O Fim das Limitações do Low-Code no Data Cloud: Como Funciona o Novo Code Extension com Python

A Salesforce anunciou a chegada do Code Extension para o Data 360. Na prática, isso significa que agora é possível rodar código customizado em Python nativamente dentro do Data Cloud. Essa é uma resposta direta a uma dor clássica de quem implementa a plataforma. Até então, as ferramentas declarativas e o SQL padrão resolviam o básico. Mas quando o projeto exigia a ingestão de logs complexos, tratamento de arquivos JSON profundamente aninhados ou cálculos matemáticos pesados para faturamento proporcional, a parede do low-code aparecia rápido.

Para entender o impacto técnico dessa mudança, precisamos olhar para a arquitetura de dados em projetos Salesforce. Historicamente, cargas de trabalho pesadas exigiam que os dados fossem processados fora da plataforma. Um time de engenharia precisava usar instâncias em nuvens públicas para limpar os dados, aplicar regras de negócio em Python ou Spark e só depois devolver a informação estruturada para o Data Cloud. Isso gerava latência, aumentava o custo de infraestrutura e multiplicava os pontos de falha na integração.

Com o Code Extension, o cenário muda em duas frentes principais. A primeira delas é o Code Extension Script, voltado para os Batch Data Transforms. Arquitetos e engenheiros de dados agora podem escrever scripts para ler objetos diretamente no Data Cloud, aplicar lógica de conversão massiva e gravar o resultado de volta. Um caso de uso prático é a conversão de endereços em coordenadas exatas de latitude e longitude usando bibliotecas especializadas, ou a decodificação de telemetria bruta de maquinário industrial. O volume não parece ser um problema inicial. O processamento acontece na infraestrutura isolada e segura da própria Salesforce, resolvendo gargalos de performance que antes travavam pipelines declarativos.

A segunda frente é o Code Extension Function, que mira diretamente na qualidade das respostas do Agentforce. Aqui entra a personalização do chunking para índices de busca vetorial. Quando você fornece um PDF longo para uma inteligência artificial, ela não processa o documento inteiro de uma vez. O texto precisa ser quebrado em pedaços menores. Se a quebra for feita usando apenas um limite estático de caracteres, uma regra de negócio importante pode ser cortada ao meio, fazendo o Agentforce perder o contexto e gerar alucinações. Usando funções em Python, você pode criar uma lógica que ensina o Data Cloud a quebrar contratos jurídicos exatamente nas cláusulas específicas, ou dividir transcrições de reuniões separando cada bloco pelo palestrante correto. Isso entrega um contexto muito mais limpo e seguro para os agentes de IA.

Um ponto fundamental é que o fluxo de desenvolvimento respeita a rotina de quem trabalha com dados. Não é necessário programar em uma interface engessada no navegador. O desenvolvedor escreve e testa o código na sua própria máquina usando o VS Code ou um Jupyter Notebook. Depois de validar a lógica localmente, o empacotamento é feito via Data Kits, promovendo o código de uma Sandbox para o ambiente de produção. Tudo integrado com práticas de DevOps.

Do ponto de vista de arquitetura, o Code Extension marca o amadurecimento do Data Cloud. A plataforma deixa de ser um agregador de dados voltado apenas para perfis de marketing e assume características de infraestrutura de dados corporativa pesada. A adoção dessa capacidade, no entanto, vai exigir uma mudança de perfil nas equipes técnicas. O domínio sai do escopo exclusivo de administradores e passa a exigir o envolvimento de engenheiros de dados reais, fluentes na criação de pipelines escaláveis em Python.