbot interno: é uma mudança de arquitetura de governança de dados no GitHub. Ele opera sobre uma camada federada de dados estruturada em três níveis, raw/bronze (dados brutos), conformed/silver (padronizados, com qualidade controlada) e curated/gold (modelados para consumo analítico). Essa camada não é apenas conceitual: ela exige SLAs operacionais rigorosos para atualização, lineage rastreável e políticas de acesso granulares, o que explica por que a adoção foi rápida, mas não automática. A integração com Kusto e Trino via servidor MCP não é pontual: é uma abstração de execução que muda dinamicamente o motor de consulta conforme a complexidade da pergunta, evitando overfetching e garantindo respostas em segundos mesmo em conjuntos de dados massivos.

Isso muda o papel do time de analytics: de provedor de relatórios sob demanda para mantenedor de um sistema de confiança, onde cada camada de dados é validada, documentada e versionada como código. É menos 'pedir um dashboard' e mais 'interagir com um ativo estratégico estruturado'.

A cobertura anterior de 19/06 já detalhava o Qubot em produção, mas focava nos aprendizados do desenvolvimento. Agora, com dados reais de adoção e redução de demanda por suporte analítico dedicado, o GitHub confirma que o agente está operando como um mecanismo de descentralização real, não só de acesso, mas de responsabilidade técnica. O que era hipótese na edição anterior (ex.: 'contexto estruturado melhora precisão') virou métrica observável: tempo médio de resposta caiu de minutos para segundos, e 78% das perguntas exploratórias são resolvidas sem intervenção humana. Também houve evolução prática no MCP: agora ele faz roteamento inteligente entre Kusto (para agregações rápidas) e Trino (para joins complexos), algo não mencionado no artigo de 19/06.

Para empresas em processo de migração para nuvem ou modernização de data platforms, o Qubot mostra que IA analítica não começa com modelo, mas com disciplina de dados. Sem a camada gold bem modelada e com metadados enriquecidos, agentes geram respostas plausíveis, mas incorretas, e isso escala mal. O sucesso do Qubot depende menos do Copilot e mais da arquitetura de dados subjacente: é um caso prático de como governança, não IA, define o limite da autonomia analítica. Time de TI que prioriza 'federar dados' antes de 'colocar IA' ganha velocidade real, e reduz custos com engenheiros de dados repetindo consultas idênticas.