Motor: Usa LLM (Anthropic)
1. Qué hace
Con un clic, la IA lee el snapshot del panel y produce un resumen ejecutivo: titular, destacados, posibles anomalías y recomendaciones accionables — todo en portugués.
2. ¿Determinístico o LLM?
LLM. Es una generación con salida estructurada: headline, highlights[], anomalies[],
recommendations[]. Mismo selector de modelo que Text-to-SQL. Sin proveedor
en dev/preview → resumen determinístico simple; en producción sin proveedor → 503 (guarda de
producción).
Atención: la sección
anomaliesde aquí es texto del LLM sobre el snapshot, no el detector determinístico. La detección estadística de anomalías es una capacidad separada — ver Anomalías.
3. Datos enviados y egress
- Va el snapshot del panel por widget, dentro de un fence
<dados id="widget-N">. - Ninguna consulta en el datalake (análisis sobre el snapshot; costo cero de datos).
- Misma política de egress que el Q&A: tope de filas, marcado de muestra, y con el envío de filas desactivado, solo sale el resumen estadístico por columna (sin filas crudas).
- Cada widget declara cuántas filas se enviaron, cuántas existen en el panel y si es una muestra — para que el modelo no afirme un total mirando 1.000 de 40.000 filas.
4. Privacidad y retención
- Misma vista segura que el Q&A (RLS + PII aplicados antes del prompt).
- El registro de auditoría insights del panel registra la generación;
ai.usageregistra tokens/costo/ egress.
5. Tokens, costo y presupuesto
Mismo ledger de reserva→liquidación y tope mensual que el resto de la IA. Ver Privacidad, envío externo, presupuesto y desactivación.
6. Cómo activarlo, quién puede usarlo y cómo desactivarlo
POST /api/ai/dashboard-insights (sin question): rate limit 10/60 s por workspace
(fail-closed) → workspace (401) → entitlement aiNarrative (Pro, 403) →
la verificación de workspace activo → capacidad insights de IA. Desactivación general:
el envío a proveedores está desactivado en el entorno.
7. Rechazos
- Sin datos en el panel → no llama al LLM (nada que analizar).
- Tope alcanzado → 429 con mensaje, sin gastar.
- Sobre una muestra, tiene prohibido afirmar total/suma/ranking — debe decir que el número exacto requiere agregar en SQL.
8. Limitaciones y ausencia de causalidad
- Las "anomalías" y "recomendaciones" son lectura del LLM, no una prueba estadística; trátalas como hipótesis a investigar, no como hechos probados.
- No establece causalidad: describe lo que muestran los números; no afirma que una cosa causó la otra.
- Se basa en el snapshot de la última actualización — no es en tiempo real.
9. Cómo validar
- Marcado de muestra: materializa un panel con un widget truncado y verifica que la respuesta no afirme un total mirando una muestra (debe decir que el número exacto requiere agregar).
- Egress mínimo: con el envío de filas desactivado, verifica que solo el resumen estadístico viaje a la IA.
- Sin proveedor: en dev sin clave, verifica el resumen determinístico; en producción sin proveedor, verifica el 503 (guarda de producción).
- Costo/uso: verifica el evento
ai.usageen el registro de auditoría y laproveniencia(modelo, versión del prompt, costo en R$, opId) en la respuesta.