Dashboards gerados por IA: porque é que a verdade da sua empresa está no modelo semântico

Os Claude Dashboards são painéis interativos que o Claude, o assistente de IA da Anthropic, constrói a partir de uma pergunta de negócio. O utilizador liga uma fonte de dados, pergunta, por exemplo, "como evoluíram as vendas por região face ao mês anterior?", e o Claude escreve a consulta, escolhe os gráficos e mantém o painel atualizado quando os dados mudam. No lançamento, a Anthropic anunciou ligação a Amazon Redshift, BigQuery, ClickHouse, Databricks e Snowflake, e a aplicações como o Salesforce. Cada número é rastreável: ao clicar num valor, vê-se a consulta que o produziu e pode pedir-se uma explicação em linguagem simples. Cada gráfico mostra quando os dados foram atualizados. Os dashboards começam privados e, quando partilhados, cada pessoa consulta os dados com os seus próprios acessos. A funcionalidade está em beta nos planos pagos (Pro, Max, Team e Enterprise). Em Enterprise, só fica ativa depois de um administrador a ligar.

O Power BI não constava da lista de fontes do anúncio, mas a ligação já é possível. A Microsoft disponibiliza, em pré-visualização, um servidor MCP remoto do Power BI. O MCP (Model Context Protocol) é um protocolo aberto que permite a assistentes de IA de vários fornecedores ligarem-se a sistemas externos. Através dele, um assistente lê o esquema do modelo (tabelas, medidas, relações, descrições), gera e executa consultas DAX no contexto do utilizador autenticado, respeitando a segurança ao nível da linha. Testes independentes já mostraram Claude Dashboards a correr DAX em tempo real sobre modelos semânticos Power BI.

Não, e a própria Anthropic posiciona-os para perguntas exploratórias e análises rápidas, a funcionar ao lado das ferramentas de BI. É também esta a lógica do Copilot no Power BI e dos agentes de dados de outros fornecedores. Na prática, há dois usos diferentes: a exploração rápida (uma pergunta pontual da administração, preparar uma reunião) e o reporting oficial (fecho mensal, KPIs de gestão, reporting a acionistas), onde cada número tem de ser igual em todos os relatórios e auditável ao longo do tempo. O que liga os dois mundos é o modelo semântico.

Um modelo semântico é a camada que traduz as tabelas técnicas em conceitos de negócio. No Power BI, reúne as tabelas e as relações entre elas, as medidas em DAX, as hierarquias, os formatos e as regras de segurança que definem quem vê o quê. Outras plataformas têm camadas equivalentes, e o princípio é o mesmo em todas. Quando os dados chegam à IA como tabelas em bruto, é o modelo de linguagem que decide o que cada indicador significa. A resposta sai rápida, com um gráfico convincente, mas a definição foi uma interpretação. Alguns exemplos frequentes em empresas industriais e de serviços: ● Vendas: incluem notas de crédito e devoluções? Contam pela data da encomenda, da expedição ou da fatura? ● Margem: bruta, de contribuição ou operacional? Com que custos imputados? ● Cliente ativo: comprou nos últimos 3, 6 ou 12 meses? ● OEE: que paragens contam como planeadas e quais penalizam o indicador? Repare que nenhuma destas perguntas é técnica. São decisões de negócio. É por isso que um modelo semântico fiável não nasce no Power BI: assenta em três chaves. A preparação da informação garante que os dados chegam corretos, completos e com definições validadas. A preparação dos processos garante que cada regra (quando se reconhece uma venda, que paragem penaliza a eficiência) está definida, tem um dono e é igual em toda a organização. A preparação das pessoas garante que quem consulta sabe o que perguntar, como ler a resposta e quando desconfiar dela. Quando estas três chaves estão no lugar, a IA deixa de adivinhar. Consulta medidas já definidas, validadas pelo negócio e iguais às dos relatórios oficiais. Na prática, isto significa nomes de negócio em vez de códigos técnicos ("Vendas Líquidas" e não "SUM_VL_LIQ"), descrições em cada tabela, coluna e medida, cada KPI definido como medida explícita, uma tabela de datas única e o que é técnico fora de vista. As plataformas também já permitem preparar o modelo especificamente para IA, com instruções, seleção do esquema relevante e sinónimos para os termos que as equipas usam. É esta a ideia central: o dashboard é a montra, a ferramenta de IA é a porta, mas a verdade da empresa vive no modelo semântico. As ferramentas vão mudar várias vezes nos próximos anos. Um modelo bem preparado serve todas.

