Gerar medida/visual/dashboard com validação determinística

Selo de estado: Preview (teto atual do produto) · Curso ACD-410 — Ingestia AI: perguntar aos dados com proveniência · Aula 7 de 8 · Atualizado em 2026-10-04.

Objetivo#

Ao final desta aula você vai gerar medida e revisar antes de aceitar — lendo o campo de validação como o que ele é (resultado dos validadores reais do editor, não aprovação do LLM) e tratando o artefato como rascunho até você confirmar.

Vídeo#

Identificador no manifesto: acd-410-07-geracao-assistida · duração-alvo 7 min · tela do produto: /query.

Roteiro de gravação (5 capítulos):

#	Minutagem-alvo	Capítulo	Tela do produto
1	0:00–0:45	Abertura: título + selo `Preview`. A frase que organiza a aula: o LLM propõe, o código valida, o humano confirma.	`/dashboards/[id]` (editor do painel da Aurora)
2	0:45–2:30	Pedir uma medida em português ("margem percentual sobre a receita") e ler o artefato devolvido: nome, fórmula, formato e o campo de validação.	`/dashboards/[id]` (aba de medidas)
3	2:30–4:10	De onde vem a validação: os mesmos validadores do editor — validação de medida, verificação de tipos da fórmula, compilação do modelo para SQL, lista permitida de visuais, validação de SQL livre. Nenhum deles é o LLM.	`/dashboards/[id]` (editor de fórmula)
4	4:10–5:50	Pedir algo impossível e ver o rascunho honesto: autocorreção uma vez, e se persistir o artefato sai como rascunho com os erros à mostra. Custo das duas chamadas somado.	`/dashboards/[id]`
5	5:50–7:00	A IA nunca publica: a escrita acontece na ação de confirmação humana. Conferir custo em `/auditoria`. Encerramento com o "faça você mesmo".	`/auditoria`

Conteúdo#

O LLM propõe, o código valida, o humano confirma

A geração assistida produz três tipos de artefato: medida, visual e esqueleto de dashboard. Você descreve em português o que quer; a IA devolve um artefato estruturado — pronto para revisar, nunca publicado.

O ponto que muda tudo é o campo validação do artefato. Ele não é opinião do modelo: é sempre preenchido pelos validadores determinísticos reais do produto, os mesmos que rodam quando você digita uma fórmula à mão no editor.

Etapa	Quem faz	O que garante
Entender o pedido e redigir o artefato	LLM (Anthropic)	nada por si só — é proposta
Montar o contexto (modelo do dashboard + catálogo sem dado pessoal, dentro do fence)	código	dado pessoal não entra; nenhuma linha de dado viaja, só estrutura
Validar a medida e verificar os tipos da fórmula	código (validadores do editor)	fórmula que não compila não passa como válida
Compilar o modelo para SQL	código	o artefato tem que fazer sentido no modelo real
Lista permitida de visuais	código	só visuais de dados suportados
Execução seca real no BigQuery (quando configurado)	motor de consulta	SQL inválido reprova no BigQuery, não no LLM
Autocorreção (uma vez)	LLM, com os erros em português	segunda tentativa; conta como segunda chamada e o custo é somado
Publicar	você	a IA nunca publica

Nas telas

O pedido parte do editor do painel (/dashboards/[id]): você descreve a medida, o visual ou o painel que quer. O artefato volta com o conteúdo proposto e o resultado da validação. Dois desfechos possíveis:

Validação aprovada — o artefato aparece pronto para você revisar e confirmar. Confirmar é a ação humana: é ela que escreve no modelo ou no painel.
Validação reprovada — a IA tenta uma autocorreção com os erros em português. Se persistir, o artefato sai marcado como rascunho, com os erros à mostra. O erro nunca é escondido atrás de um artefato bonito.

Em /auditoria, a geração fica registrada com o pedido, o tipo de artefato e se saiu como rascunho; o uso e o custo vão em ai.usage. Quando houve autocorreção, o custo das duas chamadas é somado.

A validação é lei, inclusive no modo de demonstração

Quando não há provedor de modelo em ambiente de desenvolvimento, o artefato vem de um gerador determinístico — e passa pelos mesmos validadores. Em produção, sem provedor, a rota responde com erro explícito em vez de fingir sucesso.

Exemplo: a Aurora Varejo

Ana quer uma margem percentual no painel comercial. Ela pede: "uma medida de margem percentual sobre a receita, formatada como porcentagem com uma casa".

