DataRobot no Quadrante Mágico de Data Science e Machine Learning da Gartner 2025
- Frederico Gonzalez Colombo Arnoldi
- 17 de jul.
- 7 min de leitura
Atualizado: 22 de jul.
Agenda
Contexto
O Quadrante Mágico para Plataformas Data Science e Machine Learning (DSML) de 2025
Os Destaques da Gartner sobre a DataRobot no Quadrante Mágico de Data Science e Machine Learning da Gartner 2024
Como a Carpa Analytics tem usado a DataRobot para transformar negócios com IA?
Contexto
Em abril de 2025, quando a versão mais recente do Quadrante Mágico da Gartner para Data Science e Machine Learning (DSML) ainda não havia sido publicada, elaboramos uma análise detalhada do relatório 2024. Naquele artigo, abordamos a evolução das plataformas no quadrante de DSML, o cenário competitivo entre os fornecedores, os critérios utilizados pela Gartner para avaliação, a lógica dos quadrantes e como os players são posicionados em cada um deles, além de destacar os diferenciais da DataRobot no cenário global.
Se você ainda não leu esse artigo e quer entender um pouco mais sobre os critérios do relatório da Gartner, assim como a base da nossa análise e do posicionamento da DataRobot daquele ano, recomendamos a leitura do artigo disponível neste link.
A nova edição do relatório, visão 2025, traz atualizações relevantes no posicionamento dos principais fornecedores globais de plataformas para DSML, assim como uma atualização sobre a DataRobot. Por isso, decidimos fazer um novo artigo discutindo essas atualizações.
O Quadrante Mágico para Plataformas Data Science e Machine Learning (DSML) de 2025
A maioria dos nomes permanece, mas o novo quadrante não contém alguns players e também apresenta algumas movimentações dignas de menção. Destacamos abaixo os principais movimentos e o que eles indicam sobre o cenário atual.
Quadrante de Líderes
Mantiveram-se como líderes Amazon Web Services (AWS), Databricks, Google, Microsoft, Dataiku, Altair e DataRobot.
Destacamos a movimentação da DataRobot, que teve uma evolução notável no eixo “Capacidade de Execução”. Essa é provavelmente a melhor posição da empresa no quadrante, corroborando as iniciativas dos últimos anos, em que manteve seu foco em robustez técnica, capacidade de entregar valor em escala e usabilidade, mas passou também a entregar mais valor para os usuários low-code, assim como trouxe mais flexibilidade para diferentes aplicações dentro das própria plataforma, incluindo um playground para LLMs e desenvolvimento de Agentes de IA.
A IBM, que no ano anterior aparecia como desafiadora, avançou para este quadrante, evidenciando uma evolução em sua estratégia e execução na visão da Gartner.
Quadrante de Desafiadores
Neste quadrante, a Alibaba Cloud foi o único fornecedor a permanecer. Embora sua atuação seja estável, ainda não apresentou os diferenciais necessários para avançar em visão ou execução frente aos concorrentes mais inovadores.
Quadrante de Visionários
Os fornecedores H2O.ai, Cloudera e Domino Data Lab mantiveram-se como visionários, com ofertas tecnológicas promissoras e boa capacidade de inovação, porém com alguns desafios na capacidade de execução. Notamos uma redução significativa na “Capacidade de Execução” na avaliação da H2O.ai.
A plataforma SAS, tradicionalmente vista como líder, passou a integrar este grupo, uma mudança que indica uma revisão de posicionamento no mercado.
A novidade do quadrante é a entrada da Snowflake, que amplia sua presença além do armazenamento de dados, apostando em funcionalidades de DSML para ganhar espaço.
Quadrante Jogadores de Nicho
Alteryx e MathWorks seguem entre os jogadores de nicho, mantendo foco em aplicações específicas e com presença mais restrita no cenário geral. Por outro lado, saíram do quadrante os fornecedores Anaconda, KNIME e Posit.
