Duas famílias de inteligência

Selo de estado: Preview (teto atual do produto) · Curso ACD-410 — Ingestia AI: perguntar aos dados com proveniência · Aula 1 de 8 · Atualizado em 2026-10-04.

Objetivo#

Ao final desta aula você vai classificar cada capacidade (manda dado para LLM?) — e saber, antes de clicar, se aquele botão envia contexto para fora do produto, se consome orçamento de IA e se o resultado é reproduzível.

Vídeo#

Identificador no manifesto: acd-410-01-deterministico-vs-llm · duração-alvo 6 min · tela do produto: /query.

Roteiro de gravação (5 capítulos):

Conteúdo#

A pergunta que organiza o curso inteiro

Tudo o que o produto chama de "inteligência" cai em uma de duas famílias, e a diferença entre elas não é de qualidade — é de privacidade, custo e garantia. A pergunta que separa as duas é sempre a mesma: este botão envia algum dado meu para fora do produto?

Na família determinística estão: detecção de anomalias, previsões, alertas e webhooks e decomposição de variação. Um LLM nunca decide se algo é anomalia, nunca projeta uma série e nunca dispara um alerta.

Com LLM estão: text-to-SQL, Q&A do dashboard, insights do painel, narrativa de relatório e geração assistida de medida/visual/dashboard. São essas cinco que passam pelos controles de envio externo, orçamento e recusa que o resto do curso detalha.

Por que a distinção importa na prática

Três conversas reais ficam fáceis quando você sabe classificar:

• Com a diretoria. "A IA de vocês manda meus dados para fora?" A resposta honesta depende da capacidade: o alerta e a anomalia, não; a pergunta em linguagem natural, sim — e nesse caso sai estrutura (nomes de tabela e coluna), não linhas. Qual dado sai em cada caso é a aula 2.
• Com o financeiro. Orçamento de IA só é consumido pela família com LLM. Um painel cheio de anomalias e alertas não gasta um centavo de token. Há teto mensal por workspace (reserva → liquidação) e, quando ele estoura, a capacidade recusa em vez de gastar em silêncio.
• Com quem decide. Um número vindo da família determinística é reproduzível: rodando de novo dá o mesmo resultado. Um texto vindo de LLM é uma proposta verificada — a verificação é determinística, mas a interpretação de negócio continua sendo sua.

Existe ainda uma chave de desligamento do envio externo. Com ela ativa, nenhuma chamada a modelo acontece, mesmo com credencial configurada, e as capacidades com LLM caem num resultado honesto — nada sai da plataforma. A família determinística continua funcionando igual, porque nunca dependeu disso.

Onde isso aparece nas telas

Em /query ("Assistente de perguntas para SQL") a primeira coisa na tela é o bloco "Como funciona", que diz, antes de você digitar: a IA propõe o SQL, executar é uma ação separada, nenhuma credencial é enviada ao modelo e colunas marcadas como dado pessoal não entram no que sai. Logo abaixo aparece o contexto usado (seu modelo semântico publicado, suas tabelas tratadas, ou uma amostra de demonstração rotulada como exemplo) e quanto do limite de IA do mês já foi consumido. Família com LLM — está escrito na própria tela.

No painel, o botão ✨ abre o painel lateral com "Explicar este dashboard" e a caixa "Pergunte aos seus dados…": também família com LLM, mas sobre o snapshot já carregado ("respostas baseadas nos dados já carregados — sem custo de consulta"). Já o cartão de anomalia dentro do painel e o alerta que chega por e-mail ou webhook não têm ✨ nenhum: são determinísticos.

Em /auditoria (área do dono) a diferença fica material: uma capacidade com LLM deixa o trio ai.reserva → ai.usage → ai.reserva_liquidada, com custo em reais e um opId que casa os três. Uma anomalia detectada não deixa nenhum desses eventos, porque não houve envio nem token.

Exemplo: a Aurora Varejo

Duas frases parecidas, duas famílias diferentes:

• "Receita por categoria nos últimos 30 dias" em /query → com LLM. A resposta esperada é uma proposta: o SQL somente-leitura sobre aurora_gold.vendas, a explicação em português, o custo estimado por execução (algo como "R$ 0,02 · ~180 MB processados") e as tabelas citadas. Nada foi executado no datalake ainda.
• "Me avise quando a receita diária cair mais de 20% contra a média das últimas 4 semanas" → determinística. O alerta compara limiares no servidor, tem backtest e dispara igual todas as vezes. Não gasta token e não envia linha nenhuma para fora.

Erros comuns

O que estas capacidades NÃO fazem

Nenhuma delas afirma causa e efeito que os dados não comprovam: a narrativa usa só números presentes, o Q&A só afirma o que consegue citar, insights são hipóteses a investigar, anomalia e previsão descrevem desvio e tendência estatísticos. Correlação vista num painel não vira "X causou Y". E nenhuma capacidade com LLM publica nada sozinha: ela propõe, você confirma.

Faça você mesmo#

No workspace de treino Aurora Varejo. Este exercício não consome orçamento de IA: é classificação e leitura de tela, sem disparar nenhuma chamada a modelo.

1. Abra /query e leia o bloco "Como funciona" no topo do assistente. Anote as quatro frases do contrato (propõe · executar é separado · nenhuma credencial sai · dado pessoal fica fora).
2. Na mesma tela, localize o rótulo de contexto usado e diga de onde vem o que a IA enxerga: modelo semântico publicado, suas tabelas tratadas ou amostra de demonstração.
3. Abra um painel da Aurora e clique no ✨. Sem gerar nada, identifique quais blocos do painel lateral dependeriam de um LLM e quais não.
4. Monte a sua tabela das 8 capacidades — text-to-SQL, Q&A, insights, narrativa de relatório, geração assistida, anomalias, previsões, alertas — com três colunas: manda dado para LLM?, consome orçamento de IA?, resultado reproduzível?.
5. Confira a sua tabela contra a visão geral da IA e corrija o que divergiu.
6. Se você for dono do workspace, abra /auditoria e procure ações que começam com ai. — veja se há pares de reserva e liquidação. Se não houver nenhum evento, registre a razão: ninguém usou IA neste workspace ainda.

Você terminou quando a sua tabela classificar as 8 capacidades sem erro e você conseguir justificar cada "sim" na coluna de LLM apontando onde isso aparece na tela ou na auditoria.

Checagem rápida#

Três perguntas no final da aula, corrigidas no servidor. A aula só conta como concluída depois da checagem.

Documentação relacionada#

• ai/index
• ai/privacidade-egress-orcamento
• ai/anomalias

Capacidades ensinadas#

C00.5 — o selo exibido na aula é sempre o estado mais conservador entre as capacidades citadas; nada aqui é "GA".