{"id":14309,"date":"2026-07-27T20:03:26","date_gmt":"2026-07-27T20:03:26","guid":{"rendered":"https:\/\/cheesecakelabs.com\/blog\/br\/"},"modified":"2026-08-14T01:45:36","modified_gmt":"2026-08-14T01:45:36","slug":"analytics-com-agentes-de-ia-em-producao","status":"publish","type":"post","link":"https:\/\/cheesecakelabs.com\/blog\/br\/analytics-com-agentes-de-ia-em-producao\/","title":{"rendered":"Analytics com agentes de IA: o que o Snowflake CoWork substitui"},"content":{"rendered":"\n

H\u00e1 vinte anos, a resposta para “consigo uma vis\u00e3o de X?” \u00e9 sempre a mesma. Algu\u00e9m abre um chamado, o time de dados constr\u00f3i um dashboard e, tr\u00eas semanas depois, a pergunta de neg\u00f3cio j\u00e1 mudou. Esse modelo est\u00e1 chegando ao fim.<\/p>\n\n\n\n

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 tr\u00e1s das tr\u00eas est\u00e1 convergindo para os mesmos tr\u00eas componentes.<\/p>\n\n\n\n

Constru\u00edmos esses sistemas todos os dias. Este artigo re\u00fane o que aprendemos ao levar analytics com agentes de IA para produ\u00e7\u00e3o. A maior parte da experi\u00eancia vem do Snowflake, onde o ferramental amadureceu mais r\u00e1pido. Ainda assim, a arquitetura se aplica \u00e0s tr\u00eas plataformas.<\/p>\n\n\n\n

O que \u00e9 analytics com agentes de IA e como funciona?<\/h2>\n\n\n\n

O padr\u00e3o tem tr\u00eas partes, independentemente do nome que cada fornecedor usa:<\/p>\n\n\n\n

A camada sem\u00e2ntica define o que \u00e9 verdade<\/h3>\n\n\n\n

\u00c9 uma defini\u00e7\u00e3o governada do seu neg\u00f3cio: entidades, m\u00e9tricas, joins e regras como “horas s\u00e3o calculadas apenas em dias \u00fateis” ou “o realizado considera somente registros aprovados”. \u00c9 nessa camada que mora a corre\u00e7\u00e3o dos dados. Vale notar que as tr\u00eas plataformas a implementam de formas bem diferentes. No Snowflake, a semantic view \u00e9 um objeto declarativo que voc\u00ea mesmo escreve.<\/p>\n\n\n\n

O Genie Ontology, da Databricks, \u00e9 um knowledge graph que se aprimora sozinho. Ele extrai significado automaticamente de tabelas, queries, dashboards e aplica\u00e7\u00f5es conectadas. J\u00e1 os semantic models do Fabric herdam a linhagem de modelagem do Power BI<\/strong>. Mesma fun\u00e7\u00e3o, tr\u00eas filosofias: autoral, aprendida e nativa de BI.<\/p>\n\n\n\n

Os agentes herdam as permiss\u00f5es do usu\u00e1rio<\/h3>\n\n\n\n

S\u00e3o trabalhadores de Intelig\u00eancia Artificial<\/a> criados sob medida e apontados para essa camada sem\u00e2ntica. Cada um tem um objetivo delimitado: um agente de churn sobre os dados de vendas, um agente de capacidade sobre os dados de aloca\u00e7\u00e3o. Eles traduzem linguagem natural em SQL, executam a consulta e geram os gr\u00e1ficos. E, o mais importante, rodam com as credenciais do pr\u00f3prio usu\u00e1rio<\/em>.<\/p>\n\n\n\n

Nas palavras da Snowflake, “todos os controles de acesso baseados em pap\u00e9is e as pol\u00edticas de mascaramento de dados associados ao usu\u00e1rio se aplicam automaticamente”. Ou seja, se voc\u00ea n\u00e3o enxerga uma tabela, seu agente tamb\u00e9m n\u00e3o enxerga. N\u00e3o existe nova superf\u00edcie de seguran\u00e7a.<\/p>\n\n\n\n

