IA para análise de dados: o que muda no BI

IA para análise de dados é o uso de modelos de linguagem em cima de dado que a empresa já tem, para encurtar o caminho entre a pergunta e a resposta. Não é um substituto do business intelligence, não dispensa o dado organizado e não decide nada sozinha. É uma camada nova sobre um ciclo antigo, e ela muda três etapas desse ciclo de forma bem específica.

Este texto é para quem já tem relatório e ainda assim decide no escuro. Ele separa o que a IA de fato resolve na análise de dados do que continua sendo trabalho de estrutura, mostra onde a pergunta em linguagem natural funciona e onde ela engana com confiança, e indica por onde começar sem trocar a ferramenta que a empresa acabou de comprar.

O que muda, e o que continua igual

O ciclo de análise de dados sempre teve as mesmas cinco etapas: coletar, organizar, calcular, interpretar e decidir. A IA não removeu nenhuma delas. O que ela fez foi baratear drasticamente a quarta, a interpretação, que até aqui dependia de alguém com tempo, contexto e domínio da ferramenta.

Isso é menos do que o mercado promete e mais do que parece. A interpretação era o gargalo real na maioria das empresas de porte médio: o relatório existia, ninguém lia, e quando lia não sabia o que fazer com ele. Um modelo que resume dez dashboards em cinco frases com a variação relevante destacada resolve um problema caro, mesmo sem calcular nada de novo.

O que continua exatamente igual é a base. Dado errado resumido por IA vira conclusão errada escrita com fluência, que é pior do que a planilha ninguém abriu. A ordem de importância não mudou: primeiro o dado confiável, depois a leitura automática.

As quatro coisas que o modelo faz bem sobre dado

Vale separar o que é capacidade real do que é demonstração de feira. Em cima de dado empresarial, os modelos de hoje entregam bem quatro coisas:

• Resumir variação. Dado um conjunto de números, dizer o que mudou, em relação a quando, e quanto isso pesa no total. É a tarefa em que o ganho é mais imediato e o risco, menor.
• Traduzir pergunta em consulta. Converter uma frase de negócio em uma consulta ao banco ou ao modelo de dados. Funciona bem quando o modelo de dados está documentado, e mal quando não está.
• Classificar texto em escala. Ler milhares de comentários, chamados ou respostas abertas e organizá-los em categorias consistentes. É o único dos quatro que faz algo que antes era inviável, não apenas mais rápido.
• Explicar um número para quem não é da área. Pegar um indicador e escrever o que ele significa para uma diretoria, com a ressalva certa.

Repare que nenhum dos quatro é previsão. Projeção de série temporal e propensão continuam sendo trabalho de modelo estatístico, com dado histórico e validação, e o recorte está em análise preditiva. Pedir previsão a um modelo de linguagem produz um número plausível sem nada por trás, e essa é a confusão mais cara da categoria.

Perguntar em linguagem natural: onde funciona e onde engana

A demonstração que vende é sempre a mesma: alguém digita “qual foi minha melhor região no trimestre” e um gráfico aparece. Funciona de verdade, e vale entender por quê e quando.

Funciona quando a pergunta é sobre algo que já está definido no modelo de dados. Se “região” é um campo, “trimestre” é um calendário conhecido e “melhor” tem uma métrica declarada, o modelo só precisa montar a consulta. O acerto é alto.

Engana quando a pergunta contém um conceito que a empresa nunca definiu formalmente. “Cliente ativo”, “margem real”, “churn” e “ticket médio” costumam ter três definições diferentes em três áreas da mesma empresa. O modelo vai escolher uma, não vai avisar qual, e vai responder com a mesma segurança dos casos anteriores. A resposta parece igual; a confiabilidade, não.

A consequência prática é direta: a pergunta em linguagem natural só é segura sobre um conjunto de métricas com definição escrita e única. Isso é governança, não IA, e é onde o projeto costuma travar. O tema está em governança de dados.

O dado desorganizado continua sendo o limite

Há uma esperança comum de que a IA leia dado bagunçado e resolva por inferência. Ela até faz isso em amostras pequenas, e é justamente por isso que a demonstração convence. Em escala, o resultado é instável: a mesma pergunta feita duas vezes pode cair em fontes diferentes e devolver números diferentes, e ninguém descobre isso até uma reunião com dois números na mesa.

