O novo mecanismo de contexto Genie Ontology da Databricks está em pré-visualização com acesso restrito, mas não resolve a lacuna central que Thoughtworks destacou esta semana: agentes não travam porque as plataformas não conseguem alcançar dados, mas porque não entendem o que os dados significam para o negócio. Um cliente tinha 47 tabelas com "revenue" no nome. O agente conseguia fazer consultas em todas. Não conseguia escolher a certa, aplicar definições regionais corretamente ou explicar sua escolha.

Thoughtworks divide a falha em duas camadas. A camada de plataforma—Unity Catalog, controles de acesso, linhagem—está amplamente resolvida. A camada de significado não. "Revenue" em uma mesma empresa significa booked, billed ou recognized dependendo do time de finanças. "Customer" significa coisas diferentes para vendas e operações. Duas tabelas compartilhando uma coluna customer_id compartilham uma chave, não necessariamente um relacionamento. Thoughtworks recomenda etiquetar relacionamentos como inferidos até que um proprietário de domínio os verifique. Essa disciplina previne erros silenciosos que só aparecem quando a saída de um agente é verificada após uma decisão.

Databricks oferece três ferramentas para a camada de significado. Genie Ontology, o caminho bottom-up, varre notebooks, dashboards, pipelines e linhagem, extrai trechos de conhecimento, os classifica via OntoRank (um mecanismo estilo PageRank), e injeta os relevantes no tempo de consulta. Ela se mantém—crucial porque definições de métricas empresariais derivam após times as construírem manualmente. OntoBricks (Databricks Labs, sem SLA) toma o caminho top-down: importar padrões como FIBO, FHIR ou CDISC, formalizar como ontologias, materializar no lakehouse, e executar inferência. Thoughtworks incorporou OntoBricks em seus aceleradores de domínios regulados. Ontos (também Labs) é um catálogo de negócios envolvendo Unity Catalog com data products, contratos e regras de compliance—para organizações cuja lacuna é acordos de propriedade, não tecnologia. As três ferramentas se compõem; não competem.

Benchmarks da suíte interna de 28 perguntas da Databricks (junho de 2026) mostraram Genie respondendo corretamente 84,5% na primeira tentativa. O agente de codificação de propósito geral mais forte marcou 52,4%; o mais fraco, 25%. Genie também rodou 2× mais rápido. Databricks anonimizou competidores, então replicação independente ainda não é possível, mas os resultados alinham com trabalho de produção de Thoughtworks: uma camada de contexto governada supera o prompt de um modelo capaz contra um schema que ele não entende.

O sucesso requer cinco disciplinas organizacionais que Thoughtworks identifica. Formalize definições de métricas (fórmula, proprietário, dimensões, sistema de registro, regras temporais, exceções) em uma camada de plataforma compartilhada—não em prompts ou código de agente. Defina linguagem de negócios e seja honesto sobre o status de relacionamentos. Nomeie o que é confiável: o dashboard mais usado nem sempre está correto. Anexe evidência a cada afirmação para defesa meses depois. Versione definições junto com a camada aprendida, fixe agentes a um release nomeado, e teste contra esse release em vez de dados em tempo real. Isso endereça um risco que apenas tooling não consegue prevenir: um contexto auto-atualizado é apropriado para descoberta, não para apresentações de CFO em conselho.

Genie Ontology requer aprovação do time de conta Databricks; não é self-serve. OntoBricks e Ontos não têm SLA; trate-os como aceleradores proof-of-concept, não compromissos de produção. A lacuna de prontidão é real e específica: se sua organização não consegue responder "qual é a tabela de registro original para EBITDA e quem é o proprietário", a plataforma também não consegue.