Pergunte aos seus dados em linguagem simples: comece pelo seu BI ou plataforma de dados e saiba quando construir o seu

Um assistente para perguntar aos seus dados permite que a sua equipe digite uma pergunta como “Qual foi a margem bruta por região no último trimestre?” e receba de volta um número ou um gráfico. Na maioria desses produtos, um modelo de linguagem, o tipo de IA por trás do ChatGPT, transforma a pergunta em uma consulta ao banco de dados, e o banco de dados faz a conta. A sua ferramenta de business intelligence (BI) ou plataforma de dados talvez já ofereça um, então teste esse primeiro e construa o seu apenas para os casos que essas ferramentas não cobrem. Na maior parte dos caminhos, a maior parte do trabalho vai para combinar o que as suas métricas significam.

Como uma pergunta em linguagem simples vira um número?

O assistente lê a sua pergunta e escreve uma consulta na linguagem que a sua ferramenta de dados entende. Os bancos de dados usam SQL, e o Power BI usa uma chamada DAX. O banco de dados ou a ferramenta de BI executa a consulta e devolve o resultado, que o assistente mostra como um número ou um gráfico. O Tableau Agent in Pulse funciona de outro jeito. Ele usa verificações estatísticas em métricas que você já definiu e descreve o que encontra.

A Databricks diz que o seu produto Genie usa os nomes e as descrições das suas tabelas “para converter perguntas em linguagem natural em uma consulta SQL equivalente”. O total estará certo para a consulta que rodou, porque um banco de dados fez a soma, mas essa consulta pode não ser a que você queria.

O assistente pode nos dar um número errado que parece certo?

Se uma consulta falha, em geral aparece um erro e alguém pode investigar. Uma consulta que roda mas conta a coisa errada entrega um gráfico limpo com um valor errado, e nada na tela avisa. Uma receita que ainda inclui os reembolsos parece igual a qualquer outra receita. O mesmo vale para um valor por trimestre civil quando a sua empresa reporta por ano fiscal.

Os fornecedores avisam sobre isso na própria documentação. A página da Microsoft sobre o uso responsável do Copilot diz: “As respostas do Copilot podem incluir conteúdo impreciso ou de baixa qualidade, então revise os resultados antes de usá-los no seu trabalho”. O Tableau diz que a IA generativa “pode produzir resultados que parecem plausíveis, mas contêm informações incorretas ou irrelevantes”.

A Microsoft também diz que, se uma pergunta não se relaciona com o modelo semântico, que descreve os seus dados ao Copilot, ele “responde com base no conhecimento geral do grande modelo de linguagem (LLM)”. Então uma resposta pode não vir dos seus dados. A orientação da empresa acrescenta que “o comportamento da IA não é determinístico”, o que significa que a mesma pergunta pode voltar com uma resposta diferente.

Por que precisamos combinar as definições das métricas primeiro?

Uma tabela de banco de dados guarda nomes de colunas e valores. Ela não sabe se a sua empresa conta a receita antes ou depois dos reembolsos, e esse conhecimento muitas vezes está em uma planilha do financeiro ou na cabeça de alguém. Um modelo semântico é o lugar onde esses significados ficam escritos para o software, como quais tabelas se relacionam e como cada métrica é calculada.

“Soluções genéricas de IA costumam ter dificuldade com a conversão de texto em SQL quando recebem apenas o esquema do banco de dados, porque os esquemas não trazem conhecimentos essenciais, como as definições de processos de negócio e o tratamento das métricas”, diz a documentação da Snowflake. A Microsoft avisa os responsáveis por modelos semânticos que “sem preparação, o Copilot pode interpretar mal os dados e devolver resultados genéricos ou imprecisos”.

Você também pode definir à mão a lógica exata por trás das perguntas mais comuns. O Power BI chama isso de respostas verificadas e a Snowflake chama de consultas verificadas. A Databricks tem os trusted assets, que descreve como “consultas de exemplo parametrizadas e funções SQL cuja lógica exata foi verificada por um autor do agente”. Mesmo assim, a Microsoft diz que os seus recursos de preparação “não conseguem garantir uma saída específica todas as vezes”.

Se vendas e financeiro têm cada um o seu número de receita, nenhum software resolve isso. Alguém da diretoria precisa decidir qual definição vale e escrevê-la antes de qualquer demonstração.

