.jpg?f=4x3&q=0.9&w=900&$p$f$q$w=fb6930c "computador")
Hoje, a maioria das empresas tenta alimentar sistemas de IA usando dados tradicionais de métricas, eventos, logs e rastreamentos (os chamados dados MELT). O problema é que essas informações costumam ficar espalhadas em diferentes ferramentas, exigindo que a IA gaste mais processamento e tokens só para tentar reconstruir o que aconteceu. Na prática, isso encarece a operação e compromete a precisão das respostas — um entrave significativo para quem tenta adotar a tecnologia em escala.
A NETSCOUT expandiu sua plataforma de dados focando em um dos maiores gargalos atuais das empresas: entregar contexto operacional confiável para sistemas de Inteligência Artificial. A ferramenta analisa o tráfego de rede e transforma pacotes em evidências estruturadas para observabilidade, segurança e operações de TI.
Contexto certo antes do raciocínio
Um estudo da Gartner aponta que, até 2027, as organizações que priorizarem a preparação semântica dos dados para IA vão aumentar a precisão dos seus agentes em até 80%, reduzindo custos operacionais em até 60%. Essa necessidade de contexto fica ainda mais evidente com o avanço de assistentes virtuais para agentes autônomos, que tomam decisões sem intervenção humana.
“Desbloquear os benefícios da IA em toda a empresa não será alcançado adicionando outro modelo. O sucesso virá por meio da engenharia de contexto: dando à IA o contexto operacional correto antes de o raciocínio começar”, disse Sanjay Munshi, diretor de operações da NETSCOUT.
“Por meio de nossos próprios testes internos, experimentamos uma redução de mais de 25% no consumo de tokens de IA em comparação com o uso exclusivo de dados MELT, e uma redução de mais de 75% no MTTK. A inteligência operacional compacta e rica em contexto ajuda nossos clientes a melhorar a confiança nas decisões, reduzir o custo da análise impulsionada por IA e estabelecer o controle necessário para passar das recomendações de AIOps para operações seguras e autônomas.”
- Trump defende “autorregulação” em reunião com líderes da IA
- Conheça os pontos-chave do código de boas práticas assinado pelas gigantes americanas da IA
Como funciona a preparação dos dados
Para gerar o que chama de Smart Data, a arquitetura da empresa atua em duas frentes na própria origem da informação:
Extração semântica imediata: traduz o significado dos pacotes de dados no momento em que são capturados, evitando que detalhes críticos se percam pelo caminho.
Compactação inteligente: entrega dados mais densos e relevantes para que a IA consuma menos memória (janela de contexto) e poder computacional.
Essa estrutura foi desenvolvida para se integrar aos ecossistemas de software e fluxos de trabalho que as empresas já utilizam.
Onde isso muda a rotina operacional
O uso dessa camada de dados foca em resolver dores práticas em diferentes níveis de maturidade digital:
Investigações mais rápidas: permite consultar dados técnicos usando linguagem natural, agilizando o diagnóstico de falhas.
Menos gasto com computação: reduz o volume de dados irrelevantes enviados aos modelos, economizando orçamento de tokens.
Automação segura: cria uma base mais sólida para que as empresas avancem gradualmente de recomendações geradas por IA para ações totalmente automatizadas.
Com a rápida evolução e convergência dos modelos de linguagem no mercado, o grande diferencial competitivo deixa de ser apenas o algoritmo escolhido e passa a ser a qualidade e a precisão do contexto fornecido a ele.