As ferramentas de IA respeitam as permissões das contas a que se ligam. O problema é que muitas empresas nunca definiram permissões ao nível do modelo, porque até agora eram os relatórios que faziam esse trabalho. Abrir um modelo semântico a um assistente de IA sem essa preparação é dar acesso a informação com uma granularidade que ninguém planeou. Os riscos mais comuns que encontramos são cinco: ● Segurança feita no relatório, não no modelo. Filtros fixos, páginas escondidas e colunas ocultas limitam o que um relatório mostra. Uma IA consulta o modelo inteiro e responde à granularidade que lhe pedirem: margem por cliente, custo por colaborador, linha de fatura. ● Ocultar não é proteger. Esconder uma coluna melhora a clareza do modelo, mas não impede o acesso. Para isso existe a segurança ao nível do objeto (OLS) e da linha (RLS). ● Papéis com mais acesso do que se pensa. No Power BI, o RLS não se aplica a quem tem papel de Administrador, Membro ou Contribuidor no workspace. Permissões de Build distribuídas sem critério têm o mesmo efeito prático. ● Dados que saem para o fornecedor. Mesmo com treino desativado e opções de prevenção de perda de dados, os dados e metadados consultados são processados pelo fornecedor da IA. Para setores regulados, isto é uma questão de RGPD e de política de dados, não um detalhe técnico. ● Ligações sem passar pelo IT. Nos planos individuais, qualquer pessoa pode ligar uma fonte de dados a um assistente. Sem regras, a empresa não sabe que dados estão expostos a que ferramentas. Nada disto é um argumento contra estas ferramentas. É um argumento a favor de preparar a casa antes de abrir a porta: definir no modelo quem vê o quê, com que detalhe, e com que regras de partilha. Aqui, a preparação dos processos (quem decide os acessos e com que critério) é tão importante como a configuração técnica.

Ligámos o Claude ao modelo semântico do BI interno da IMBS através do conector MCP do Power BI. Durante várias semanas construímos um dashboard de gestão com faturação, encomendas, demonstração de resultados, projetos, equipa e pipeline. Validámos cada número contra o número oficial: os mapas da contabilidade, o ERP e o software de registo de horas. A conclusão mais importante surpreendeu-nos. O assistente não inventou a definição de gastos com pessoal: usou a medida oficial do modelo, e herdou o erro que ela já tinha. Esse erro estava também no nosso relatório Power BI, sem que ninguém o tivesse detetado. A IA é tão fiável quanto o modelo semântico que consulta, para o bem e para o mal. Os outros problemas não eram de inteligência artificial, mas de preparação: limites técnicos que ninguém conhecia, códigos que não batiam entre sistemas, nomes ambíguos. Todos foram apanhados porque comparámos cada número com um total conhecido. É a recomendação que deixamos mais abaixo.

Estas ferramentas vão chegar às equipas de gestão, com ou sem plano formal. A melhor preparação é garantir que, quando chegarem, encontram informação fiável e bem protegida: 1. Inventariar os KPIs críticos. Listar os 10 a 20 indicadores que orientam decisões e documentar a definição oficial e o dono de cada um. 2. Avaliar o modelo semântico. Verificar se essas definições existem como medidas, com nomes de negócio e descrições claras. 3. Rever a segurança no modelo, não nos relatórios. Confirmar RLS e OLS, rever papéis nos workspaces e permissões de Build, e identificar a informação sensível ao nível de detalhe. 4. Definir regras de utilização de IA. Quem pode ligar fontes de dados, a que ferramentas, com que partilha, e que dados podem ser processados por fornecedores externos. 5. Testar com perguntas de resposta conhecida. Comparar os resultados da IA com totais já validados antes de alargar o uso. 6. Preparar as pessoas. Ensinar a verificar a consulta por trás de cada número, em vez de aceitar o gráfico por defeito. O investimento que hoje se faz no modelo semântico, e na preparação da informação, dos processos e das pessoas que o sustenta, é o que prepara a empresa para esta e para a próxima geração de ferramentas de análise, seja qual for o fornecedor.