Dashboards respondem perguntas previstas. Planilhas permitem exploração, mas exigem acesso e conhecimento. O analytics conversacional propõe outra interface: a pessoa pergunta em linguagem natural, a plataforma encontra os dados autorizados, executa a consulta e explica o resultado.
O desafio não é apenas transformar português em SQL. Em bases reais, nomes de tabela são técnicos, métricas têm regras, sistemas discordam e a mesma palavra muda de significado por área. Por isso, as plataformas empresariais de 2026 estão aproximando agentes de dados, modelos semânticos e ontologias. Em 2 de outubro, a Microsoft destacou melhorias no mecanismo NL2SQL do Fabric Data Agent; em agosto, a Snowflake recomendou migrar análises naturais para Cortex Agents mantendo as mesmas visões semânticas.
Por que text-to-SQL puro pode responder com confiança e errar
Um modelo consegue produzir uma consulta sintaticamente válida que usa a tabela errada, ignora cancelamentos ou soma valores incompatíveis. O resultado parece preciso porque contém números. Sem definição de negócio, porém, “receita” pode significar pedido criado, faturado, pago ou líquido de impostos e devoluções.
Outro risco é a ambiguidade. “Clientes ativos” pode ser quem comprou em 30 dias, quem possui contrato vigente ou quem abriu o aplicativo. Um sistema confiável identifica a dúvida e solicita esclarecimento ou usa a definição aprovada para aquele domínio — nunca escolhe silenciosamente.
O papel da camada semântica
A camada semântica traduz estruturas físicas em conceitos compartilhados. Ela registra entidades como Cliente, Pedido e Produto; relacionamentos entre elas; dimensões como região e canal; métricas com fórmulas; sinônimos usados pelas equipes; e regras de acesso.
Assim, o agente interpreta “ticket médio de clientes novos no Sul” como uma combinação de medidas e dimensões governadas. Um mecanismo determinístico gera a consulta ou chama uma API analítica. A linguagem natural fica responsável pela intenção; as regras críticas continuam explícitas e testáveis.
Modelo semântico, ontologia e catálogo
O modelo semântico define métricas e relações analíticas. A ontologia representa entidades, estados e vínculos de negócio, inclusive entre dados operacionais e eventos em tempo real. O catálogo documenta origem, responsável, qualidade e sensibilidade. Os três podem trabalhar juntos, mas não são sinônimos.
Arquitetura de um analista virtual confiável
- Interface: chat no sistema interno, aplicativo, portal ou canal corporativo.
- Identidade: a pergunta carrega o usuário e suas permissões.
- Classificação: o agente escolhe o domínio e identifica ambiguidade.
- Camada semântica: conceitos e métricas são vinculados às fontes.
- Planejamento: a solicitação vira uma consulta controlada ou chamada de API.
- Execução: o mecanismo aplica limites de custo, tempo e linhas.
- Resposta: números, período, filtros, fonte e visualização são apresentados.
- Auditoria: pergunta, plano, consulta e resultado ficam rastreáveis.
O agente deve executar com a identidade do solicitante ou com um serviço que reproduza as mesmas restrições. Dar a todos acesso técnico amplo e tentar esconder colunas apenas na resposta é um desenho inseguro.
Exemplo prático: margem por canal
A diretora pergunta: “por que a margem do e-commerce caiu este mês?”. O agente entende o período conforme o calendário da empresa, usa a medida oficial de margem líquida e compara com o mês anterior. Em seguida, decompõe a variação por canal, categoria, desconto, frete e devolução.
A resposta mostra que a receita cresceu, mas descontos e logística reduziram a margem em determinadas categorias. Cada gráfico informa filtros e atualização. A usuária pode perguntar “isso também aconteceu em clientes recorrentes?” e o contexto da conversa é mantido sem alterar a definição de cliente recorrente.
Se os dados do frete estiverem atrasados, o sistema informa a última atualização e evita apresentar a conclusão como definitiva. Se “margem” tiver duas definições aprovadas, oferece a escolha em vez de misturá-las.
Analytics conversacional não substitui todo o BI
Painéis continuam importantes para monitorar indicadores recorrentes e alertas. O analista virtual é melhor para perguntas adicionais, exploração guiada e acesso dentro do fluxo de trabalho. Relatórios regulatórios e decisões críticas ainda pedem visualizações validadas e revisão.
Também não substitui modelagem de dados. Na verdade, expõe inconsistências antes escondidas. Se vendas e financeiro calculam receita de formas incompatíveis, a IA não deve criar uma terceira versão; a empresa precisa decidir, documentar e governar a métrica.
RAG, text-to-SQL ou API analítica?
RAG é adequado para políticas, contratos e documentos. Text-to-SQL com camada semântica serve para perguntas flexíveis sobre dados estruturados. APIs analíticas são preferíveis quando cálculos e permissões já estão encapsulados e precisam de forte previsibilidade.
Uma pergunta pode combinar os três. “Quais contratos têm margem abaixo do mínimo previsto?” consulta dados estruturados, recupera cláusulas contratuais e cruza resultados. O orquestrador deve manter fonte e método visíveis para cada afirmação.
Segurança e governança desde a pergunta
- aplique segurança por linha e coluna na fonte;
- mascare dados pessoais e valores sensíveis conforme o perfil;
- bloqueie consultas de escrita e comandos perigosos;
- limite tempo, volume e custo de cada execução;
- registre consulta gerada, fonte, usuário e finalidade;
- defina retenção para perguntas e resultados;
- proteja contra instruções maliciosas presentes em metadados ou documentos.
A interface conversacional pode tornar dados mais acessíveis, mas não deve ampliar permissões. A resposta para um vendedor, gestor e diretor pode usar a mesma métrica com linhas diferentes.
Como avaliar qualidade
Avaliar somente se o SQL executou é insuficiente. Crie perguntas reais, variações de linguagem, casos ambíguos e questões impossíveis. Compare o resultado com respostas aprovadas por quem domina o negócio.
- correção da resposta: o número e a interpretação estão certos?
- fidelidade semântica: a métrica oficial foi aplicada?
- respeito a permissões: o usuário viu apenas o permitido?
- clareza: filtros, datas e limitações aparecem?
- taxa de esclarecimento: o agente pergunta quando deveria?
- desempenho: latência e custo cabem no uso diário?
Como começar sem reorganizar toda a empresa
- escolha um domínio, como vendas, atendimento ou operações;
- liste 30 a 50 perguntas realmente usadas nas decisões;
- defina cinco a dez métricas com responsáveis e fórmulas;
- modele fontes, relações, sinônimos e regras de acesso;
- implemente respostas com consulta, filtros e atualização visíveis;
- teste perguntas adversariais, ambíguas e fora do escopo;
- publique para um grupo pequeno e incorpore feedback rastreável.
Começar por um domínio limita o risco e mostra onde a qualidade do dado precisa melhorar. Depois, novos modelos semânticos podem ser adicionados e o agente aprende a encaminhar cada pergunta ao domínio correto.
Do insight à ação
O maior valor surge quando a resposta entra no processo. Depois de identificar clientes com queda de uso, o usuário pode abrir uma lista no CRM ou criar uma tarefa. Essa ação deve passar por confirmação, regras e autorização próprias; consultar dados não significa ter permissão para alterá-los.
A ProativaIA cria software sob medida, aplicativos empresariais e soluções de IA e automação. Podemos conectar ERP, CRM e data warehouse, modelar métricas e desenvolver um analista virtual seguro dentro do sistema que sua equipe já utiliza.