Glean e Databricks: qual o papel de cada plataforma em uma estratégia de dados e IA?

Como a integração entre dados estruturados, conhecimento corporativo e inteligência artificial amplia o acesso à informação e apoia decisões em diferentes áreas da empresa.

O que é Databricks e qual seu papel na arquitetura de dados?

O Databricks é uma plataforma unificada de dados estruturados e inteligência artificial, baseada na arquitetura Lakehouse.

Sua proposta é integrar diferentes etapas do ciclo de vida dos dados, para que equipes desenvolvam pipelines de engenharia, executem consultas analíticas, gerenciem ativos corporativos e construam produtos de dados e aplicações de machine learning e IA.

Em uma arquitetura empresarial, o Databricks recebe dados de sistemas transacionais, bancos de dados, aplicações e outras fontes.

Esses dados passam por processos de ingestão, transformação, padronização e organização, tornando-se disponíveis para diferentes cargas de trabalho.

Entre seus principais componentes estão:

• Delta Lake: tecnologia de armazenamento que adiciona funcionalidades transacionais e de gerenciamento às tabelas.
• Lakeflow: recursos para ingestão, transformação e orquestração de dados.
• Unity Catalog: camada centralizada de governança para dados e ativos de IA.
• Databricks SQL: processamento de consultas e entrega de dados analíticos.
• AI/BI e Genie: recursos para dashboards e interação com dados em linguagem natural.
• MLflow e recursos de IA: suporte ao desenvolvimento, avaliação e operacionalização de modelos e aplicações inteligentes.

Essa estrutura dá à organização uma base analítica governada, capaz de atender tanto às demandas tradicionais de BI quanto a projetos avançados de inteligência artificial.

Exemplo de aplicação

Imagine uma empresa que precisa acompanhar indicadores de vendas, estoque, margem e desempenho logístico.

Essas informações costumam estar distribuídas entre ERP, CRM, plataformas comerciais e sistemas operacionais.

Com uma arquitetura implementada no Databricks, a empresa integra essas fontes, aplica regras de qualidade, organiza métricas e entrega os resultados para relatórios, análises e aplicações de IA.

A empresa passa a contar com uma estrutura capaz de sustentar diferentes necessidades analíticas a partir de dados organizados e governados.

O que é Glean e como funciona a plataforma?

O Glean é uma plataforma de IA corporativa que conecta, organiza e torna acessível o conhecimento distribuído entre as aplicações de trabalho, por meio de uma camada de contexto construída sobre um grafo de conhecimento (knowledge graph). 

Por meio de conectores, a solução localiza conteúdos armazenados em ambientes como Microsoft 365, Google Workspace, Slack, Salesforce, Jira, Confluence e outras ferramentas usadas pelas organizações.

Seu funcionamento considera não apenas o conteúdo dos documentos, mas também elementos de contexto, relevância e permissões de acesso.

Assim, o usuário faz uma busca ou uma pergunta em linguagem natural e recebe respostas baseadas em diferentes sistemas conectados, respeitando as permissões configuradas nas fontes.

Além da busca corporativa, o Glean oferece recursos de assistência e construção de agentes de IA, que permitem criar fluxos de trabalho baseados no conhecimento da organização.

Entre suas capacidades estão:

• Enterprise Search: pesquisa unificada entre aplicações corporativas.
• Glean Assistant: interação com informações da empresa por meio de linguagem natural.
• Glean Agents: construção de agentes para apoiar tarefas e fluxos de trabalho.
• Conectores corporativos: integração com diferentes sistemas e fontes de conhecimento.
• Controles de acesso: uso das permissões existentes nas aplicações conectadas.

O objetivo não é simplesmente reunir documentos em um novo repositório, e sim permitir que as pessoas encontrem e usem o que precisam sem conhecer previamente todos os sistemas em que esse conteúdo está armazenado.

Exemplo de aplicação

Considere uma equipe comercial que precisa preparar uma reunião com um cliente.

