arquitetura completa · deslize para ver no celular
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.
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.
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.
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.
O usuário pergunta em português, de onde já trabalha. Web como canal principal, com Teams, WhatsApp e integração por API e MCP.
É aqui que a pergunta humana vira consulta — e é aqui que a ambiguidade é tratada, em vez de ser empurrada para o usuário.
A camada que separa demonstração de produção. A conta não sai da IA.
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.
Texto, gráfico e insight na hora — rastreável por ID de execução e exportável.
Autenticação corporativa via Entra ID — cada pergunta tem dono.
RLS e OLS do ambiente preservados. A IA nunca vê mais do que o usuário veria.
Permanecem no ambiente do cliente. Sem cópia externa, sem base paralela.
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.
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.
Se quem calcula é a IA, uma hora vai divergir do BI. Tem que vir das medidas que o time já validou.
Responder sempre é defeito, não qualidade. Precisa saber recusar.
Sem determinismo não dá para colocar na frente da diretoria.
Se as permissões do BI não valem lá dentro, você criou um vazamento.
Pergunte por teto e por cota antes de assinar, não depois.
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