Há vinte anos, a resposta para “consigo uma visão de X?” é sempre a mesma. Alguém abre um chamado, o time de dados constrói um dashboard e, três semanas depois, a pergunta de negócio já mudou. Esse modelo está chegando ao fim.
Hoje, todas as grandes plataformas de dados entregam uma camada conversacional com agentes sobre o data warehouse: Snowflake CoWork, Databricks Genie One e Microsoft Fabric Data Agents. A arquitetura por trás das três está convergindo para os mesmos três componentes.
Construímos esses sistemas todos os dias. Este artigo reúne o que aprendemos ao levar analytics com agentes de IA para produção. A maior parte da experiência vem do Snowflake, onde o ferramental amadureceu mais rápido. Ainda assim, a arquitetura se aplica às três plataformas.
O que é analytics com agentes de IA e como funciona?
O padrão tem três partes, independentemente do nome que cada fornecedor usa:
A camada semântica define o que é verdade
É uma definição governada do seu negócio: entidades, métricas, joins e regras como “horas são calculadas apenas em dias úteis” ou “o realizado considera somente registros aprovados”. É nessa camada que mora a correção dos dados. Vale notar que as três plataformas a implementam de formas bem diferentes. No Snowflake, a semantic view é um objeto declarativo que você mesmo escreve.
O Genie Ontology, da Databricks, é um knowledge graph que se aprimora sozinho. Ele extrai significado automaticamente de tabelas, queries, dashboards e aplicações conectadas. Já os semantic models do Fabric herdam a linhagem de modelagem do Power BI. Mesma função, três filosofias: autoral, aprendida e nativa de BI.
Os agentes herdam as permissões do usuário
São trabalhadores de Inteligência Artificial criados sob medida e apontados para essa camada semântica. Cada um tem um objetivo delimitado: um agente de churn sobre os dados de vendas, um agente de capacidade sobre os dados de alocação. Eles traduzem linguagem natural em SQL, executam a consulta e geram os gráficos. E, o mais importante, rodam com as credenciais do próprio usuário.
Nas palavras da Snowflake, “todos os controles de acesso baseados em papéis e as políticas de mascaramento de dados associados ao usuário se aplicam automaticamente”. Ou seja, se você não enxerga uma tabela, seu agente também não enxerga. Não existe nova superfície de segurança.
A interface de chat substitui o chamado
É um workspace dedicado, onde o usuário de negócio escolhe um agente e simplesmente pergunta. O Snowflake CoWork já está em GA, com aplicativo iOS complementar (Face ID, entrada por voz, seleção de papel e de warehouse). Os papéis mantêm o escopo sob controle: o usuário consulta dados, mas não consegue mexer em um warehouse ou em um pipeline por acidente.
Leia mais: Quando tirar seus dados das planilhas?
Onde o analytics com agentes de IA gera retorno primeiro?
Os casos de uso com maior ROI que vemos têm uma característica em comum: perguntas recorrentes com parâmetros que mudam. É exatamente o que os dashboards resolvem pior.
Quais contas estão dando churn e o que elas têm em comum?
“Quais contas reduziram o uso em mais de 20% neste trimestre e o que elas tinham em comum?” Um agente de churn sobre a camada semântica de vendas responde em segundos. E a pergunta seguinte (“abra isso por plano”), que normalmente viraria outro chamado, é só a próxima mensagem.
Quem tem capacidade disponível nas próximas duas semanas?
Apontamento de horas, saldo de banco de horas, utilização e planejamento de capacidade. “Quem tem capacidade disponível nas próximas duas semanas?” “Alguém está caminhando para hora extra neste mês?” Gestores de operações fazem essas perguntas toda semana, e os parâmetros mudam sempre. Esse é um dos domínios em que colocamos agentes de IA em produção. O efeito de fila de chamados desapareceu quase imediatamente.
Por que esta linha subiu 14% neste mês?
O fechamento do mês concentra uma rajada de perguntas pontuais: explicações de variação, caça a anomalias, “por que esta linha subiu 14%?”. Tradicionalmente, tudo isso cai de uma vez na mesa de um analista. Um agente absorve essa rajada.
