Databricks: como a FDA alcançou 85% de uso diário de IA ao corrigir seus dados primeiro

A Databricks afirma que a FDA passou de pilotos dispersos de IA para 85% de adoção diária pela equipe em cerca de dois meses. A parte mais marcante é o que veio antes. A agência não começou com um chatbot melhor. Primeiro, consolidou dados, permissões e acessos em oito centros operados de forma independente.

Essa distinção torna a história de como a Databricks atuou mais útil do que outro relato sobre funcionários recebendo um assistente de IA. A FDA já havia experimentado chatbots e repositórios de dados separados. Seu problema mais difícil era tornar informações sensíveis utilizáveis além das fronteiras organizacionais sem enfraquecer os controles.

O principal conflito, portanto, não é entre um fornecedor de IA e outro. É entre infraestrutura governada e experimentação fragmentada. A taxa de adoção relatada pela FDA sugere que os funcionários usam IA quando ela alcança informações confiáveis e elimina uma sobrecarga específica. No entanto, as evidências públicas ainda deixam questões importantes sobre medição, precisão e efeitos nos resultados regulatórios.

A FDA Transformou Oito Ilhas de IA em Uma Plataforma

A mudança central da FDA foi organizacional e arquitetural: oito centros passaram a compartilhar uma base governada, em vez de criar sistemas de IA isolados.

O mandato da agência abrange medicamentos, produtos biológicos, dispositivos médicos, alimentos, medicina veterinária, produtos de tabaco e inspeções. Essas responsabilidades estão distribuídas entre centros com fluxos de trabalho, sistemas técnicos e exigências regulatórias distintos. Cada centro havia desenvolvido seus próprios recursos de dados e, em alguns casos, capacidades de IA separadas.

Essa independência gerou problemas conhecidos nas empresas. As equipes duplicavam gastos com tecnologia, armazenavam informações relacionadas em locais diferentes e não tinham uma visão unificada dos dados. Um modelo útil em um centro não conseguia acessar automaticamente documentos ou registros estruturados controlados por outro.

A escala tornou essas divisões especialmente custosas. A Databricks afirma que a FDA gerencia cerca de um petabyte de documentos, recebe centenas de gigabytes por dia e processa milhares de submissões regulatórias todos os meses. Esses números vêm de um estudo de caso do fornecedor e não foram auditados de forma independente em público.

Segundo o relato da plataforma da FDA, sua liderança tecnológica consolidou de 50 a 60 fontes de dados em três a quatro meses. As fontes vieram de todos os oito centros e foram integradas a um ambiente compartilhado da Databricks.

O Center for Drug Evaluation and Research, conhecido como CDER, forneceu o precedente operacional. O CDER havia passado cinco anos desenvolvendo sua própria plataforma de dados na Databricks. Seus resultados deram à organização mais ampla evidências de que uma base compartilhada poderia apoiar trabalho regulatório real.

As trocas de dados que, segundo relatos, exigiam quatro ou cinco dias se tornaram muito mais rápidas. A plataforma também substituiu parte do processamento em lote, no qual as informações são movimentadas em um cronograma, por streaming em tempo real. O streaming disponibiliza novos registros à medida que chegam, em vez de esperar o próximo lote.

A consolidação técnica, por si só, não resolveu a questão. Os centros da FDA lidam com segredos comerciais, submissões proprietárias e outros materiais sensíveis. Uma camada de dados comum falharia política e operacionalmente se um centro temesse perder o controle de suas informações.

O Unity Catalog, a camada centralizada de governança da Databricks, tornou-se o ponto de controle. Ele aplica permissões e rastreia acessos aos ativos de dados. A Databricks afirma que a FDA o utilizou para impor controles granulares, incluindo acesso no nível de tabela.

Essa camada de governança estabeleceu uma regra prática. Compartilhar infraestrutura não significava compartilhar todos os registros com todos os funcionários. As equipes podiam conectar informações preservando requisitos de aprovação e limites específicos de cada centro.

Mais tarde, a agência descreveu a plataforma consolidada como HALO, abreviação de Harmonized AI and Lifecycle Operations for Data. Em maio de 2026, a FDA afirmou que o HALO combinava mais de 40 fontes de aplicações e submissões, sistemas e portais. A diferença entre esse número e as 50 a 60 fontes citadas pela Databricks provavelmente reflete métodos de contagem distintos.

Esta é a primeira lição importante do relato de como a Databricks atuou. A consolidação não eliminou responsabilidades locais. Ela criou uma forma comum de localizar, governar e usar informações, enquanto os centros mantiveram o controle sobre dados protegidos.

