A IA agêntica está redefinindo os requisitos da infraestrutura de dados. Agentes autônomos geram workloads imprevisíveis e de alta concorrência, exigem acesso em tempo real a dados operacionais e analíticos ao mesmo tempo, e escalam de formas para as quais os bancos de dados tradicionais nunca foram projetados. O resultado é uma difícil questão de arquitetura: sua camada de dados acelera o seu roadmap de IA ou, silenciosamente, o limita?
Neste webinar, Henrique Leandro, Head of Global Solutions Architecture na TiDB, detalha como duas plataformas de agentes resolveram esse problema por ângulos opostos. A Manus escalou em profundidade: consolidou cargas transacionais e analíticas em uma única camada SQL distribuída, para que seus agentes leiam o estado atualizado sem uma camada de sincronização no meio. A Kimi (Moonshot AI) escalou em amplitude: sua plataforma hospeda milhões de sites criados por agentes, cada um com seu próprio banco de dados isolado, provisionado em menos de um segundo e com custo quase nulo em repouso, tudo sobre um único cluster do TiDB Cloud.
Henrique vai detalhar as exigências de memória, estado, concorrência e isolamento por tenant dos workloads de agentes em escala, onde as arquiteturas de bancos de dados tradicionais e de modelo único falham, e as decisões de design que evitam que a camada de dados se torne o gargalo.