A interface de chat substitui o chamado<\/h3>\n\n\n\n

\u00c9 um workspace dedicado, onde o usu\u00e1rio de neg\u00f3cio escolhe um agente e simplesmente pergunta. O Snowflake CoWork j\u00e1 est\u00e1 em GA, com aplicativo iOS complementar (Face ID, entrada por voz, sele\u00e7\u00e3o de papel e de warehouse). Os pap\u00e9is mant\u00eam o escopo sob controle: o usu\u00e1rio consulta dados, mas n\u00e3o consegue mexer em um warehouse ou em um pipeline<\/strong> por acidente.<\/strong><\/p>\n\n\n

\n
\"Um<\/figure>\n<\/div>\n\n\n
\n

Leia mais: <\/strong>Quando tirar seus dados das planilhas?<\/a><\/p>\n<\/blockquote>\n\n\n\n

Onde o analytics com agentes de IA gera retorno primeiro?<\/h2>\n\n\n\n

Os casos de uso com maior ROI que vemos t\u00eam uma caracter\u00edstica em comum: perguntas recorrentes com par\u00e2metros que mudam. \u00c9 exatamente o que os dashboards resolvem pior.<\/p>\n\n\n\n

Quais contas est\u00e3o dando churn e o que elas t\u00eam em comum?<\/h3>\n\n\n\n

“Quais contas reduziram o uso em mais de 20% neste trimestre<\/strong> e o que elas tinham em comum?” Um agente de churn sobre a camada sem\u00e2ntica de vendas responde em segundos. E a pergunta seguinte (“abra isso por plano”), que normalmente viraria outro chamado, \u00e9 s\u00f3 a pr\u00f3xima mensagem.<\/p>\n\n\n\n

Quem tem capacidade dispon\u00edvel nas pr\u00f3ximas duas semanas?<\/h3>\n\n\n\n

Apontamento de horas, saldo de banco de horas, utiliza\u00e7\u00e3o e planejamento de capacidade. “Quem tem capacidade dispon\u00edvel nas pr\u00f3ximas duas semanas?” “Algu\u00e9m est\u00e1 caminhando para hora extra neste m\u00eas?” Gestores de opera\u00e7\u00f5es fazem essas perguntas toda semana, e os par\u00e2metros mudam sempre. Esse \u00e9 um dos dom\u00ednios em que colocamos agentes de IA<\/a> em produ\u00e7\u00e3o. O efeito de fila de chamados desapareceu quase imediatamente.<\/p>\n\n\n\n

Por que esta linha subiu 14% neste m\u00eas?<\/h3>\n\n\n\n

O fechamento do m\u00eas concentra uma rajada de perguntas pontuais: explica\u00e7\u00f5es de varia\u00e7\u00e3o, ca\u00e7a 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.<\/p>\n\n\n\n

O que executivos perguntam quando nunca abrem o dashboard<\/h3>\n\n\n\n

L\u00edderes raramente abrem dashboards. Eles perguntam para pessoas. Dar a eles um agente, especialmente no celular, atende a esse comportamento em vez de contrari\u00e1-lo.<\/p>\n\n\n\n

O fio condutor \u00e9 simples: voc\u00ea n\u00e3o est\u00e1 substituindo relat\u00f3rios. Voc\u00ea est\u00e1 absorvendo a cauda longa<\/em> de perguntas que nunca justificaram construir um.<\/p>\n\n\n\n

\n

Leia mais:<\/strong> Sua estrat\u00e9gia de IA tem um problema de dados<\/a><\/p>\n<\/blockquote>\n\n\n\n

O que nos surpreendeu ao rodar analytics com agentes de IA em produ\u00e7\u00e3o?<\/h2>\n\n\n\n

Alguns aprendizados que n\u00e3o aparecem nas p\u00e1ginas de marketing:<\/p>\n\n\n\n

A configura\u00e7\u00e3o leva quatro comandos SQL. A camada sem\u00e2ntica leva meses<\/h3>\n\n\n\n