A sequência também importou. A FDA não pediu que todos os funcionários confiassem trabalho sensível a um chatbot genérico. Ela estabeleceu a camada de informações, demonstrou valor dentro do CDER e então expandiu o modelo. A adoção veio após evidências de que a base poderia reduzir atrasos sem remover controles de acesso.

Essa sequência desafia um padrão empresarial comum. Muitas organizações compram uma interface de IA enquanto suas permissões, documentos e bancos de dados permanecem fragmentados. Os funcionários então encontram respostas incompletas, contexto ausente e sistemas que não conseguem apoiar trabalho com consequências relevantes.

Uma base de dados compartilhada não garante uma IA confiável. Mas ela elimina uma causa previsível de falha: um assistente que não consegue acessar as informações certas. O próximo passo da FDA foi colocar uma interface para toda a agência sobre essa base.

Como a Databricks Levou Elsa de Chatbot ao Trabalho Diário

Elsa se disseminou porque a FDA conectou uma única interface a informações governadas e permitiu que os funcionários a moldassem em torno de procedimentos existentes.

A FDA lançou Elsa para toda a agência em 2 de junho de 2025. Elsa é um assistente de IA generativa projetado para leitura, redação, sumarização, busca e tarefas relacionadas dos funcionários. O lançamento inicial de Elsa disponibilizou a ferramenta para revisores científicos, investigadores e outros funcionários.

O lançamento ocorreu após um piloto de revisão científica anunciado em maio de 2025. O comissário Marty Makary determinou que a agência expandisse o sistema para todos os centros até 30 de junho. A FDA lançou Elsa antes desse prazo.

A agência inicialmente listou diversos usos práticos. Elsa podia resumir informações sobre eventos adversos, comparar rótulos de produtos e gerar código para determinados bancos de dados. Autoridades da FDA também disseram que as equipes a utilizavam para revisões de protocolos clínicos e priorização de inspeções.

Eram tarefas delimitadas, e não uma promessa de que a IA tomaria decisões regulatórias. A distinção é importante. Busca, sumarização e comparação de documentos podem reduzir o tempo de preparação, mantendo o julgamento nas mãos de revisores qualificados.

A FDA afirmou que Elsa operava em um ambiente GovCloud de alta segurança. Também afirmou que os modelos não eram treinados com informações enviadas por empresas reguladas. Essas proteções abordaram uma preocupação central para empresas farmacêuticas, de biotecnologia, alimentos e dispositivos.

Em dezembro de 2025, a agência afirmou que mais de 70% dos funcionários usavam Elsa voluntariamente. Em seguida, implementou funções agênticas, que permitem que o software planeje e execute várias etapas conectadas sob instruções definidas. Os funcionários podiam criar fluxos de trabalho para gestão de reuniões, revisões, vigilância, inspeções, conformidade e trabalho administrativo.

A implementação de IA agêntica também incluiu um desafio interno de dois meses. Os funcionários foram convidados a criar soluções e demonstrá-las durante o Scientific Computing Day da FDA. Esse programa transformou a adoção em participação, em vez de simples distribuição de software.

A Databricks agora relata que o uso subiu de menos de 1% para 85% dos 16.000 funcionários da FDA em cerca de dois meses. Sua manchete descreve uso diário, embora o artigo não publique as análises subjacentes, o intervalo de datas ou a definição de usuário ativo.

Essa limitação importa. Abrir um aplicativo uma vez por dia é diferente de concluir um fluxo de trabalho relevante. Um percentual de adoção também diz pouco sobre a qualidade das respostas, o tempo economizado ou se o uso permanece consistente entre os centros.

Ainda assim, o comportamento relatado oferece mais substância do que uma simples contagem de licenças. A Databricks afirma que médicos, cientistas, revisores e funcionários administrativos estão criando centenas de agentes por semana. Segundo relatos, os funcionários usam procedimentos operacionais padrão, diretrizes e documentos específicos de cada centro para fundamentar esses agentes.

Fundamentar significa fornecer a um sistema de IA informações aprovadas relevantes para uma solicitação. O modelo pode então basear sua resposta nesses materiais, em vez de depender apenas de dados gerais de treinamento. Essa abordagem pode melhorar a relevância, embora não consiga eliminar resultados imprecisos.

