A qualidade da resposta da IA depende muito de como você pergunta. Esta página reúne padrões práticos para o text-to-SQL (linguagem natural → SQL) e para o Q&A do dashboard (perguntas sobre o painel), com exemplos de perguntas boas e ruins.
Workspace do exemplo: Comércio Aurora Ltda (aurora).
Maturidade
Todas as capacidades com LLM estão em Preview; a qualidade em produção é
NOT_MEASURED. Trate a IA como um assistente que propõe — você revisa e
confirma.
Os 5 princípios#
- Seja específico sobre a métrica e o recorte. Diga qual número, por qual dimensão e em qual período.
- Use os nomes do seu modelo. "Receita", "categoria", "filial" — os termos das medidas/colunas ajudam o grounding (ver Como a IA entende seus dados).
- Uma pergunta por vez. Perguntas compostas ("receita e também margem e também por que caiu") confundem; quebre em passos.
- Peça o período explicitamente. "Último trimestre", "2026", "últimos 30 dias".
- Não peça causa. A IA descreve o que os dados mostram; ela não afirma que "X causou Y" (e recusa quando tentam forçar).
Text-to-SQL: boas × ruins#
| Ruim | Por que | Boa |
|---|---|---|
| "me mostra tudo" | sem métrica nem recorte | "receita total por mês em 2026" |
| "vendas" | ambíguo | "quantidade vendida por categoria no último trimestre" |
| "quais os melhores?" | "melhor" em quê? | "top 10 produtos por receita em julho/2026" |
| "compara com o mercado" | dado que você não tem | "receita deste ano vs ano anterior por filial" |
Note
Se a pergunta for ambígua e houver modelo semântico publicado, a IA recusa antes de gastar token e lista as opções ("você quis dizer Receita bruta ou Receita líquida?"). Escolha e refaça — é mais barato e mais preciso.
Q&A do dashboard: boas × ruins#
O Q&A responde só com base no snapshot já materializado e cada afirmação vem com citação verificável. Logo:
| Ruim | Por que | Boa |
|---|---|---|
| "por que as vendas caíram?" | pede causa | "qual categoria mais caiu vs o mês anterior neste painel?" |
| "qual a previsão para dezembro?" | não está no snapshot | "qual cliente teve maior receita no período mostrado?" |
| "isso é bom?" | opinião sem lastro | "quais itens estão abaixo da meta exibida?" |
| "quanto foi no total?" (num visual que é amostra) | amostra não permite total | agregue no text-to-SQL para o total exato |
Interprete a resposta certo#
- Text-to-SQL devolve SQL somente-leitura + explicação + custo estimado. Revise o SQL (nome de coluna/tabela pode estar errado) antes de confiar. Há auto-correção (um retry com o erro real do datalake), mas não é garantia.
- Q&A traz citações que apontam para os dados que sustentam cada frase. Se a
resposta vier como recusa (
sem_evidencia,fora_do_contexto), é porque não havia lastro — não force. - Sobre amostra, a IA é proibida de afirmar total/soma/"maior"/"todos".
Quando a IA recusar (e por que é bom)#
Recusa não é falha — é honestidade. As recusas comuns:
- Ambiguidade → escolha entre as opções e refaça.
- Fora do contexto → a pergunta não toca nenhum termo do painel; reformule com os nomes do modelo.
- Sem evidência → o painel não sustenta a afirmação; agregue no SQL ou mude a pergunta.
Erros comuns#
- Pedir tempo real ao Q&A: ele lê o snapshot da última atualização, não "agora".
- Tratar a explicação como fato provado: insights e recomendações são hipóteses a investigar — ver Insights.
- Colar segredos/PII na pergunta: não faça. O texto vai para o provedor (fenceado, mas ainda sai) — pergunte sobre estrutura e números, não sobre dados pessoais.
Relacionados#
Última revisão: 2026-09-08.