O que executivos perguntam quando nunca abrem o dashboard
Líderes raramente abrem dashboards. Eles perguntam para pessoas. Dar a eles um agente, especialmente no celular, atende a esse comportamento em vez de contrariá-lo.
O fio condutor é simples: você não está substituindo relatórios. Você está absorvendo a cauda longa de perguntas que nunca justificaram construir um.
O que nos surpreendeu ao rodar analytics com agentes de IA em produção?
Alguns aprendizados que não aparecem nas páginas de marketing:
A configuração leva quatro comandos SQL. A camada semântica leva meses
Habilitar o CoWork e publicar um agente funcional leva quatro comandos SQL. O CoCo, agente de código da própria Snowflake (antes chamado de Cortex Code), pode até escrever a especificação do agente para você. Ele lê a semantic view e entende o modelo de dados.
O esforço real de engenharia está na camada semântica. É ali que a experiência faz diferença. Se as suas regras de negócio não estiverem mapeadas e descritas nela, nenhum modelo vai te salvar. Essa é a nova modelagem de dados: uma habilidade, não um item de checklist.
Os agentes percebem os próprios erros
Em uma das implementações, um agente notou que os totais calculados eram altos demais para uma única pessoa. Ele rastreou a anomalia até linhas duplicadas em um join de diretório, corrigiu a query e explicou a correção antes de apresentar o resultado. Esse ciclo de autoverificação é a diferença entre uma demo de text-to-SQL e algo que você coloca na frente de um stakeholder.
A adoção segue a confiança, e a confiança segue o escopo
Agentes amplos, do tipo “pergunte qualquer coisa sobre a empresa”, entregam pouco. Eles hesitam, ignoram regras de negócio e perdem a confiança do usuário após uma única resposta errada. Já os agentes restritos, com instruções explícitas (“use registros aprovados; prefira agregações semanais; sempre gere gráfico”), acertam de forma consistente. A adoção cresce a partir daí.
O custo é por uso, e vale entender antes de se comprometer
Desde abril de 2026, a Snowflake cobra IA em AI Credits de preço fixo: US$ 2,00 cada (roteamento global; US$ 2,20 regional), desacoplados da sua edição do Snowflake. Mas um AI Credit não equivale a um milhão de tokens. O consumo é medido por milhão de tokens, com input e output cobrados separadamente. Além disso, a taxa de créditos por milhão depende do modelo de orquestração escolhido.
Um modelo mais capaz pode consumir vários créditos por milhão de tokens de input e um múltiplo disso no output. Por isso, o custo real por milhão de tokens fica bem acima de US$ 2. Consulte a Service Consumption Table do seu modelo. Some a isso o compute normal do warehouse, que é atribuível por agente. O ponto que continua valendo: não há licenciamento por assento, e um piloto com escopo definido é realmente barato. Mas “cerca de US$ 2” é o preço do crédito, não a sua conta de tokens.
Ele preenche uma lacuna real
O Snowflake não tem uma camada nativa de analytics para usuários não técnicos. Talvez a sua stack seja Snowflake sem uma ferramenta de BI por cima, ou com uma que só os analistas abrem. Nesse caso, este é o caminho mais curto para self-service de verdade. Os usuários de negócio nem precisam ver o console do Snowflake. O CoWork tem link próprio, delimitado por papel.
Leia mais: Spec-Driven Development: como capturar a intenção antes de queimar tokens
O analytics com agentes de IA substitui a sua ferramenta de BI?
Ainda não. E a resposta mais precisa tem mais nuance do que um simples “não”.
O CoWork de fato gera visualizações, e elas persistem. Cada gráfico ou tabela que ele produz vira um Artifact salvo, que você pode fixar, compartilhar e revisitar sem precisar perguntar de novo. Ele suporta a maior parte dos tipos de gráfico do Vega-Lite: barras, linhas, heatmaps, box plots, eixo duplo e small multiples. Ou seja, a saída é real, não uma imagem descartável em um log de conversa. Se a sua definição de “dashboard” for “um gráfico ao qual eu consigo voltar”, o CoWork já atende.