O que recebemos da IA dentro da nossa ferramenta de BI?

O Copilot para Power BI trabalha a partir dos seus modelos semânticos existentes, então você reaproveita o trabalho já feito. A Microsoft lista o painel ao lado de um relatório como disponível de forma geral. O chat independente em tela cheia ainda está em prévia, e a Microsoft diz que ele “será descontinuado” em uma fase futura, quando o Microsoft Copilot, hoje em prévia pública dentro do Power BI, passar a ser a experiência principal. Não há data definida, e a Microsoft diz que “publicará a data final de descontinuação”.

O Copilot para Power BI exige “capacidade paga do Fabric (F2 ou superior) ou Power BI Premium (P1 ou superior)”, um bloco de poder de computação pago pela sua empresa, então uma licença Pro por pessoa não basta. O Copilot mais novo funciona em outras condições, já que a Microsoft diz “Você não precisa usar o Copilot no Fabric nem ter acesso a um F SKU para usar o Copilot neste cenário”, então pergunte qual deles as suas licenças cobrem.

O Tableau tem dois assistentes para isso. O Tableau Agent in Dashboards permite que as pessoas digitem uma pergunta em um dashboard publicado, e o Tableau diz que ele “consultará a fonte de dados subjacente”. Ele exige a edição Tableau Cloud+ ou o Tableau+ Bundle no Tableau Cloud, ou o Tableau Server+ a partir da versão 2026.3 no Tableau Server, onde ainda está em beta. O Tableau Agent in Pulse, descrito nas páginas de ajuda do Tableau como “um recurso do Tableau+” do Tableau Cloud, responde a partir de métricas que você já definiu. Ele “não consegue responder a perguntas sobre colunas que não são usadas nas métricas nem sobre metadados da fonte de dados”. O Tableau diz que os insights do Pulse partem de “modelos estatísticos padronizados e determinísticos para detectar fatos sobre as métricas”, e as frases que você lê são geradas a partir desses fatos.

O assistente enxerga apenas o que foi configurado para relatórios, então não consegue usar um campo que ninguém adicionou ao modelo. A Microsoft escolhe o modelo de linguagem do Copilot. Para a equipe que trabalha em outros idiomas, a Microsoft diz que os recursos do Copilot “podem não funcionar tão bem” quanto em inglês. O Tableau Server é diferente, porque “depende de conectar-se ao seu próprio provedor de LLM e de usá-lo”.

O que recebemos do assistente da nossa plataforma de dados?

Esses assistentes trabalham sobre as tabelas que você conecta a eles, então podem alcançar dados que nunca chegaram a um relatório. Essas tabelas são o limite. A Databricks diz que um Genie Agent “usa apenas as fontes de dados anexadas explicitamente”, no máximo 50 tabelas ou views, e recomenda “procure usar cinco tabelas ou menos”. O Cortex Analyst da Snowflake responde a partir de “dados estruturados na Snowflake”, embora a Snowflake agora “recomende migrar para os Cortex Agents, que oferecem todos os recursos do Cortex Analyst com respostas de maior qualidade”.

A Databricks oferece o Genie, em que as equipes de dados configuram Genie Agents com “dados confiáveis, métricas e regras de negócio” e a equipe faz perguntas pelo Genie One.

Alguém do seu lado precisa escrever boas descrições dos seus dados, porque, nas palavras da Databricks, “boas descrições de tabelas e colunas no Unity Catalog são essenciais para a precisão do Genie”. A Databricks também diz que “os dados do Genie Agent precisam estar registrados no Unity Catalog”, a sua lista central de tabelas e permissões. Tudo o que estiver fora da plataforma precisa ser levado para dentro ou conectado antes.

Sobre o tratamento de dados, a Snowflake diz que o Cortex Analyst “não treina com os Dados do Cliente”. Diz também que “você não pode escolher um modelo diretamente”, porque cada requisição vai para o modelo mais bem classificado que o seu perfil pode usar, de uma lista que começa com o Anthropic Claude Sonnet 4.6 e termina com o Mistral Large 2 e o Llama 3.1 70b.

