Ontem, a Anthropic publicou como construiu seu "data agent" interno: How Anthropic enables self-service data analytics with Claude
A OpenAI publicou seu post sobre o "data agent" interno há cinco meses: Inside OpenAI’s in-house data agent
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 saltou de 21% para 95% de precisão apenas adicionando uma skill com acesso a contexto — uma base de conhecimento.
- (Surpreendente, ou não) Mais contexto nem sempre ajuda. A precisão da Anthropic aumentou menos de 1% depois que deram acesso a todos os milhares de consultas anteriores (só imagino 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 pela 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 tem o contexto em um "índice" que é atualizado diariamente por jobs de pipeline, enquanto a Anthropic faz commit da base de conhecimento como arquivos md no mesmo repositório do modelo de dados, atualizados no mesmo PR.
Minha visão (após construir um "data agent" para dados não estruturados, não SQL)
A abordagem da Anthropic com skills é mais "nativa do harness", portanto 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 se moverão para dentro dos harnesses (o melhor artigo acadêmico nessa direção — Code as Agent Harness). A abordagem da OpenAI parece mais escalável e madura (5 meses na frente?) — com data agents dedicados, 600 TB de dados e pipelines agendados para atualizar o contexto. Veremos como evolui.
Pergunta para os profissionais de dados aqui
Qual é o estágio de vocês nesses fluxos de trabalho com agentes? Minha percepção é que a maioria dos times ainda escreve SQL manualmente e copia e cola "contexto" peça por peça no Claude Code/Copilot/Codex, compartilhando conhecimento no Slack.
Tabela completa de comparação lado a lado, com mais detalhes e números, no post do nosso blog — link nos comentários 👇