A escolha do modelo também foi separada da experiência dos funcionários. A Databricks afirma que Elsa permite acesso a vários modelos por meio de uma única interface. Esse design reduz a dependência de um único modelo, mantendo permissões de dados e fluxos de trabalho em uma camada compartilhada.

A arquitetura, segundo relatos, posiciona servidores Model Context Protocol acima do Unity Catalog. Model Context Protocol, ou MCP, é uma forma padronizada de sistemas de IA se conectarem a ferramentas e informações aprovadas. Ele permite que um agente solicite recursos governados sem conceder acesso irrestrito.

Para os funcionários, essas camadas devem permanecer em grande parte invisíveis. Um revisor faz uma pergunta ou inicia um fluxo de trabalho. A plataforma decide quais informações e ferramentas aprovadas estão disponíveis sob as permissões dessa pessoa.

É aqui que a abordagem da FDA difere de uma implementação desconectada de chatbot. Um assistente genérico pode redigir texto, mas raramente sabe qual registro interno é autorizado. Elsa foi projetada para funcionar dentro dos limites de informação e do contexto operacional da agência.

Um princípio semelhante se aplica a sistemas pessoais e de equipe. Um assistente de IA se torna mais útil quando trabalha com uma base de conhecimento de IA organizada, fontes claras e recuperação controlada. A FDA aplicou esse princípio em escala regulatória.

O relato de como a Databricks atuou, portanto, descreve um ciclo de adoção. Informações governadas tornam possíveis fluxos de trabalho específicos. Fluxos de trabalho úteis atraem funcionários. Seu uso identifica novas necessidades, o que incentiva as equipes a criar agentes adicionais.

No entanto, a criação rápida introduz um novo problema de governança. Centenas de novos agentes por semana podem gerar ferramentas duplicadas, instruções inconsistentes ou resultados mal testados. A mesma plataforma que reduz a barreira para criação também precisa apoiar avaliação, propriedade e descontinuação.

A conquista inicial da FDA foi fazer os funcionários adotarem a ferramenta. Seu teste de longo prazo é determinar se os agentes criados localmente permanecem precisos, rastreáveis e gerenciáveis à medida que seu número cresce.

A Revisão de Três Minutos Mostra Por Que a Adoção Acelerou

A evidência mais forte não é o percentual de adoção, mas um fluxo de trabalho restrito que, segundo relatos, caiu de dias para cerca de três minutos.

Às vezes, revisores de medicamentos precisam identificar materiais de partida, os insumos brutos usados durante a fabricação. Detalhes relevantes podem estar em extensas submissões regulatórias. Os revisores precisam conectar esses materiais a produtos, fornecedores e fabricantes.

A Databricks afirma que essa pesquisa anteriormente exigia abrir arquivos individuais, executar buscas por palavras-chave e montar a resposta manualmente. As informações relevantes podiam estar distribuídas por três a quatro milhões de páginas. Uma pergunta simples, portanto, se transformava em uma investigação documental lenta.

A equipe usou aprendizado de máquina e processamento de linguagem natural para extrair dados específicos desses documentos. Ela rastreou matérias-primas e relações entre produtos, fornecedores e fabricantes. O MLflow apoiou o desenvolvimento e a gestão desses modelos de processamento de dados.

As informações extraídas ficaram então acessíveis por meio do Elsa. Um revisor podia inserir um número de solicitação e pedir as matérias-primas associadas. A Databricks afirma que o sistema fornecia uma resposta fundamentada em cerca de três minutos, em comparação com dias de pesquisa manual.

Essa afirmação merece uma formulação cuidadosa. A Databricks publicou o estudo de caso, e o artigo público não inclui uma avaliação independente. Ele não informa tamanho da amostra, taxas de precisão, categorias de erro nem se todas as submissões produziram o mesmo resultado.

Mesmo com essa ressalva, o fluxo de trabalho explica por que os funcionários poderiam voltar diariamente. Ele elimina a busca por informações de uma tarefa que já tem uma pergunta clara, fontes identificáveis e um revisor qualificado. A IA não precisa substituir o revisor para gerar valor.

Venu Boppana, líder de estratégia e inovação em IA da FDA, enquadrou o sucesso em torno dessa divisão de trabalho. Ele disse que o objetivo era evitar que a equipe de revisão gastasse tempo pesquisando, permitindo que se concentrasse em suas funções principais.

Esse é um mecanismo de adoção mais crível do que exigir que os funcionários inventem usos para um assistente de propósito geral. A plataforma encontra as pessoas dentro de um processo já existente. Ela reduz um gargalo mensurável, preservando um ponto de decisão humano.

