--- title: Arquitetura do Data Hub · inQuesti description: Por que não é só plugar IA sobre dados para ter respostas e insights — e a arquitetura que resolve. Camadas, fronteira de confiança, governança e as cinco perguntas para avaliar qualquer solução. --- inQuesti · Data Hub Arquitetura # Por que não é só plugar IA sobre dados para ter respostas e insights? Este material explica onde esses projetos travam de verdade, por que o problema não é a query, e qual é a única camada da empresa onde a resposta já existe. O problema ## O caminho óbvio funciona na demonstração A proposta usual é conectar a IA nos dados — banco, data warehouse, data lake — e deixar que ela consulte. Numa demonstração controlada, impressiona. O que quebra em produção não é a query. É a **ambiguidade**. Num ambiente real existem centenas de tabelas, várias carregando a mesma informação, colunas com nomes parecidos e três versões da mesma métrica. Quando alguém pergunta "qual foi o faturamento", não existe **uma** resposta certa na camada de dados — a resposta mora numa regra de negócio que nunca foi escrita ali. E aí só há dois desfechos, ambos ruins: ou a IA escolhe uma tabela e **erra em silêncio**, o que é pior do que não responder — ou devolve um pedido de confirmação a cada pergunta. O executivo não quer desambiguar. Ele quer a resposta. Duas ou três idas e vindas e ele não volta mais. É por isso que tanta prova de conceito encanta na demonstração e morre sem adoção. A resposta padrão do mercado ## Catálogo semântico — funciona na teoria Documentar tudo, manter atualizado, garantir confiabilidade. No papel, resolve. Na prática, catálogo simultaneamente **completo, atual e confiável** não é a realidade das empresas brasileiras — nem por estrutura, nem por maturidade. E isso não é crítica: é a consequência natural de times pequenos com fila cheia e prioridade de negócio todo mês. A empresa precisa de algo que entregue resultado **enquanto** amadurece. Não depois. O ponto que muda tudo ## Existe um lugar onde a ambiguidade já foi resolvida É o BI. O modelo semântico do Power BI é exatamente a camada onde o time passou anos decidindo o que conta como faturamento líquido, qual filtro se aplica, qual regra vale e qual exceção existe. Está curado, validado e — o mais importante — **já é usado para decidir**. Por isso o Data Hub começa por lá. Não porque o data lake seja ruim, mas porque o BI é onde o significado de negócio já foi acordado. Soluções que atuam sobre o lake ou o warehouse dependem de o catálogo estar certo; o Data Hub atua sobre a camada onde a resposta já existe. ![Arquitetura do Data Hub — canais de acesso, camada de IA, motor determinístico, fronteira de confiança, ambiente do cliente e resposta](https://conteudos.inquesti.com.br/hubfs/Datahub/arquitetura-data-hub.png) arquitetura completa · deslize para ver no celular As camadas ## O que cada uma resolve 01 ### Canais de acesso O usuário pergunta em português, de onde já trabalha. Web como canal principal, com Teams, WhatsApp e integração por API e MCP. 02 ### Camada de IA É aqui que a pergunta humana vira consulta — e é aqui que a ambiguidade é tratada, em vez de ser empurrada para o usuário. - **Interpretação e contexto** — traduz a pergunta para a métrica certa, resolvendo sinônimos e apelidos internos que só aquela área usa - **Orquestração** — decide o que consultar, com que filtro e em que ordem - **Regras e recusa** — não responde o que não tem base para responder. Recusar é qualidade, não defeito - **Identidade corporativa** — autenticação via Entra ID 03 ### Motor determinístico A camada que separa demonstração de produção. A conta não sai da IA. - Consulta as medidas e regras **já validadas** no modelo semântico - Não gera SQL livre e não cria métrica nova - Camada de validação barra o resultado que não fecha, antes de chegar ao usuário - Mesma pergunta, mesma resposta — sempre 04 ### Fronteira de confiança e seus dados A IA consulta, nunca copia. O acesso é somente leitura, e o ambiente continua sendo o do cliente: Power BI e Microsoft Fabric no tenant da própria empresa, com os modelos semânticos que o time validou. - RLS e OLS preservados — quem enxerga o quê continua valendo - Os dados não saem do tenant e não alimentam a IA 05 ### Resposta Texto, gráfico e insight na hora — rastreável por ID de execução e exportável. Governança e segurança ## O que fica garantido Identidade Autenticação corporativa via Entra ID — cada pergunta tem dono. Permissões RLS e OLS do ambiente preservados. A IA nunca vê mais do que o usuário veria. Dados Permanecem no ambiente do cliente. Sem cópia externa, sem base paralela. Modelos Sem retenção e sem treinamento de LLM com informação da empresa. E, acima de tudo isso, o plano de controle: registro de perguntas, histórico por usuário, rastreabilidade por execução e métricas de uso — governança que aumenta com a adoção, em vez de diminuir. Para levar ## Cinco perguntas para avaliar qualquer solução Serve para a nossa e para qualquer outra. Se a resposta a alguma delas for vaga, provavelmente a solução nunca saiu de prova de conceito. **De onde sai a conta?** Se quem calcula é a IA, uma hora vai divergir do BI. Tem que vir das medidas que o time já validou. **O que acontece quando a pergunta é ambígua?** Responder sempre é defeito, não qualidade. Precisa saber recusar. **A mesma pergunta dá a mesma resposta amanhã?** Sem determinismo não dá para colocar na frente da diretoria. **Quem enxerga o quê?** Se as permissões do BI não valem lá dentro, você criou um vazamento. **Como o custo se comporta quando o uso cresce?** Pergunte por teto e por cota antes de assinar, não depois. ## Quer ver funcionando no seu cenário? Em 30 minutos mostro a arquitetura inteira e um dashboard real respondendo pergunta em português — e a gente troca sobre o que vocês já tentaram. [Agendar 30 minutos](https://meetings.hubspot.com/vinicius-siqueira/hub-reuniao-30-min-vinicius) inQuesti · Dados e IA para grandes empresas datahub.inquesti.com.br