Ontem a Anthropic publicou como construiu seu "agente de dados" interno: Como a Anthropic possibilita análises de dados self-service com Claude
A OpenAI publicou seu post sobre o "agente de dados interno" há cinco meses: Por dentro do agente de dados interno da OpenAI
Li ambos — aqui está o resultado.
Onde eles concordam
- A parte difícil não é escrever SQL. É encontrar a tabela certa e entender como usá-la corretamente. Ambos repetem isso.
- O modelo é uma commodity (não disseram isso diretamente, mas...) — o contexto ao redor dele é o produto. A Anthropic passou de 21% para 95% de precisão apenas adicionando uma skill com acesso ao contexto — uma base de conhecimento.
- (surpresa, não surpresa) Mais contexto não necessariamente ajuda. A precisão da Anthropic aumentou menos de 1% depois que deram acesso a todos os milhares de consultas passadas (só posso imaginar o quanto o consumo de tokens aumentou 🙂).
Como eles diferem
- A OpenAI construiu um agente independente. O Codex e o ChatGPT interno usam o agente via MCP, ou o usuário pode conversar diretamente com ele via web ou Slack. Já a Anthropic construiu apenas uma skill que tem acesso ao contexto dos dados por meio de uma base de conhecimento (baseada em arquivos md).
- A OpenAI mantém o contexto em um "índice" que é populado diariamente por jobs de pipeline, enquanto a Anthropic armazena a base de conhecimento como arquivos md no mesmo repositório do modelo de dados, atualizados no mesmo PR.
Minha análise (depois de construir um "agente de dados" para dados não estruturados, não SQL)
A abordagem da Anthropic com skills é mais "harness-native", então se encaixa melhor no conjunto de ferramentas existente. Acredito que toda a experiência do desenvolvedor, o contexto dos dados e toda a plataforma de dados serão movidos para os harnesses (o melhor artigo acadêmico nessa direção — Code as Agent Harness). A abordagem da OpenAI parece mais escalável e madura (5 meses à frente?) — com agentes de dados dedicados, 600 TB de dados e pipelines agendados para atualizar o contexto. Vamos ver como isso evolui.
Pergunta para os especialistas em dados aqui
Qual o seu nível de avanço com esses workflows agentivos? Meu entendimento é que a maioria dos times ainda está escrevendo SQL manualmente e copiando e colando "contexto" peça por peça no Claude Code/Copilot/Codex e compartilhando conhecimento no Slack.
Tabela de comparação completa lado a lado com mais detalhes e números no nosso post do blog — link nos comentários 👇