As informações necessárias costumam estar distribuídas entre o CRM, propostas anteriores, apresentações, conversas internas e registros de atendimento.

Com o Glean, o profissional consulta esse conteúdo de maneira integrada, localiza documentos relevantes e usa o Assistant para compreender o histórico disponível, conforme suas permissões.

Isso reduz a pesquisa manual em diferentes aplicações e aproveita melhor o conhecimento já produzido pela empresa.

Glean e Databricks: o que diferencia cada plataforma?

Embora as duas plataformas usem inteligência artificial, cada uma cumpre uma finalidade diferente dentro da arquitetura corporativa.

O Databricks concentra as capacidades de engenharia, processamento, análise e governança de dados, além de oferecer recursos para desenvolver e executar aplicações de IA.

O Glean atua na conexão entre sistemas corporativos, no acesso contextualizado ao conhecimento e na entrega de experiências de IA para diferentes usuários e fluxos de trabalho.

Essa distinção mostra por que as plataformas se complementam.

Existe, porém, uma sobreposição entre algumas funcionalidades.

O Databricks também oferece interfaces conversacionais, agentes e aplicações de IA. O Glean, por sua vez, pode consultar dados estruturados e executar ferramentas conectadas a plataformas analíticas.

Por isso, a escolha deve partir da pergunta que o usuário precisa responder. Se ela envolve apenas dados governados, como receita por região ou giro de estoque, o Genie, no próprio Databricks, é suficiente. Se depende de documentos, mensagens e tickets, o Glean é a camada adequada. Quando a resposta exige as duas coisas, entra a integração entre as plataformas.



Por que integrar dados estruturados e conhecimento corporativo?

Os indicadores de uma empresa mostram o comportamento de suas operações, mas nem sempre trazem o contexto necessário para interpretar um resultado.

Um relatório indica, por exemplo, que as vendas de uma região caíram no último trimestre. As explicações para essa queda, porém, costumam estar em documentos comerciais, registros de atendimento, apresentações e conversas internas.

O caminho inverso também acontece: uma equipe encontra uma análise detalhada em um documento, mas precisa de dados atualizados para verificar se suas conclusões continuam válidas.

A integração entre dados estruturados e conhecimento corporativo aproxima essas duas dimensões.

Dados estruturados são informações organizadas em tabelas, como vendas, receitas, estoque, indicadores financeiros e registros transacionais.

Conhecimento corporativo reúne documentos, mensagens, tickets, políticas, apresentações e outros conteúdos que registram decisões, experiências e processos.

Quando os dois são usados em conjunto, as aplicações de IA oferecem respostas mais contextualizadas, desde que as fontes sejam confiáveis e os controles de acesso sejam preservados.

A integração não elimina a necessidade de governança. Pelo contrário, exige que os diferentes sistemas mantenham regras claras sobre quais informações podem ser consultadas, por quem e para quais finalidades.

Como Glean e Databricks trabalham juntos?

A integração entre Glean e Databricks já conta com recursos documentados oficialmente pelos fabricantes e funciona nos dois sentidos.

No primeiro sentido, o Glean atua como interface para consultar dados disponíveis no Databricks, combinando resultados analíticos com o conhecimento armazenado em outras aplicações corporativas.

Por meio de um pacote de ações (action pack), o Glean encaminha perguntas em linguagem natural para espaços do Databricks Genie e executa consultas SQL somente leitura em um SQL warehouse, sem indexar os dados consultados.

Um conector nativo também indexa dashboards AI/BI e espaços Genie para que apareçam na busca corporativa do Glean.

No sentido inverso, agentes construídos no Databricks com o Agent Bricks acessam o conhecimento do Glean via Model Context Protocol (MCP).

Para configurar a integração, são necessários acesso de administrador no Glean e no Databricks, um aplicativo OAuth criado no Databricks e os identificadores do espaço Genie e do SQL warehouse que serão consultados.