O que ele não é: um produto de BI governado. Ele não entrega um painel único e curado, com uma dezena de KPIs dispostos exatamente como você quer. Também não oferece atualização agendada, distribuição por e-mail nem embed para quem nunca acessa o Snowflake. Alertas e formatação pixel-perfect também ficam de fora. Isso continua sendo território de dashboard no Power BI, no Tableau ou no Snowsight: monitoramento curado e recorrente, com ampla distribuição e custo previsível.
A divisão de trabalho, portanto, é esta: o monitoramento fica na tela; a exploração vai para a conversa. O que o analytics com agentes de IA elimina é o dashboard criado para responder a uma pergunta, uma única vez, e que ninguém mantém depois.
Times que apresentam a mudança dessa forma conseguem adoção. Times que anunciam “vamos substituir o Power BI” ganham uma disputa de território. Vale um alerta para qualquer cliente: essa fronteira se move rápido. O rebrand do CoWork trouxe automação de fluxos de trabalho e orquestração de múltiplos agentes. Por isso, a frase “não constrói dashboards” tende a perder força nos próximos releases. Aposte na divisão de trabalho, não na lacuna atual de funcionalidades.
Como se comparam Snowflake CoWork, Databricks Genie One e Fabric Data Agents?
Esta é a parte que importa se você está escolhendo (ou já escolheu) uma plataforma: a arquitetura está convergindo, e por isso as habilidades são transferíveis.
- Snowflake CoWork: agentes definidos em SQL/YAML sobre semantic views, conectores MCP para contexto externo, skills customizadas e atribuição de warehouse por agente.
- Databricks Genie One: um “colega de trabalho com agentes” sobre Genie Spaces e metric views, movido pelo knowledge graph do Genie Ontology.
- Microsoft Fabric Data Agents: agentes conversacionais configuráveis sobre o OneLake e os semantic models, publicáveis direto no M365 Copilot para que os usuários perguntem dentro do Teams.
A camada do fornecedor muda; a disciplina não. Em todos os casos, o resultado depende das mesmas coisas. São elas: uma camada semântica bem modelada, agentes com escopo restrito, permissões bem definidas e uma divisão de trabalho realista com o BI que você já tem. Esse é justamente o tipo de trabalho que independe de plataforma. E é justamente onde a maioria dos times trava.
Como implantar analytics com agentes de IA sem perder o apoio do time?
O playbook que usamos, de forma condensada:
- Escolha um domínio, não “a empresa”: selecione a área em que o mesmo tipo de pergunta chega toda semana e a resposta hoje é um chamado.
- Invista primeiro na camada semântica: mapeie as entidades, as métricas e, principalmente, as regras de negócio e suas exceções. Isso representa 80% do esforço e 100% da qualidade.
- Escreva agentes como descrições de vaga: escopo explícito, regras explícitas e preferências de saída explícitas. Agentes vagos dão respostas vagas.
- Acerte o desenho de acessos no primeiro dia: os agentes herdam as permissões do usuário. Defina quais papéis enxergam quais agentes, lembrando que eles vivem em schemas e o acesso ao schema é a alavanca. Em seguida, entregue aos usuários de negócio o link do chat, não o console.
- Meça a redução de chamados, não o volume de conversas: a métrica de sucesso são as perguntas que deixaram de chegar ao time de dados. Depois, expanda domínio a domínio.
As plataformas tornaram a tecnologia trivial. O julgamento é onde está a alavancagem: o que modelar, como delimitar o escopo e em que situações a conversa supera o dashboard.
Pronto para tornar seus dados respondíveis? Se o seu time de dados ainda absorve as mesmas perguntas toda semana, nós mapeamos a sua camada semântica e definimos o escopo do primeiro agente. Agende uma conversa e vamos dizer exatamente o que construiríamos e o que não construiríamos.