O mecanismo também esclarece por que a plataforma de dados foi importante. Um modelo de linguagem avançado, por si só, não saberia qual solicitação, fornecedor ou documento de fabricação continha a resposta autorizada. Ele precisava de registros extraídos, relações, permissões e identificadores.

A qualidade da busca dependia de engenharia de dados anterior. As equipes precisaram processar milhões de páginas, definir entidades importantes e expor esses ativos com segurança. A resposta visível de três minutos se apoiava em anos de trabalho de plataforma menos visível.

Esse padrão pressiona programas de IA empresarial construídos em torno de demonstrações. Uma interface de conversa bem-acabada pode impressionar executivos, mas os funcionários a abandonam quando as respostas não têm contexto interno. O uso diário exige valor recorrente no trabalho comum.

Ele também pressiona ferramentas departamentais isoladas. Um assistente específico para um centro pode avançar rapidamente porque seu escopo permanece estreito. No entanto, ele pode reproduzir silos quando outro departamento precisa de informações relacionadas ou de governança compartilhada.

A FDA manteve a plataforma de trabalho do CDER como ponto de partida e depois adaptou suas capacidades entre os centros. Essa abordagem equilibrou uma comprovação local com infraestrutura para toda a organização. Ela evitou esperar por um projeto empresarial perfeito antes de demonstrar um fluxo de trabalho útil.

A sequência histórica importa. O esforço de cinco anos do CDER na plataforma antecedeu a história de rápida adoção em toda a agência. O índice de adoção em dois meses não surgiu de dois meses de desenvolvimento total. Ele se seguiu a anos de preparação de dados e a uma fase concentrada de consolidação.

Essa nuance deve moldar a forma como outras organizações interpretam o resultado. A história não mostra que qualquer instituição possa implementar um assistente e alcançar 85% de uso em poucas semanas. Ela mostra que a adoção rápida pode seguir uma base de dados madura e um precedente interno crível.

O fluxo de trabalho também ilustra a fronteira entre assistência e deliberação. Localizar informações sobre matérias-primas não é o mesmo que decidir se um medicamento é seguro ou eficaz. A recuperação mais rápida de evidências pode apoiar a revisão, mas não valida a conclusão regulatória final.

A política da FDA mantém especialistas humanos no assunto ao longo de todo o processo. A agência diz que a equipe verifica as entradas, as etapas analíticas e como as saídas são usadas. Essa salvaguarda é essencial porque uma resposta aparentemente fundamentada ainda pode omitir um documento relevante ou interpretar mal uma relação.

A melhor leitura do exemplo dos três minutos é, portanto, limitada, mas significativa. A plataforma supostamente comprime uma tarefa de pesquisa, torna mais fácil acessar informações de apoio e devolve tempo aos especialistas. Ela não demonstra que a IA possa realizar de forma independente uma revisão científica.

O que a alegação de adoção de 85% não nos diz

O alto uso é evidência de acesso e utilidade percebida, mas não é evidência de precisão regulatória ou de melhores resultados em saúde pública.

O número de 85% vem do relato da Databricks de julho de 2026. A empresa fornece a plataforma de dados subjacente, portanto o estudo de caso também sustenta sua narrativa comercial. Os leitores devem tratar o número como uma métrica relatada por um cliente, e não como uma conclusão independente.

A FDA publicou dados anteriores de adoção que corroboram a direção da tendência. Em dezembro de 2025, a agência disse que mais de 70% da equipe usava voluntariamente o Elsa. Essa divulgação oficial torna plausível uma adoção ampla, mas não confirma de forma independente o uso diário por 85%.

Vários detalhes de medição continuam ausentes. Nem a FDA nem a Databricks explicaram publicamente a atividade mínima necessária para contabilizar um usuário diário. Elas também não divulgaram a adoção por centro, tipo de cargo ou fluxo de trabalho.

O uso desigual pode importar. Funcionários administrativos podem usar a sumarização com frequência, enquanto revisores científicos podem recorrer ao Elsa para menos tarefas, porém de maior importância. Uma única porcentagem para toda a agência pode ocultar essas diferenças.

As fontes públicas também não apresentam uma avaliação de precisão de todo o sistema. O exemplo das matérias-primas em três minutos demonstra velocidade, mas não fornece taxa de precisão, cobertura ou correções feitas pelos revisores. Essas medidas revelariam se a recuperação mais rápida também permanece confiável.