Nesses caminhos, o modelo de linguagem é operado pelo fornecedor ou por um parceiro que ele indica, e a Databricks lista o Azure OpenAI Service e o OpenAI on Databricks para os Genie Agents no modo Chat. O Tableau Server é a exceção, pois se conecta ao seu próprio provedor de modelo. Se as suas regras exigem servidores sob o seu controle, o artigo sobre um ChatGPT privado, indicado abaixo, trata do que isso exige.

Quando vale a pena construir a nossa própria?

Uma solução própria é um software feito para você em torno de um modelo de linguagem. Ele transforma perguntas em consultas usando as suas próprias definições e entrega as respostas onde você escolher. Construir vale a pena quando pelo menos uma destas condições é verdadeira:

• As respostas vão para dentro do seu próprio produto, para os seus próprios clientes
• Uma pergunta precisa de dados de sistemas que as ferramentas do fornecedor não alcançam, como um back office próprio ao lado de um data warehouse
• As suas regras dizem que os dados e o modelo devem ficar em servidores que você controla
• Você precisa de um comportamento que a ferramenta do fornecedor escolhido não oferece, como recusar qualquer pergunta fora de uma lista de métricas aprovadas

Se os seus dados já estão em uma única plataforma, um passo menor pode vir primeiro. A Snowflake oferece o Cortex Analyst como uma API REST, uma interface que outros programas podem chamar, para usos como “interfaces de chat personalizadas”, e os Cortex Agents, o produto que ela agora recomenda, podem ser chamados da mesma forma. A Databricks diz que você pode “integrar Genie Agents ao seu próprio chatbot, agente ou aplicação”. Você constrói as telas e a plataforma escreve as consultas.

Construir é difícil de justificar quando as perguntas vêm da sua própria equipe e o assistente de uma plataforma passa no seu teste. Também não resolve definições pouco claras. Se você ainda não consegue dizer como a receita é calculada, uma solução própria também vai dar números errados, e vai custar mais. Depois do lançamento, a manutenção fica com você, e os artigos abaixo tratam de quem pode fazer esse trabalho e de por que os pilotos de IA travam.

O assistente pode mostrar às pessoas dados que elas não têm permissão para ver?

A segurança em nível de linha (RLS) é o que impede, por exemplo, que um gerente regional veja qualquer região além da sua. Ela precisa ser aplicada onde os dados ficam, já que uma linha nas instruções do assistente não impede uma consulta de ler uma tabela. Cada caminho trata isso de um jeito:

• Power BI: “O Copilot só pode acessar os dados que o usuário atual tem permissão para acessar”. A Microsoft acrescenta que “é essencial que consumidores e criadores de conteúdo tenham apenas a permissão de Leitura no modelo semântico subjacente quando o RLS precisar ser aplicado”, porque a segurança em nível de linha pode não valer para quem tem mais acesso
• Tableau: para as métricas no Pulse, “os dados que os usuários veem ao abrir uma métrica respeitam a segurança em nível de linha aplicada à fonte de dados”, e o Tableau diz que o Tableau Agent in Dashboards funciona “seguindo estritamente todas as suas permissões, controles de acesso e segurança em nível de linha já existentes no Tableau”
• Snowflake: as consultas geradas “respeitam todos os controles de acesso estabelecidos”, e as políticas de acesso por linha definidas nas tabelas de base “se propagam para as semantic views e são aplicadas”. As políticas de acesso por linha exigem a edição Enterprise ou superior, e quem pode consultar uma semantic view “não precisa de acesso separado às tabelas subjacentes”, então permissões nas tabelas, sozinhas, não separam as pessoas
• Databricks: “O acesso aos dados é sempre avaliado com as permissões do Unity Catalog de cada usuário final”, e os filtros de linha no Unity Catalog são “aplicados automaticamente por usuário”
• Solução própria: o seu software precisa repassar a identidade de cada pessoa até o banco de dados, ou toda pergunta roda sob uma única conta compartilhada e as pessoas veem tudo o que essa conta pode ver. O guia da Snowflake para produtos que atendem muitos clientes diz: “A Snowflake não autentica os seus usuários finais; quem autentica é o servidor da sua aplicação.” Para uma conexão do Power BI criada para agentes de IA, a Microsoft avisa que “o Power BI não aplica o RLS quando você usa autenticação por service principal”, ou seja, entrando com uma conta de software

Regras de acesso também podem fazer o assistente dizer algo falso. Um dos guias para desenvolvedores da Snowflake descreve o caso de um agente que informa que uma região não tem receita. Ele aponta a causa: “A política de acesso por linha ocultou essas linhas, e o agente não consegue distinguir o que está oculto do que não existe”. Faça o assistente avisar que os resultados cobrem apenas o que a pessoa pode ver e teste cada perfil com um login que não deveria ver os dados.

