--- title: "Anthropic relata que Claude atende 95 por cento das consultas internas de analytics" author: "Gustavo Ramos O. Klein" date: "2026-06-23 07:15:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/06/23/anthropic-relata-que-claude-atende-95-por-cento-das-consultas-internas-de-analytics/md" --- ## Resumo - A Anthropic automatizou 95% das consultas internas de analytics com precisão agregada de 95% usando Claude. - O sistema depende de quatro camadas: fundações de dados, camada de conhecimento semântico, skills procedurais e validação. - As skills elevaram a precisão de 21% para mais de 95%, atuando como conhecimento procedural curado por humanos. - Fontes de verdade incluem semantic layer, linhagem de dados e contexto de negócio para evitar ambiguidades. - Sem manutenção contínua a precisão pode cair de 95% para 65% em um mês. - A abordagem reforça que interoperabilidade entre plataformas exige governança e diálogo constante entre sistemas. --- A Anthropic anunciou recentemente que o Claude agora atende cerca de **95%** das consultas internas de analytics da empresa com precisão agregada de aproximadamente **95%**. O que antes exigia horas de trabalho manual de equipes especializadas hoje flui de forma quase autônoma graças a uma arquitetura que transforma dados brutos em respostas confiáveis. O “bug” que muitas organizações enfrentam — consultas repetitivas que consomem tempo e geram erros — encontra aqui uma solução prática que vale analisar em detalhes. Ao construir pontes entre diferentes camadas de dados, a Anthropic mostrou que a interoperabilidade não é apenas técnica, mas uma forma de diplomacia digital que permite que sistemas conversem entre si. ## Uma pilha de quatro camadas que funciona como diálogo entre plataformas Imagine que cada consulta de analytics é uma conversa entre o usuário e os dados da empresa. Para que essa conversa aconteça sem ruído, a Anthropic organizou quatro camadas que se conectam como embaixadas trocando informações. A primeira é a fundação de dados, onde datasets canônicos, padrões e metadados são definidos de forma rigorosa para que todos os sistemas falem a mesma língua. A segunda camada, chamada de conhecimento, inclui o semantic layer que traduz termos de negócio em definições precisas, evitando ambiguidades entre conceito e entidade. A terceira traz as skills, pastas em markdown dentro do Claude Code que codificam conhecimento procedural e elevam a precisão de **21%** para mais de **95%** em domínios específicos. A quarta camada de validação garante que respostas passem por checagens antes de chegar ao usuário final. Essas camadas não operam isoladas. Elas se integram como endpoints de APIs que trocam payloads estruturados, permitindo que o Claude recupere informações de fontes de verdade que incluem linhagem de dados, corpus de consultas anteriores e contexto de negócio. Quando uma skill identifica que uma consulta envolve receita recorrente, ela consulta automaticamente a definição semântica correta e valida contra dados frescos. O resultado é um ecossistema onde diferentes serviços — desde repositórios de dados até o próprio Claude — colaboram sem que o usuário precise entender a complexidade por trás. ## Por que as skills são as verdadeiras pontes diplomáticas As skills representam o elemento que mais transformou o desempenho do Claude. Elas são criadas e curadas por humanos, não geradas automaticamente por modelos, porque definições de negócio exigem precisão que só especialistas fornecem. Cada skill funciona como um acordo diplomático: ela estabelece regras claras sobre como interpretar uma métrica específica, evitando que o modelo alucine ou use dados desatualizados. A precisão sobe de forma dramática porque o Claude agora sabe exatamente onde buscar e como interpretar, em vez de adivinhar entre tabelas cruas. Empresas que desejam replicar essa abordagem precisam responder a uma pergunta importante: nossos dados estão organizados de forma que diferentes sistemas possam dialogar sem intermediários? Quando a resposta é não, a solução passa por investir primeiro em governança e semantic layer antes de esperar que a IA resolva tudo sozinha. A Anthropic também identificou três modos de falha comuns — ambiguidade conceito-entidade, dados obsoletos e falha de recuperação — e projetou validações específicas para cada um deles, reforçando a ideia de que interoperabilidade exige manutenção ativa. ## Manutenção contínua para evitar a erosão da precisão Um ponto que merece atenção é o drift de precisão observado em discussões na comunidade. Sem manutenção regular, a acurácia de **95%** pode cair para **65%** em apenas um mês. Isso acontece porque definições de negócio mudam, novas tabelas surgem e o contexto evolui. A solução encontrada pela Anthropic é tratar o sistema como um organismo vivo que precisa de curadoria humana constante, exatamente como embaixadas revisam tratados periodicamente para manter o diálogo fluido. Essa realidade reforça que a automação de analytics não é um projeto único, mas um processo contínuo de ajuste fino entre pessoas, dados e modelos. Organizações que ignoram essa camada de governança acabam voltando ao ponto de partida, com equipes gastando tempo corrigindo respostas em vez de tomar decisões. ## Caixa de ferramentas: próximos passos práticos Para começar a aplicar o mesmo raciocínio na sua empresa, comece mapeando as consultas de analytics mais frequentes e identificando onde ocorrem ambiguidades. Depois, invista em um semantic layer que traduza termos de negócio em definições compartilhadas. Crie skills em formato markdown que capturem o conhecimento procedural de especialistas e teste-as em um ambiente controlado antes de escalar. Monitore a precisão mensalmente e ajuste as definições sempre que o contexto de negócio mudar. Dessa forma você transforma o Claude — ou qualquer modelo similar — em um verdadeiro colega de trabalho que dialoga com seus dados em vez de apenas responder perguntas isoladas.