Antes de levar a solução para os usuários, vale considerar duas limitações atuais. A primeira é que a conversa com o Genie acontece em uma única etapa:

se o Genie responder com uma pergunta de esclarecimento, o Glean não encaminha a resposta do usuário de volta, e a pergunta precisa ser refeita de forma mais completa. A segunda é que o Glean não tenta novamente uma consulta que falhou, o que exige tratamento de erros no desenho dos agentes.

1. Consultas analíticas em linguagem natural

Imagine que um gestor pergunte ao Glean:

“Qual foi o desempenho comercial da região Sul no último trimestre?”

Com a integração configurada, essa pergunta é encaminhada ao Databricks Genie, que interpreta os dados governados e retorna o resultado.

O usuário acessa informações analíticas sem precisar escrever uma consulta SQL.

No Glean Assistant, esse fluxo prioriza o Genie, e o SQL direto só entra quando o usuário pede explicitamente uma consulta SQL. Por isso, a qualidade do espaço Genie é decisiva: ele precisa estar preparado com conjuntos de dados confiáveis, definições de métricas e contexto de negócio.

2. Dados analíticos combinados ao contexto empresarial

A integração também permite construir experiências que combinam diferentes fontes.

Considere a seguinte pergunta:

“Como evoluíram as vendas deste cliente e quais foram os principais assuntos tratados nas últimas reuniões?”

Os indicadores comerciais são consultados no Databricks, enquanto o histórico de reuniões é recuperado das aplicações conectadas ao Glean.

A aplicação apresenta então uma resposta que reúne as duas dimensões, respeitando os mecanismos de acesso e as limitações da integração implementada.

Esse tipo de experiência é especialmente útil para áreas que precisam relacionar indicadores quantitativos ao histórico de relacionamento e às decisões registradas pela organização.

3. Descoberta de dashboards e ativos analíticos

Outra possibilidade é exibir dashboards AI/BI e espaços Genie do Databricks nos resultados de busca do Glean.

Em vez de depender do conhecimento prévio sobre onde um painel está publicado, os usuários o encontram por meio da pesquisa corporativa.

O conector considera as permissões existentes no Databricks, de modo que cada usuário só encontra os ativos aos quais já tem acesso.

4. Agentes que combinam dados e conhecimento

A integração também amplia o desenvolvimento de agentes.

Um agente do Glean usa as ferramentas de consulta para recuperar informações analíticas do Databricks e combiná-las ao contexto obtido de documentos, conversas e tickets.

Essa arquitetura apoia atividades como preparação de reuniões, análise de desempenho, consulta a procedimentos e consolidação de informações provenientes de diferentes sistemas.

No caminho inverso, agentes do Databricks se conectam ao Glean via MCP para incorporar o mesmo contexto corporativo às suas respostas.



A implementação deve considerar os recursos efetivamente disponíveis, as permissões, os limites de execução e os requisitos de segurança de cada aplicação.

Exemplos de aplicação de Glean e Databricks nas empresas

A combinação das plataformas se aplica a diferentes áreas, desde que exista um caso de uso definido e uma arquitetura preparada para atender aos requisitos de cada aplicação.

Compras e jurídico: contratos e indicadores de fornecedores

Antes de renegociar um contrato, a equipe de compras precisa entender o histórico do fornecedor.

O Databricks entrega indicadores de volume contratado, gastos, prazos de entrega e cumprimento de SLA.

O Glean localiza o contrato vigente, os aditivos, os pareceres jurídicos e as trocas de e-mail da última negociação.

Uma experiência integrada reúne esses elementos em uma única consulta e oferece à equipe um contexto completo para negociar.

Atendimento: informações operacionais e conhecimento técnico

Equipes de atendimento frequentemente precisam consultar procedimentos internos, históricos de chamados e indicadores operacionais.

O Databricks organiza e analisa os dados de atendimento, enquanto o Glean facilita o acesso ao conhecimento registrado em documentos, tickets e bases corporativas.

A integração permite consultas que consideram, ao mesmo tempo, indicadores operacionais e orientações de procedimento.