Quanto custa um assistente para perguntar aos seus dados?

Na maioria dos caminhos, você paga por duas coisas. Computação é o poder de processamento que executa a consulta sobre os seus dados. O uso do modelo cobre a transformação da pergunta em consulta, e a maioria dos fornecedores o cobra em tokens, os pedaços de texto que um modelo de linguagem lê e escreve. O Cortex Analyst da Snowflake cobra por mensagem quando chamado pela sua própria API. Os preços abaixo estão em dólares americanos, a partir de tabelas publicadas pelos fornecedores para regiões dos EUA:

• Power BI: o Copilot para Power BI usa a capacidade Fabric ou Premium que você paga, a 100 segundos de unidade de capacidade por 1.000 tokens de entrada e 400 por 1.000 tokens de saída. A tabela pública de preços de varejo da Azure mostra US$ 0,18 por unidade de capacidade por hora, no pay-as-you-go em East US, então a requisição de exemplo da Microsoft, com 2.000 tokens de entrada e 500 de saída, usa cerca de 2 centavos de capacidade. Uma capacidade F64 de 64 unidades, o tamanho do exemplo da Microsoft, custa cerca de US$ 276 por dia a essa taxa, e os seus relatórios usam a mesma capacidade. A Microsoft diz: “O Fabric cobra separadamente por quaisquer ações posteriores que o Copilot acione”
• Tableau: as suas páginas de ajuda ligam esses recursos de IA à edição Tableau Cloud+ ou ao Tableau+ Bundle no Tableau Cloud, e ao Tableau Server+ no Tableau Server, onde o uso do modelo é “cobrado diretamente, conforme o contrato específico com o seu provedor de LLM”. Peça uma cotação ao Tableau
• Snowflake: o Cortex Analyst pela API é listado a 67 Platform Credits por 1.000 mensagens. Sob demanda na AWS US East, um crédito custa US$ 2,00 na edição Standard e US$ 3,00 na Enterprise, então 1.000 mensagens custam US$ 134 ou US$ 201. “Aplicam-se custos adicionais de warehouse quando você executa o SQL gerado pelo Cortex Analyst.” Pelos Cortex Agents, a cobrança passa a ser por tokens, a tarifas por modelo
• Databricks: “O uso do Genie One e dos Genie Agents pelos usuários é gratuito até 31 de janeiro de 2027.” As contas de software (service principals) ficam de fora e “o uso delas é cobrado”, e “a computação usada para executar as consultas que o Genie gera, como um SQL warehouse, é cobrada separadamente”. Depois dessa data, a Databricks diz que os produtos Genie são “cobrados em um modelo pay-as-you-go”, com uma franquia mensal gratuita por usuário, então pergunte quanto o uso vai custar no seu volume
• Solução própria: você paga diretamente ao provedor do modelo, mais a computação do seu próprio banco de dados e os engenheiros que constroem e operam o sistema. A Anthropic lista o Claude Sonnet 5.5 a US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, então os mesmos 2.000 tokens de entrada e 500 de saída custam cerca de 1 centavo. As requisições reais carregam as descrições das suas tabelas e são maiores

Esses valores não cobrem as mesmas coisas, então some a computação a cada um antes de comparar. A Microsoft recomenda começar com um pequeno grupo piloto e diz que “implantar de forma ampla sem validar os padrões de consumo pode esgotar rapidamente a sua capacidade”.

Como testamos com perguntas cujas respostas já conhecemos?