Segundo a própria Gartner, a Anaconda, uma marca bem conhecida entre os cientistas de dados, foi retirada após descontinuar seu produto “Data Science & AI Workbench” e redirecionar sua estratégia para, pelo que entendemos, garantir a segurança da disponibilização de frameworks open source de IA para corporações. A KNIME deixou de atender aos critérios de inclusão deste relatório, por não ser recomendada para equipes predominantemente orientadas por código. Já a Posit ficou fora do quadrante por não atingir o índice mínimo de interesse de clientes exigido pela Gartner para participar da análise deste ano.
Os Destaques da Gartner sobre a DataRobot no Quadrante Mágico de Data Science e Machine Learning da Gartner 2024
A análise da Gartner destaca pontos fortes, e também alguns pontos de atenção, sobre a DataRobot. A seguir, reunimos os principais tópicos do relatório, com nossos comentários sobre o que temos observado na prática.
Pontos fortes, segundo a Gartner
Visão: No último ano, a DataRobot “pivoteou” parte de sua visão estratégica, buscando disponibilizar um sistema para orquestração de Apps “AI-driven", incluindo com a orquestração de agentes. Segundo a Gartner, essa visão parece se adequar às necessidades das empresas que estão buscando criar sistemas agênticos.
Nosso comentário: Como já mencionamos, 1 ano depois da liberação da funcionalidade de criação de Apps, praticamente todos os novos projetos que acompanhamos incorporam um "App", seja na forma de uma interface para consumo das previsões, seja na forma de uma API customizada (antes existia apenas a possibilidade de usar APIs "out-of-the-box" para consumir previsões, agora parece não haver limites para customizações). Essa funcionalidade trouxe muita flexibilidade e autonomia para o cientista de dados e também permitiu que as áreas de negócio consumissem as previsões dentro da própria plataforma. Fica claro o potencial da mescla de todos recursos (Apps, Agentes, LLMs, etc) quando vemos o caso de uso “Talk to my Data Agent”, disponível na referência [1].
Aquisição da Agnostic/Covalent: Segundo a Gartner, essa aquisição está claramente associada com a implementação da nova visão estratégica, a de disponibilizar uma plataforma também focada em agentes de IA.
Nosso comentário: Aguardamos para ver como esse conhecimento e tecnologia serão incorporados na plataforma, mas claramente é uma ação bem alinhada com essa nova visão, como menciona a Gartner. Também alinhada e não mencionado no relatório, foi o lançamento do “Syftr” [2], uma biblioteca Python para otimizar “fluxos de trabalho” de Agentes, para determinado orçamento.
Entendimento do Mercado: A Gartner considera como positiva a pesquisa de mercado conduzida pela DataRobot, que mapeou as necessidades em IA ainda não atendidas pelos fornecedores atuais de tecnologia.
Nosso comentário: Entendemos que essa pesquisa de mercado é importante para definir, refinar e completar a visão estratégica de uma empresa. E que a completude da visão é um ponto importante na avaliação da Gartner. Mas por que isso importa para clientes e parceiros? Apesar de não ter nenhum impacto direto e de curto prazo para esses atores, uma visão sólida e coerente de médio e longo prazo, garante que os produtos sejam desenvolvidos alinhados com as necessidades do mercado, não só atuais, mas também futuras. Isso aumenta as chances de que esses novos produtos e atualizações tanto gerem valor para seus clientes, como também cheguem mais cedo aos clientes. Considerando que a implantação de uma nova plataforma envolve, além dos custos de aquisição, investimentos em treinamento, mudança de cultura, processos e integrações, uma parceria mais duradoura e que evolua conforme as necessidades, significa uma vantagem competitiva, pois reduz a necessidade de mudanças significativas na arquitetura de tecnologias, mas que também terá, com facilidade e agilidade, as funcionalidades mais avançadas no mercado.
Pontos de Atenção, segundo a Gartner
Comunidade: Segundo a Gartner, mesmo após o “rebranding” da marca, persiste a percepção que a plataforma DataRobot não é adequada para cientistas de dados mais experientes, o que dificulta a construção de uma comunidade de usuários.
