Página conceitual. Toda a IA do ingestia.io funciona melhor — e mais segura — quando está aterrada (grounded) no seu modelo semântico. Aqui explicamos o que a IA recebe para responder, por que isso a mantém presa aos seus números, e como ela explica uma medida sem inventar.
Maturidade
Todas as capacidades com LLM estão em Preview. A lógica de grounding e os
controles de egress são cobertos por testes; a qualidade da IA real em produção é
NOT_MEASURED. Ver a visão geral da IA.
O problema que o grounding resolve#
Um LLM "cru" sabe português, mas não sabe o que é receita na sua empresa, nem
que vendas.valor exclui devoluções. Sem contexto, ele chuta. Grounding é dar a
ele o mínimo necessário — a estrutura e as definições do seu modelo — para
que ele fale a sua língua e possa ser verificado.
O que a IA recebe (e o que nunca recebe)#
Depende da capacidade, e tudo entra dentro de um fence <dados> (tratado como
dado, nunca instrução):
| Capacidade | Recebe | Não recebe |
|---|---|---|
| Text-to-SQL, Geração assistida | Estrutura: modelo semântico (ids de tabelas/relações/medidas) ou o schema do catálogo | Linhas de dados — só estrutura |
| Q&A, Insights | Snapshot do painel (linhas), sujeito à política de egress | Mais do que quem perguntou vê |
| Narrativa | Resultados do relatório (atual e período anterior) | — |
Nunca sai, em nenhuma capacidade:
- Colunas marcadas como PII — excluídas na origem, antes de montar o prompt. A IA nem sabe que existem.
- Dados de outro workspace — uma guarda de prefixo descarta qualquer tabela fora do seu workspace.
- Nas capacidades que leem linhas, a IA vê a visão segura: RLS do membro + PII mascarada. Ela nunca vê mais do que você vê.
Detalhes e chaves de desligamento para em Privacidade, envio externo, orçamento e desligamento.
Grounding no modelo semântico central#
Quando há um modelo semântico publicado, o text-to-SQL e a geração usam os ids do modelo (tabelas, relações, medidas) em vez das colunas cruas. Isso traz dois ganhos:
- Menos ambiguidade: se um termo casa com ≥2 medidas/colunas, a IA recusa antes de gastar token e pergunta "qual você quis dizer?".
- Verificabilidade: se a resposta citar um id que não existe no modelo publicado, a saída é descartada — SQL sem fundamento não sai.
Por isso um modelo bem definido (ver Modelo semântico e Conceitos de modelagem) melhora diretamente a qualidade e a segurança da IA.
Explicação de medidas#
"O que é o Ticket médio aqui?" tem duas respostas possíveis, e vale conhecer as duas:
- Descrição da medida (determinística, sem LLM): cada medida central pode ter uma
descrição escrita por você (campo de texto no modelo, até ~300 caracteres),
além de pastas e do selo
certified. Essa descrição aparece na interface e não envolve IA nenhuma — é a fonte de verdade humana. Ver Medidas, fórmulas e KPIs. - Explicação pela IA (LLM, Preview): no Q&A, a IA pode explicar o que uma medida faz porque o modelo e a descrição estão no grounding — e cada afirmação sobre números precisa de citação verificável. Ela descreve o cálculo; não afirma causa e efeito.
Nota
Escreva descrições claras nas medidas centrais. Elas ajudam humanos e dão à IA um chão firme para explicar — reduzindo a chance de resposta vaga.
Por que isso importa para você#
- Menos alucinação: a IA presa ao modelo tem menos espaço para inventar — ver Alucinações e validação.
- Privacidade por construção: PII e dados de outro workspace não entram; linhas só quando a capacidade precisa, e sempre na visão segura.
- Melhor com bom modelo: investir no modelo semântico paga em qualidade de IA.
Limites e ressalvas#
- Grounding reduz, mas não elimina, erro do LLM — sempre revise (SQL só
SELECT, artefatos como rascunho, citações conferidas). - O grounding no modelo central é Preview; a avaliação humana de qualidade é
trabalho de produção ainda
NOT_MEASURED.
Relacionados#
- Visão geral da IA
- Privacidade, envio externo, orçamento e desligamento
- Boas práticas de prompt
- Alucinações e validação
- Modelo semântico
Última revisão: 2026-09-08.