Monte o teste antes de escolher um produto. Pegue algumas dezenas de perguntas reais que a sua equipe faz e registre a resposta certa de cada uma a partir de um relatório que o seu financeiro já validou. Passe as perguntas por cada produto da sua lista e avalie cada resposta. O conjunto deve incluir:

• Perguntas com uma única resposta certa, tiradas de relatórios validados, incluindo as que combinam dois assuntos, como margem por produto e por mês
• A mesma pergunta com outras palavras, feita por pessoas de departamentos diferentes, para ver se as suas definições se sustentam
• Perguntas que o assistente deve recusar, como uma sobre dados que ele não tem, já que uma resposta inventada é a falha que mais importa pegar
• A mesma pergunta com os logins de pessoas com acessos diferentes, para conferir a segurança em nível de linha

Um total correto pode sair de uma consulta errada por sorte, então avalie a consulta e também o número. A Databricks tem benchmarks para “testar e avaliar o seu agente de forma sistemática quanto à precisão geral”, e a Snowflake diz que você pode executar “as suas consultas verificadas no Cortex Analyst” e medir com que precisão ele gera SQL. O artigo sobre como testar um assistente de IA, indicado acima, explica como definir as notas de corte com antecedência.

A Microsoft diz que, se você fizer a mesma pergunta em um modelo semântico inalterado “dentro de uma janela móvel de 24 horas”, o Copilot responde a partir do cache, uma cópia salva da resposta anterior. Portanto, não conte um novo teste feito na manhã seguinte. Repita o conjunto inteiro mais de 24 horas depois, e de novo sempre que o fornecedor trocar um modelo ou você mudar uma definição.

Como a equipe pode conferir de onde veio uma resposta?

Ninguém consegue conferir um número solto, então peça que cada resposta indique a definição que usou e o período que cobre. O Power BI oferece uma visualização chamada “How Copilot arrived at this”, e o Genie responde com “a consulta gerada e a tabela de resultados, se possível”. A página da Microsoft sobre o seu Copilot mais novo, em prévia, também pede às pessoas que “validem decisões importantes com os dados de origem”. Defina uma regra: qualquer número que vá para o conselho ou para um cliente é conferido antes com o relatório de origem.

O que devemos perguntar a um fornecedor de BI ou de plataforma de dados?

• Quais das nossas métricas ele vai responder a partir de definições combinadas, e o que acontece com uma pergunta fora delas?
• As permissões de quem rodam cada consulta, e como testamos isso com o login de uma pessoa?
• Quais provedores de modelo processam as nossas perguntas e dados, e em qual região?
• Quanto custa um mês do nosso volume real de perguntas, incluindo a computação das consultas e os mínimos?
• Conseguimos ver a consulta por trás de cada resposta e guardar um registro delas?
• Esta funcionalidade está disponível de forma geral, e o que está previsto para substituí-la?
• Com quanto aviso prévio ficamos sabendo de uma mudança de modelo, para repetir os nossos testes?

O que devemos perguntar a uma empresa que o construiria?

• Onde ficarão as definições das métricas, e os nossos analistas podem mudá-las sem um desenvolvedor?
• Como a identidade de cada pessoa chega ao banco de dados, e o que acontece quando ela falta?
• Qual modelo escreve as consultas, e quais dados saem dos nossos servidores?
• Como vocês vão testar com perguntas cujas respostas já conhecemos, e quem do nosso lado dá o aval?
• Quando o assistente não tem certeza, ele avisa ou chuta?
• Ficaremos com o código, as definições, os conjuntos de teste e os registros no final?

Onde a amBrain se encaixa?

A amBrain publica este blog. Sobre o próprio produto, ela diz: “Nosso produto próprio, o shyash.ai, roda em agentes de IA que pesquisam, escrevem, verificam e medem a partir de uma memória compartilhada dos fatos da empresa. Uma pessoa aprova tudo o que sai.”

Este artigo não é um estudo de caso e não descreve trabalho para nenhum cliente, e não alega que a amBrain tenha construído um assistente para perguntar aos dados para algum cliente. A linha acima trata do produto próprio da amBrain, e os exemplos são gerais.

As empresas citadas aqui são mencionadas a partir das suas páginas publicadas, todas abertas em 9 de novembro de 2026. O artigo não alega nenhuma relação entre a amBrain e nenhuma delas e não traz preços nem prazos da amBrain.

A amBrain constrói software desde 2019. Sobre como trabalha com os clientes, ela diz: “Três formatos: entrega completa, time dedicado ou engenheiros embarcados no seu time.” A frase dela sobre propriedade é: “O cliente mantém a propriedade integral do produto e do código, exceto dos nossos componentes reutilizáveis.” Peça a lista desses componentes, nome por nome, antes de assinar.

Se a amBrain estiver na sua lista de candidatas, faça a ela as mesmas perguntas que faria a qualquer outra empresa.