Habilitar o CoWork e publicar um agente funcional leva quatro comandos SQL. O CoCo, agente de c\u00f3digo da pr\u00f3pria Snowflake (antes chamado de Cortex Code), pode at\u00e9 escrever a especifica\u00e7\u00e3o do agente para voc\u00ea. Ele l\u00ea a semantic view e entende o modelo de dados.<\/p>\n\n\n\n

O esfor\u00e7o real de engenharia est\u00e1 na camada sem\u00e2ntica. \u00c9 ali que a experi\u00eancia faz diferen\u00e7a. Se as suas regras de neg\u00f3cio n\u00e3o estiverem mapeadas e descritas nela, nenhum modelo vai te salvar<\/strong>. Essa \u00e9 a nova modelagem de dados: uma habilidade, n\u00e3o um item de checklist.<\/p>\n\n\n\n

Os agentes percebem os pr\u00f3prios erros<\/h3>\n\n\n\n

Em uma das implementa\u00e7\u00f5es, um agente notou que os totais calculados eram altos demais para uma \u00fanica pessoa. Ele rastreou a anomalia at\u00e9 linhas duplicadas em um join de diret\u00f3rio, corrigiu a query e explicou a corre\u00e7\u00e3o<\/em> antes de apresentar o resultado. Esse ciclo de autoverifica\u00e7\u00e3o \u00e9 a diferen\u00e7a entre uma demo de text-to-SQL<\/strong> e algo que voc\u00ea coloca na frente de um stakeholder.<\/p>\n\n\n\n

A ado\u00e7\u00e3o segue a confian\u00e7a, e a confian\u00e7a segue o escopo<\/h3>\n\n\n\n

Agentes amplos, do tipo “pergunte qualquer coisa sobre a empresa”, entregam pouco. Eles hesitam, ignoram regras de neg\u00f3cio e perdem a confian\u00e7a do usu\u00e1rio ap\u00f3s uma \u00fanica resposta errada. J\u00e1 os agentes restritos<\/strong>, com instru\u00e7\u00f5es expl\u00edcitas (“use registros aprovados; prefira agrega\u00e7\u00f5es semanais; sempre gere gr\u00e1fico”), acertam de forma consistente. A ado\u00e7\u00e3o cresce a partir da\u00ed.<\/p>\n\n\n\n

O custo \u00e9 por uso, e vale entender antes de se comprometer<\/h3>\n\n\n\n

Desde abril de 2026, a Snowflake cobra IA em AI Credits<\/em> de pre\u00e7o fixo: US$ 2,00 cada<\/a> (roteamento global; US$ 2,20 regional), desacoplados da sua edi\u00e7\u00e3o do Snowflake. Mas um AI Credit n\u00e3o equivale a um milh\u00e3o de tokens. O consumo \u00e9 medido por milh\u00e3o de tokens, com input e output cobrados separadamente. Al\u00e9m disso, a taxa de cr\u00e9ditos por milh\u00e3o depende do modelo de orquestra\u00e7\u00e3o escolhido.<\/p>\n\n\n\n

Um modelo mais capaz pode consumir v\u00e1rios cr\u00e9ditos por milh\u00e3o de tokens de input e um m\u00faltiplo disso no output. Por isso, o custo real por milh\u00e3o de tokens fica bem acima de US$ 2. Consulte a Service Consumption Table<\/a> do seu modelo. Some a isso o compute normal do warehouse, que \u00e9 atribu\u00edvel por agente. O ponto que continua valendo: n\u00e3o h\u00e1 licenciamento por assento, e um piloto com escopo definido \u00e9 realmente barato. Mas “cerca de US$ 2” \u00e9 o pre\u00e7o do cr\u00e9dito, n\u00e3o a sua conta de tokens.<\/p>\n\n\n\n