Gestão: análise de resultados com contexto

Um gestor identifica uma alteração relevante em indicadores financeiros, comerciais ou operacionais.

Ao combinar dados analíticos com documentos e registros corporativos, a investigação dessas alterações fica mais rápida.

É importante destacar que a IA não deve assumir automaticamente uma relação de causa e efeito entre um indicador e um documento específico. A interpretação precisa considerar a confiabilidade das fontes e, quando necessário, a validação por profissionais responsáveis.

TI e operações: conhecimento técnico e indicadores

Equipes técnicas trabalham com diferentes fontes de informação, como documentação de sistemas, registros de incidentes, tickets, indicadores de desempenho e históricos de implementação.

O Glean facilita a localização do conhecimento distribuído, enquanto o Databricks sustenta análises sobre dados operacionais e históricos.

Com integrações adequadas, essas informações apoiam investigações de incidentes, consultas técnicas e atividades de automação.

Governança e segurança: o que avaliar antes de integrar as plataformas?

A conexão entre dados analíticos e conhecimento corporativo amplia o uso da informação, mas também exige atenção redobrada à segurança.

O primeiro ponto é compreender que as duas plataformas possuem mecanismos próprios de governança.

No Databricks, o Unity Catalog permite estabelecer controles sobre ativos de dados e IA, incluindo permissões, rastreabilidade e auditoria.

No Glean, os conectores são projetados para considerar as permissões das fontes integradas, de modo que os resultados de busca respeitem os acessos atribuídos aos usuários.

Na integração entre os ambientes, é necessário avaliar como essas regras serão aplicadas às consultas, ferramentas e agentes.

Entre os principais aspectos estão:

• Definição dos usuários e aplicações autorizados a consultar cada fonte;
• Configuração da autenticação e da autorização, definindo se as consultas são executadas com a identidade de cada usuário (OAuth) ou com uma conta de serviço;
• Controle das ferramentas disponibilizadas aos agentes;
• Proteção de informações sensíveis;
• Registro e monitoramento das operações;
• Avaliação das respostas geradas por IA;
• Revisão das permissões e dos fluxos de compartilhamento.
• Revisão do excesso de compartilhamento nas fontes, já que o Glean herda as permissões existentes, inclusive as concedidas de forma indevida.

Também é importante diferenciar indexação de conteúdo e consultas executadas diretamente nos sistemas de origem.

O Glean tem conectores que indexam conteúdos e metadados para pesquisa, mas também oferece ferramentas que consultam aplicações em tempo de execução.

No caso do Databricks, as consultas ao Genie e o SQL somente leitura são executados ao vivo, sem indexar os dados consultados. Já os dashboards e espaços Genie são indexados apenas como metadados, para fins de busca.

Essa distinção influencia o desenho da arquitetura, o fluxo das informações e os controles necessários.

Como definir o papel de Glean e Databricks na sua estratégia de IA?

A definição deve partir dos problemas que a organização precisa resolver e das capacidades tecnológicas já existentes.

Empresas que precisam modernizar a engenharia de dados, estruturar governança, integrar fontes analíticas e desenvolver modelos de IA devem começar pela plataforma de dados.

Organizações com dificuldade para localizar informações distribuídas, compartilhar conhecimento interno e oferecer assistência corporativa precisam também de uma camada de acesso ao conhecimento.

Quando as duas necessidades estão presentes, a integração entre Glean e Databricks se torna parte central da arquitetura.

1. Identifique os principais casos de uso

O projeto deve começar com perguntas concretas.

A empresa precisa reduzir o esforço de busca por informações? Oferecer indicadores a usuários de negócio? Desenvolver agentes? Integrar dados analíticos e documentos em uma mesma experiência?

Essas respostas definem quais capacidades serão necessárias e qual será o papel de cada plataforma.

2. Avalie as fontes de informação

É necessário mapear onde estão os dados estruturados, quais aplicações concentram o conhecimento corporativo e quais conteúdos precisam ser usados em conjunto.