Nosso comentário: Entendemos que essa é, de fato, uma percepção de parte do mercado. Entendemos também que é muito mais uma questão de identidade da marca do que das possibilidades da plataforma. Existem recursos muito poderosos que permitem adicionar customizações significativas, sem perder a essência de uma esteira de IA. Por exemplo:
1) o blueprint workshop em conjunto com custom tasks [3] permite a criação de blueprints/pipelines de modelagem muito customizados sem sair do conceito de esteira e sem perder os recurso de automação; Recentemente utilizamos para incluir na plataforma tratamento de imagens super customizados a necessidade de um projeto.
2) os Codespaces [4], incluindo a possibilidade de ambientes customizados e integração com repositórios de código, permite o desenvolvimento, orquestração e agendamento de scripts e notebooks como em qualquer plataforma focada nos experts em ciência de dados; Se o cientista de dados quer ou precisa desenvolver em Python (e com Notebooks), essa ferramenta é para ele.
3) Como mencionado anteriormente, os Apps customizados [5] permitem a construção de soluções finais, sejam gráficas ou APIs customizadas, que podem incorporar praticamente tudo o que um aplicativo Python pode. Se o codespace dá toda a flexibilidade para o desenvolvimento do modelo, aqui temos toda a flexibilidade de um Streamlit ou Flask para disponibilizar esses modelos para consumo.
Experiência do usuário: Segundo a Gartner, atualizações frequentes na plataforma têm comprometido a usabilidade.
Nosso comentário: Nesse ponto, vemos duas possíveis razões para essa apontamento: 1) Muitas novidades no produto de IA Generativa: é realmente um tema em evolução muito rápida e, de fato, muito difícil acompanhar, mas não apenas na DataRobot; 2) a mudança da interface padrão para a interface ‘Next Gen’: a mudança no padrão, de fato, causou certa confusão nos usuários. Nós mesmos, cientes da ‘Next Gen’ há alguns anos, ‘engasgamos’ nos primeiros dias. Além de alguns conceitos novos, a mudança de um design de alto contraste para um de baixo contraste, acaba deixando os usuários um pouco perdidos no início. A boa notícia é que a interface antiga continua e é possível torná-la o padrão novamente [6]. Recomendamos dar uma chance para a ‘Next Gen’, já que muitas das novidades estão sendo liberadas apenas para essa interface (Codespace, playground de LLM são apenas alguns exemplos) e bastam alguns dias para se ambientar.
Rede de parceria: Segundo a Gartner, a construção de um ecossistema de negócio vai depender do “buy-in” de uma rede de parceiros para prover suporte e integração.
Nosso comentário: Na nossa visão, esse é mais um ponto de atenção da DataRobot, como empresa, para destravar um crescimento sustentável, do que um ponto de atenção para os clientes e usuários. De qualquer forma, a Carpa Analytics está ‘comprada’ nessa parceria e pode ajudar os clientes no Brasil com suporte e integração.
Como a Carpa Analytics tem usado a DataRobot para transformar negócios com IA?
Na Carpa Analytics, acompanhamos a evolução da DataRobot desde 2018, não só como parceiros, mas como usuários ativos da plataforma em projetos de alta complexidade ou em iniciativas para democratização de dados e IA. Ao longo dos últimos anos, contribuímos diretamente para a adoção estratégica de IA/ML em mais de 20 grandes empresas no Brasil, apoiando times de dados, áreas de negócio e tecnologia em suas jornadas de transformação.
Se você busca entender por que a DataRobot tem se destacado — especialmente quando o assunto é velocidade de entrega, redução de riscos, flexibilidade de uso e governança de ponta a ponta — reunimos nossa visão em uma página exclusiva. Lá, mostramos como a plataforma pode ser uma aliada real na construção de soluções robustas e sustentáveis em IA.
👉 Acesse aqui a nossa visão sobre a DataRobot
E, para acessar o relatório completo da Gartner, clique aqui.
Autores do artigo: Frederico Arnoldi e Marina Madalena de Lespinasse
Referências
[1] | |
[2] | |
[3] | |
[4] | |
[5] | |
[6] |
Comentários