As alegações de governança exigem escrutínio semelhante. A FDA afirma que o Elsa não treina com entradas dos usuários nem com submissões de setores regulados. Também diz que o sistema opera em um ambiente FedRAMP High, um padrão federal de segurança para dados de nuvem de alto impacto.

Esses são controles importantes, mas não resolvem todos os riscos. Usuários autorizados ainda podem solicitar informações inadequadas. Agentes podem combinar dados permitidos de formas inesperadas, e resumos gerados podem omitir qualificações presentes nos documentos de origem.

A criação rápida de agentes amplia esse desafio. Cada agente personalizado pode incluir instruções, ferramentas e conjuntos de documentos diferentes. Sem testes consistentes, dois agentes que respondam a perguntas semelhantes podem produzir resultados conflitantes.

A exigência de revisão humana da FDA limita as consequências dessas diferenças. Ainda assim, a supervisão humana só funciona quando os revisores entendem os limites do sistema e conseguem inspecionar as evidências de apoio. O viés de automação pode levar as pessoas a aceitar respostas confiantes com facilidade excessiva.

Especialistas externos levantaram essas preocupações antes da ampla implementação. Eric Topol, da Scripps Research, disse à Axios que o conceito era sólido, mas que os detalhes limitados e a percepção de pressa eram preocupantes. Ele também questionou quais modelos e dados de treinamento sustentavam o sistema.

O ex-comissário da FDA Robert Califf expressou entusiasmo temperado por cautela quanto ao cronograma. Representantes do setor receberam bem os esforços para tornar a revisão mais eficiente, mas enfatizaram a proteção de submissões proprietárias. Essas reações identificaram a principal troca de prioridades antes que o Elsa alcançasse adoção ampla.

As preocupações com a implementação não desapareceram porque o uso aumentou. A adoção pode tornar a avaliação mais urgente, já que mais funcionários e fluxos de trabalho agora dependem da plataforma.

Há também uma distinção entre eficiência dos funcionários e vazão regulatória. Um revisor pode encontrar informações mais rapidamente sem encurtar o ciclo total de revisão. Outras etapas científicas, jurídicas, de fabricação e comunicação podem permanecer inalteradas.

A FDA associou a IA a um acesso mais rápido a tratamentos, mas as evidências públicas não estabeleceram essa cadeia causal. Uma análise cuidadosa não deve converter o tempo economizado em uma tarefa de pesquisa em alegações de aprovações mais rápidas ou melhores resultados para pacientes.

O comunicado da agência de maio de 2026 oferece uma visão mais clara de suas salvaguardas pretendidas. Ele afirma que especialistas verificam as entradas, os processos analíticos e a implementação das saídas. O mesmo comunicado diz que o Elsa não se conecta diretamente à internet, apesar de oferecer busca controlada na web.

O Elsa 4.0 também adicionou geração de documentos, análise quantitativa, visualização, reconhecimento óptico de caracteres, ditado e agentes personalizados. A atualização do Elsa 4.0 ampliou significativamente o escopo do sistema.

Uma capacidade mais ampla aumenta tanto a utilidade quanto a exposição. A geração de documentos pode economizar tempo, mas cria obrigações de revisão. A análise quantitativa pode revelar padrões, mas uma premissa equivocada pode influenciar o gráfico resultante.

A FDA agora precisa de evidências além de logins. Medidas úteis incluem taxas de correção, citações abertas, tarefas concluídas, tempo economizado pelos revisores e incidentes envolvendo acesso inadequado. As medidas de resultado também devem distinguir o trabalho administrativo da revisão científica.

Nenhuma dessas incertezas invalida a adoção relatada da plataforma. Elas definem o que o número de adoção pode sustentar. Ele mostra que os funcionários encontraram motivos para voltar, não que todas as saídas estavam corretas ou que todos os fluxos de trabalho melhoraram.

Essa distinção protege a história de se transformar em promoção de fornecedor. A FDA parece ter resolvido um importante problema de acesso e infraestrutura. Ela ainda precisa provar que o uso rápido pode coexistir com uma avaliação consistente entre milhares de funcionários e centenas de novos agentes.

Três sinais mostrarão se o modelo da FDA se sustenta

A próxima fase testará se a FDA pode converter ampla experimentação em trabalho mensurável, governado e repetível em todos os centros.

O primeiro sinal é o relatório de adoção com definições melhores. A FDA deve divulgar critérios de uso ativo, participação por centro e a parcela de funcionários que concluem fluxos de trabalho significativos. O uso estável após a implementação inicial fortaleceria o argumento de valor duradouro.

