O problema

Toda segunda-feira a mesma cena: o indicador de vendas fecha, aparece um desvio e começa a caça ao motivo. Analistas passam dias cruzando região, canal, categoria, preço, ruptura e calendário para montar uma explicação que chega à diretoria na quarta-feira — quando a janela de reação já encolheu.

Pior: cada resposta dependia de quem analisou. Duas pessoas podiam chegar a conclusões diferentes com o mesmo dado.

Contexto

A empresa já tinha uma base analítica confiável (data warehouse modelado e camada semântica governada). A dor não era falta de dado — era a distância entre a pergunta da diretoria, feita em português, e a resposta, que exigia SQL, tempo e contexto.

Com LLMs maduros e baratos o suficiente para uso corporativo, a pergunta deixou de ser se era possível responder em linguagem natural — passou a ser como fazer isso com governança, sem alucinação e sem expor dado sensível.

A solução

Um AI Analyst interno, construído sobre a camada confiável existente:

  1. Interpretação da pergunta — “por que as vendas caíram 8% nesta semana?” é decomposta em métrica, período, comparação e segmentos relevantes.
  2. Consulta governada — o modelo não inventa SQL livre: gera consultas restritas à camada semântica aprovada, com métricas e definições já validadas.
  3. Análise automatizada — comparação com períodos equivalentes, decomposição por canal/região/categoria, detecção de anomalias e cruzamento com fatores conhecidos (feriados, rupturas, campanhas).
  4. Resposta com evidências — a explicação vem sempre acompanhada dos números que a sustentam, com link para o detalhamento.
  5. Trilha de auditoria — toda pergunta, consulta e resposta fica registrada para revisão.

Arquitetura

Pergunta em linguagem natural
        │
        ▼
   Interpretação + plano de análise (LLM)
        │
        ▼
   NL → SQL restrito à camada semântica
        │
        ▼
   BigQuery — consultas sobre dados confiáveis
        │
        ├── Decomposição de variação · anomalias · contexto
        ▼
   Síntese com evidências + trilha de auditoria

Implementação

Seis semanas: definição do conjunto inicial de perguntas críticas junto às áreas; construção do pipeline de interpretação e consulta restrita nas semanas duas e três; motor de decomposição de variações e síntese com evidências nas semanas quatro e cinco; piloto controlado com três áreas e calibragem final na sexta.

O escopo foi deliberadamente estreito: melhor um copiloto excelente para dez perguntas recorrentes do que um generalista mediano para qualquer pergunta.

Resultados

  • Investigação inicial de variação relevante de vendas respondida em minutos, com aprofundamento humano onde vale a pena [VALIDAR].
  • Todas as respostas rastreáveis: cada número citado aponta para a consulta e a tabela que o originou.
  • Três áreas adotaram o mesmo copiloto no piloto, reduzindo fila de análises ad hoc [VALIDAR].
  • Zero incidente de resposta sem lastro no dado durante o piloto.

ROI e impacto

A IA aqui não substituiu analista: devolveu tempo de análise profunda e reduziu drasticamente a latência entre desvio e decisão. Em termos práticos, a diretoria passou a reagir dentro da mesma semana em que o problema apareceu [VALIDAR].

E há um ganho silencioso que tende a crescer: cada interação bem-sucedida aumenta a confiança da organização em decidir com dado — exatamente o comportamento que todo o resto da plataforma existe para sustentar.