"IA no dashboard" não é IA nos seus dados
Um assistente que resume o gráfico que você já estava olhando responde a pergunta que você já tinha respondido. A pergunta cara é outra, e ela exige acesso ao dado cru — com definição de negócio escrita.
Toda ferramenta de dados ganhou um assistente no último ano. Você abre o painel, clica no ícone brilhante e ele explica que as vendas caíram 12% na terça. Você estava olhando o gráfico. Você já sabia.
Isso não é inútil — economiza a leitura. Mas é resposta para a pergunta que já tinha resposta. A pergunta cara é a que não cabe em painel nenhum, porque ela atravessa fontes que ninguém juntou.
As três camadas, e onde cada IA para
| Camada | O que a IA faz aí | O teto |
|---|---|---|
| Sobre o gráfico | Descreve e resume o que já está na tela | Não vê nada fora do recorte do painel |
| Sobre a tabela | Escreve consulta em uma base já modelada | Erra a definição de negócio se ela não estiver escrita |
| Sobre o negócio | Cruza fontes, resolve identidade, responde "quem" | Depende de os dados estarem no mesmo lugar |
A maior parte do que é vendido como IA de dados vive na primeira camada. A terceira é a que muda decisão.
Texto para SQL não é o problema
Circula a estatística de que os modelos chegaram a cerca de 95% de acerto convertendo pergunta em SQL. É verdade e é enganoso ao mesmo tempo: essa medição é feita sobre bases de teste bem documentadas, com nomes de coluna que descrevem o que guardam.
Na sua base, o modelo vai encontrar quatro colunas de data, duas de valor, e uma coluna chamada status com quatorze valores possíveis, dos quais dois significam venda. Ele vai escrever um SQL sintaticamente perfeito e semanticamente errado. E vai apresentar o resultado com a mesma confiança.
O risco de uma IA sobre dados de negócio não é ela falhar. É ela acertar a sintaxe e errar a definição — porque aí o número parece bom e ninguém confere.
O que faz a diferença: a definição escrita uma vez
A peça que separa um assistente que erra de um que acerta não é o modelo. São as definições do negócio, escritas em algum lugar que a IA leia — e escritas uma vez só, não repetidas em cada pergunta.
- O que conta como venda. Num checkout comum existem estados de aprovado, concluído, disputado, reembolsado e cancelado. Se "venda" não estiver definido, cada resposta usa um recorte diferente.
- Renovação é venda nova? Em assinatura, contar renovação como aquisição infla tudo que depende de custo por venda.
- Qual moeda. Uma única transação em outra moeda somada sem conversão já inflou o faturamento de um mês inteiro num caso que medimos.
- Qual é a data que importa. Data do pedido, da aprovação ou do repasse dão três respostas diferentes para a mesma pergunta.
- O que é um lead. Visitante identificado, contato no CRM e inscrito na lista são três coisas, e todo mundo chama as três de lead.
Repare que nenhuma dessas é uma questão de inteligência artificial. São questões de modelagem, e elas já atrapalhavam o time humano antes de a IA chegar — só que um analista pergunta quando fica em dúvida, e o modelo não.
A diferença que a resolução de identidade faz
Existe uma classe de pergunta que só fica respondível quando os eventos estão ligados a pessoas, e não a sessões. São as perguntas de "quem":
- Quem comprou hoje e nunca tinha aparecido no CRM?
- Quantas vendas vieram de gente que tinha clicado num anúncio há mais de trinta dias?
- Qual campanha traz o lead que responde, e não só o lead que entra?
- Quanto do faturamento do mês veio de quem já era cliente?
Numa base onde cada ferramenta guarda o próprio pedaço, nenhuma delas tem resposta — nem para a IA, nem para você. É por isso que a conversa sobre IA nos dados do negócio termina, invariavelmente, numa conversa sobre onde os dados estão.
O teste honesto
Antes de assinar qualquer coisa com "IA" no nome, faça uma pergunta que atravesse duas fontes. Algo como: das vendas de ontem, quantas vieram de alguém que visitou o site na semana passada por um anúncio pago?
Se a ferramenta pedir para você escolher um painel, ela está na primeira camada. Se ela responder com um número, peça a consulta que gerou o número — e confira a definição de venda que ela usou.
No CrazyLeads a IA conversa com o dado cru pelo conector de MCP, dentro do projeto ativo, e as definições de negócio ficam no próprio modelo — não no prompt de quem perguntou.