Também devem ser identificadas as restrições de acesso, a frequência de atualização e os requisitos de qualidade das fontes.

3. Defina as responsabilidades de cada camada

Uma arquitetura integrada precisa estabelecer onde os dados serão preparados, quais sistemas responderão a cada tipo de consulta e como as aplicações de IA acessarão as informações.

Essa definição ajuda a evitar duplicações, integrações desnecessárias e ambiguidades sobre as responsabilidades de governança.

4. Valide a integração com um caso de uso real

Antes de ampliar o projeto, selecione um fluxo representativo e teste a integração.

Por exemplo, uma aplicação que consulta indicadores comerciais no Databricks e os relaciona a documentos corporativos acessíveis pelo Glean.

A prova de conceito deve avaliar a qualidade das respostas, as permissões, o desempenho, os custos de processamento no SQL warehouse e a aderência às necessidades dos usuários.

5. Planeje a operação e a evolução

Depois da validação, é necessário estabelecer processos para monitoramento, manutenção dos conectores, revisão de permissões e evolução das aplicações.



Também devem ser definidos indicadores de adoção e efetividade. Aqui a integração trabalha a favor do próprio projeto: com o conector Glean do Lakeflow Connect, os dados de uso do Glean podem ser ingeridos no Databricks e analisados como qualquer outro indicador.

Figura 3. Fluxograma de decisão para uma estratégia integrada de dados e IA. Problema de negócio → análise entre necessidades de engenharia e analytics → acesso ao conhecimento corporativo e aplicações que exigem ambas as capacidades → definição da arquitetura → validação por prova de conceito.

Como a Five Acts pode apoiar sua estratégia com Glean e Databricks?

Integrar dados e inteligência artificial exige mais do que conectar ferramentas. É preciso entender como as informações são produzidas, organizadas, governadas e usadas pelas diferentes áreas da empresa dentro de um contexto de negócio.

Na Five Acts, ajudamos organizações a estruturar essa jornada, combinando experiência em engenharia de dados, arquitetura Lakehouse, analytics, cloud e inteligência artificial.

Nossa atuação contempla o diagnóstico do ambiente, a definição da arquitetura, a implementação das soluções e a integração entre plataformas e sistemas, considerando os requisitos técnicos e os objetivos de cada negócio.

Com Databricks, construímos bases de dados confiáveis, pipelines, governança e aplicações analíticas e de IA. Com Glean, estruturamos experiências que aproximam o conhecimento corporativo das pessoas e dos fluxos de trabalho.



Quando o projeto exige as duas capacidades, avaliamos como conectá-las de maneira coerente, preservando a governança e aproveitando os investimentos tecnológicos existentes.

Sua empresa precisa integrar dados, conhecimento corporativo e IA em uma estratégia consistente? Converse com os especialistas da Five Acts e conte o que sua empresa precisa resolver. Vamos ajudar a definir e implementar a arquitetura mais adequada, do planejamento à produção.

Agende uma Demonstração com a Five Acts

Referências

Databricks: arquitetura da plataforma - Papel da plataforma na engenharia, processamento, análise e IA.

Unity Catalog - Governança, permissões, rastreabilidade e auditoria.

Databricks AI/BI - Dashboards e experiências analíticas com IA.

Databricks Genie - Consultas em linguagem natural sobre dados governados.

Glean Enterprise Search - Pesquisa unificada e acesso contextualizado às informações.

Como funcionam os conectores - Indexação, integração e utilização das permissões das fontes.

Glean Agents - Construção e utilização de agentes corporativos.

Glean Agent Governance - Controles de acesso e governança dos agentes.

Glean + Databricks: parceria - Posicionamento conjunto e possibilidades de integração.

Conector Databricks para Glean - Indexação e descoberta de dashboards AI/BI e espaços Genie.

Lakeflow Connect: conector Glean - Ingestão de dados de uso e atalhos do Glean no Databricks.

Databricks Tools no Glean - Consultas ao Genie e execução de SQL de leitura.