Uma queda não significaria necessariamente fracasso. Ela poderia refletir a redução de atividades impulsionadas pela novidade, enquanto fluxos de trabalho de alto valor permanecem. A medida importante é se o uso recorrente se concentra em tarefas com melhorias verificadas de tempo ou qualidade.

O segundo sinal é uma avaliação formal para agentes personalizados. Centenas de novos agentes por semana criam um problema de inventário, além de uma oportunidade de inovação. A agência precisa de padrões visíveis para testes, responsabilidade, atualização das fontes, permissões e desativação.

As avaliações de agentes devem cobrir mais do que a fluência das respostas. Elas devem testar a precisão das citações, evidências ausentes, aplicação de permissões, reprodutibilidade e o comportamento quando documentos de origem entram em conflito. Os resultados devem ser comparados antes e depois de mudanças de modelo ou fluxo de trabalho.

Práticas claras de avaliação fortaleceriam a tese da plataforma governada. Incidentes graves, respostas inconsistentes ou duplicação descontrolada a enfraqueceriam. Eles mostrariam que dados centralizados, por si só, não conseguem governar a criação descentralizada de agentes.

O terceiro sinal é a expansão do HALO além do precedente do CDER. A FDA afirma que está adaptando ferramentas do centro de medicamentos para outros centros com diferentes dados e necessidades regulatórias. A reutilização bem-sucedida mostraria que a arquitetura suporta diversidade institucional.

Isso será difícil porque inspeções de alimentos, análises de dispositivos médicos, produtos biológicos e medicina veterinária não compartilham processos idênticos. Uma plataforma comum precisa suportar diferentes tipos de evidência sem forçar todos os centros a adotar um único fluxo de trabalho.

A consolidação do HALO posiciona o Elsa sobre os dados da agência, em vez de exigir que os usuários carreguem documentos em cada chat. Essa mudança deve reduzir o atrito e fornecer um contexto mais consistente.

Isso também eleva a importância das permissões e da qualidade dos dados. Uma regra de acesso incorreta pode afetar muitos fluxos de trabalho quando um assistente central está sobre sistemas compartilhados. Um registro desatualizado ou duplicado pode espalhar confusão mais rapidamente do que faria dentro de um único centro.

Para compradores corporativos, este caso de como a Databricks atuou oferece uma referência exigente. O assistente visível era apenas a camada final. Anos de trabalho com dados, um precedente bem-sucedido em nível de centro, consolidação rápida de fontes e controles rígidos de acesso vieram antes.

A história também alerta contra copiar a manchete sem copiar a sequência. Comprar vários modelos não cria contexto confiável. Abrir um criador de agentes não estabelece avaliação. Contar usuários não mede decisões melhores.

Profissionais do conhecimento devem se importar porque o mesmo mecanismo se aplica em escalas menores. A IA gera mais valor quando consegue acessar documentos aprovados, preservar os limites das fontes e apoiar uma tarefa definida. Ela se torna menos confiável quando o contexto permanece disperso ou não verificado.

Desenvolvedores devem acompanhar como a FDA gerencia ferramentas conectadas por MCP e agentes personalizados. O trabalho de engenharia mais difícil agora está em permissões, avaliação, observabilidade e controle de mudanças. A seleção de modelos é apenas uma parte desse sistema.

Empresas reguladas devem buscar evidências públicas que relacionem uso e qualidade. A divulgação futura mais robusta combinaria economia de tempo com taxas de erro e dados de correção humana. Essa combinação mostraria se eficiência e rigor avançaram juntos.

A adoção diária de 85% relatada pela FDA é notável porque implementações de tecnologia no governo raramente conquistam um uso voluntário tão rápido. Ainda assim, a lição mais transferível é mais discreta. As pessoas voltaram depois que a plataforma conectou IA a informações governadas e a um trabalho reconhecível.

A questão para o próximo ano é se essa base conseguirá sustentar a escala. Se a FDA publicar avaliações relevantes, controlar seu inventário de agentes e reproduzir os resultados do CDER em outros lugares, sua abordagem se tornará um modelo confiável.

Se esses sinais permanecerem privados, a alegação de adoção continuará impressionante, mas incompleta. Organizações que estudam como a Databricks ajudou a FDA a construir Elsa devem se concentrar nas evidências por trás da porcentagem. Seus próprios programas de IA devem começar com dados confiáveis, permissões explícitas e um fluxo de trabalho que valha a pena repetir.