Ele preenche uma lacuna real<\/h3>\n\n\n\n

O Snowflake n\u00e3o tem uma camada nativa de analytics para usu\u00e1rios n\u00e3o t\u00e9cnicos. Talvez a sua stack seja Snowflake sem uma ferramenta de BI por cima, ou com uma que s\u00f3 os analistas abrem. Nesse caso, este \u00e9 o caminho mais curto para self-service de verdade. Os usu\u00e1rios de neg\u00f3cio nem precisam ver o console do Snowflake. O CoWork tem link pr\u00f3prio, delimitado por papel.<\/p>\n\n\n\n

\n

Leia mais: <\/strong>Spec-Driven Development: como capturar a inten\u00e7\u00e3o antes de queimar tokens<\/a><\/p>\n<\/blockquote>\n\n\n\n

O analytics com agentes de IA substitui a sua ferramenta de BI?<\/h2>\n\n\n\n

Ainda n\u00e3o. E a resposta mais precisa tem mais nuance do que um simples “n\u00e3o”.<\/p>\n\n\n\n

O CoWork de fato<\/em> gera visualiza\u00e7\u00f5es, e elas persistem. Cada gr\u00e1fico ou tabela que ele produz vira um Artifact<\/strong> salvo, que voc\u00ea pode fixar, compartilhar e revisitar sem precisar perguntar de novo. Ele suporta a maior parte dos tipos de gr\u00e1fico do Vega-Lite: barras, linhas, heatmaps, box plots, eixo duplo e small multiples. Ou seja, a sa\u00edda \u00e9 real, n\u00e3o uma imagem descart\u00e1vel em um log de conversa. Se a sua defini\u00e7\u00e3o de “dashboard” for “um gr\u00e1fico ao qual eu consigo voltar”, o CoWork j\u00e1 atende.<\/p>\n\n\n\n

O que ele n\u00e3o<\/em> \u00e9: um produto de BI governado. Ele n\u00e3o entrega um painel \u00fanico e curado, com uma dezena de KPIs dispostos exatamente como voc\u00ea quer. Tamb\u00e9m n\u00e3o oferece atualiza\u00e7\u00e3o agendada, distribui\u00e7\u00e3o por e-mail nem embed para quem nunca acessa o Snowflake. Alertas e formata\u00e7\u00e3o pixel-perfect tamb\u00e9m ficam de fora. Isso continua sendo territ\u00f3rio de dashboard no Power BI, no Tableau ou no Snowsight: monitoramento curado e recorrente, com ampla distribui\u00e7\u00e3o e custo previs\u00edvel.<\/p>\n\n\n\n

A divis\u00e3o de trabalho, portanto, \u00e9 esta: o monitoramento fica na tela; a explora\u00e7\u00e3o vai para a conversa.<\/strong> O que o analytics com agentes de IA elimina \u00e9 o dashboard criado para responder a uma pergunta, uma \u00fanica vez, e que ningu\u00e9m mant\u00e9m depois.<\/p>\n\n\n\n

Times que apresentam a mudan\u00e7a dessa forma conseguem ado\u00e7\u00e3o. Times que anunciam “vamos substituir o Power BI” ganham uma disputa de territ\u00f3rio. Vale um alerta para qualquer cliente: essa fronteira se move r\u00e1pido. O rebrand do CoWork trouxe automa\u00e7\u00e3o de fluxos de trabalho<\/strong> e orquestra\u00e7\u00e3o de m\u00faltiplos agentes. Por isso, a frase “n\u00e3o constr\u00f3i dashboards” tende a perder for\u00e7a nos pr\u00f3ximos releases. Aposte na divis\u00e3o de trabalho, n\u00e3o na lacuna atual de funcionalidades.<\/p>\n\n\n\n

Como se comparam Snowflake CoWork, Databricks Genie One e Fabric Data Agents?<\/h2>\n\n\n\n

Esta \u00e9 a parte que importa se voc\u00ea est\u00e1 escolhendo (ou j\u00e1 escolheu) uma plataforma: a arquitetura est\u00e1 convergindo, e por isso as habilidades<\/em> s\u00e3o transfer\u00edveis.<\/p>\n\n\n\n