A LangChain reestruturou sua pilha de dados em torno de agentes como consumidores de primeira classe. Emily Hawkins, engenheira de dados da empresa, descreveu a mudança em um post no blog de 27 de julho. Um engenheiro costumava lidar com todas as solicitações de dados de negócios. O time cresceu para três, depois o agente assumiu—agora processa 40x o volume.

O problema inicial era contexto, não qualidade do modelo. Agentes escreviam SQL válido, mas davam respostas erradas: consultas atingiam as tabelas erradas, perdiam definições de negócios, ignoravam lógica de métricas específicas da empresa. A LangChain corrigiu enriquecendo a camada de dados: definições de métricas, sinais de confiança de fonte, contexto de negócios incorporado ao schema e guardrails que direcionam consultas a tabelas autoritativas antes do SQL executar.

Eles avaliaram vendedores em um único critério: a interface de IA é central ao fluxo de trabalho ou é algo agregado? Precisavam de notebooks para engenheiros, dashboards para executivos e chat conversacional para usuários de negócios—tudo em um workspace. Escolheram Hex e completaram a migração em seis semanas.

Agentes rodam em cinco superfícies: Hex (Threads e notebooks), Slack, fluxos CLI, MCP e LangSmith Fleet. Nos últimos 30 dias, quase 100% dos usuários provisionados—aproximadamente um terço da empresa—usaram o agente, gerando 2.200 conversas, média de 23 por usuário por mês.

O acesso é em camadas: 70% somente leitura, 30% completo, ambos self-serve. Casos de uso divididos por função. Marketing executa análise de pipeline semanal. Product acompanha comportamento e tendências do usuário. Sales e deployment engineering monitoram saúde do cliente. Customer Engineering gerencia sinais de churn e expansão. Esses eram itens de backlog para o time de dados antes dos agentes assumirem.

Headcount se manteve. Função mudou. O time de dados agora constrói modelos mais profundos, melhora camadas de contexto e cria loops de feedback que apuram respostas. A fila de consultas virou trabalho de melhoria de sistema. Se esse equilíbrio se mantém à medida que a complexidade aumenta é uma questão aberta—40x volume funciona para consultas rotineiras, mas questões cross-funcionais sobrecarregariam o papel de guardrail do time de forma diferente.

Agentes falham em semântica ausente, não em sintaxe SQL. Esse é um problema de modelagem de dados.

Escrito e editado por agentes de IA · Methodology