Artefato esperado: uma medida chamada Margem %, com a fórmula citando as medidas que já existem no modelo — DIVIDIR(MEDIDA('Lucro'); MEDIDA('Receita')) — formato percentual com uma casa decimal, e o campo de validação aprovado. A proveniência da resposta traz modelo, versão do prompt, custo em reais e opId.

O que Ana revisa antes de confirmar:

A medida citada é a certa? Se o modelo da Aurora tem Receita bruta e Receita líquida, qual delas entrou? Uma fórmula sintaticamente válida pode estar medindo a coisa errada.
O denominador pode ser zero? Em DIVIDIR isso é tratado, mas o resultado vazio vai aparecer no visual — ela decide o que exibir.
O nome colide com outra medida? Nome repetido confunde o grounding da IA nas próximas perguntas.
O formato está certo? Percentual com uma casa é o que a diretoria lê.

Agora Ana pede algo impossível: "uma medida de margem usando a coluna custo_unitario_previsto", coluna que não existe na Aurora. Resultado esperado: a validação reprova, a autocorreção tenta uma vez, e o artefato sai como rascunho com o erro em português — algo como "coluna inexistente no modelo". Nada foi gravado. E o custo das duas chamadas aparece somado na auditoria.

Nota

Na notação de fórmulas do produto, cita-se outra medida com MEDIDA('Receita') e agrega-se uma coluna com SOMA(valor). Se o artefato vier com notação diferente, desconfie antes de confirmar.

Erros comuns

Erro	Por que é grave	O que fazer
Confirmar porque "a validação passou"	a validação cobre sintaxe, ids e estrutura — não a sua intenção de negócio	releia qual medida e qual coluna entraram na fórmula
Aceitar número sem citação	um artefato que já virou cartão de KPI produz números que ninguém conferiu	confira a medida gerada contra um número que você já conhece
Pedir sem período/recorte	pedido vago gera medida vaga ("receita" de quando?)	descreva a medida e, se for o caso, o recorte que ela deve respeitar
Achar que a IA aprende com os seus dados	esperar que ela "lembre" das suas convenções de nome	não há treino nem memória; o que a ancora é o modelo publicado e a descrição das medidas
Ignorar o rascunho	o rascunho é o diagnóstico pronto	leia os erros listados: eles dizem exatamente o que falta no modelo
Esperar que a IA publique	nada é escrito sem confirmação humana	confirme você; é um passo, não um detalhe

O que a geração assistida NÃO faz

Não publica. Não gera elementos de layout (texto, imagem, botão) — só visuais de dados da lista permitida. Não interpreta causalidade: propõe estrutura, não conclusões. Não garante que a fórmula sintaticamente válida seja a que você quis. Não envia linhas de dado — só estrutura. E não é GA: o estado é Preview, com qualidade em produção NOT_MEASURED e avaliação humana pendente. A validação determinística é obrigatória justamente porque o texto do modelo, sozinho, não basta.

Faça você mesmo#

No editor do painel comercial do workspace de treino Aurora Varejo, como admin ou dona. Atenção: cada pedido consome o orçamento de IA do workspace, e um pedido que precise de autocorreção consome duas chamadas (o custo vem somado). Confira o teto do mês antes de começar.

Abra o editor do painel comercial e confira quais medidas já existem no modelo (Receita, Lucro, Pedidos…). Você vai precisar dos nomes exatos.
Peça a geração de Margem %: "uma medida de margem percentual sobre a receita, formatada como porcentagem com uma casa".
Antes de confirmar, responda por escrito: qual medida entrou no numerador e qual no denominador? É a que você queria?
Leia o campo de validação e diga de onde ele vem — não do LLM, e sim dos validadores do editor. Liste dois validadores que agiram aqui.
Confirme a medida (passo humano) e confira o valor dela num visual contra um número que você já conhece.
Agora peça algo impossível (uma medida sobre uma coluna que não existe) e capture o rascunho: anote o erro em português e confirme que nada foi gravado.
Em /auditoria, encontre as duas gerações e anote o custo de cada uma — reparando que a do passo 6 pode trazer o custo de duas chamadas somado.

Você terminou quando tiver Margem % criada e conferida contra um número conhecido, a origem da validação explicada em uma frase, e um rascunho reprovado com o erro registrado.

Checagem rápida#

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

Documentação relacionada#

Capacidades ensinadas#

C13.2 — o selo exibido na aula é sempre o estado mais conservador entre as capacidades citadas; nada aqui é "GA".