O pré-requisito não mudou com a IA. É preciso uma fonte única para cada indicador, um histórico que não seja reescrito e uma definição por métrica. Quando isso não existe, o caminho passa por um data warehouse antes de qualquer camada de modelo. O diagnóstico de por que isso emperra na maioria das empresas está em por que empresas não usam dados.

Onde a IA entra no ciclo de BI

Colocando as cinco etapas lado a lado, dá para ver onde vale investir e onde não muda quase nada:

• Coletar: pouco ganho. Integração continua sendo conector, API e contrato de dado.
• Organizar: ganho moderado, na sugestão de transformação e na documentação do modelo de dados, com revisão humana obrigatória.
• Calcular: nenhum ganho. Soma continua sendo soma, e delegar isso ao modelo é introduzir erro onde não havia.
• Interpretar: ganho grande. É aqui que a camada se paga.
• Decidir: ganho indireto. A decisão melhora porque chega mais gente informada, não porque o modelo decidiu.

O erro de orçamento mais comum é distribuir o investimento igualmente pelas cinco. Na prática, o dinheiro rende em organizar e interpretar, e o resto segue como estava. O desenho do que a diretoria enxerga está em dashboard executivo.

Quanto custa, e o que decide o custo

Não é o preço do modelo. O consumo de uma camada de leitura sobre indicadores de uma empresa de porte médio costuma ser modesto, porque o volume de texto é pequeno perto do de dado bruto. O custo real está em três outras linhas.

A primeira é organizar o dado, que é o projeto que já existia e continua existindo. A segunda é escrever e manter as definições de métrica, um trabalho de pessoas que ninguém gosta de orçar. A terceira é a revisão: alguém precisa conferir as primeiras semanas de respostas, ou a camada vira fonte de erro com aparência de autoridade.

Quando essas três estão contempladas, o custo se comporta bem. Quando só a ferramenta é comprada, o projeto aparece barato no primeiro mês e caro no quarto. O raciocínio geral de retorno em iniciativas de IA está em IA para empresas.

Como começar sem trocar a stack

A boa notícia é que nada disso exige substituir a ferramenta de BI. O caminho mais curto tem quatro passos e cabe num trimestre.

1. Escolha três indicadores que já são confiáveis hoje e que alguém acompanha de verdade. Três, não trinta.
2. Escreva a definição de cada um em uma frase, com a fonte e a regra de cálculo. Esse documento é o projeto inteiro em miniatura.
3. Coloque a leitura automática só sobre eles, entregue no lugar onde a pessoa já olha, seja e-mail, painel ou mensagem.
4. Confira toda resposta por quatro semanas antes de ampliar. O que não sobrevive à conferência não deveria ter sido ampliado.

Se ao fim do trimestre as três leituras forem usadas em reunião sem que ninguém peça o relatório antigo, a camada provou o valor dela. Se o relatório antigo continua sendo aberto, o problema não era de leitura, e sim de confiança no dado.

Os erros mais comuns

• Pedir previsão ao modelo de linguagem. Ele devolve um número redondo e convincente, sem histórico nem validação por trás.
• Abrir a pergunta livre para a empresa toda no primeiro mês. Sem métrica definida, cada área recebe uma resposta diferente para a mesma pergunta.
• Deixar o cálculo com o modelo. Agregação é trabalho do banco. O modelo lê o resultado, não o produz.
• Tratar a camada como substituta do BI. Ela é leitura sobre o que existe. Sem o que existir, não há o que ler.
• Não guardar as perguntas feitas. O registro do que as pessoas perguntam é o melhor mapa de qual indicador ainda falta.

Por onde seguir

Se a empresa ainda não tem a base organizada, o começo não é por aqui: está em business intelligence para empresas, que trata do ciclo inteiro, e o recorte de decisão assistida em BI com IA na tomada de decisão. Se a base existe e o que falta é a camada construída em cima dela, com as definições de métrica e a integração ao que já roda, o caminho é o de software sob medida, e a decisão entre comprar pronto, adaptar ou construir está em build, buy ou customize. E quando a camada montada aqui dentro começa a parecer útil fora da empresa, a pergunta deixa de ser de dados e passa a ser de produto: o que separa uma ferramenta interna de algo vendável está em critérios de ferramenta interna com potencial de produto, e o trabalho de definir o que construir, em product discovery.

Perguntas frequentes