Analytics conversacional é a promessa de perguntar ao dado em português e receber a resposta sem abrir dashboard, sem pedir relatório ao analista, sem esperar a fila do time de BI. Tableau, Looker, Power BI, Snowflake e Databricks lançaram alguma versão dela; a pergunta que o decisor faz hoje — inclusive a um LLM — é direta: posso perguntar pro meu dado e dispensar o dashboard?
A resposta honesta é que depende do tipo de pergunta. O chat vence numa categoria e perde feio em outra, e a maioria dos projetos que vimos falhar errou por tratar as duas como a mesma coisa. Este texto separa as categorias e propõe um critério de decisão que cabe numa reunião de meia hora.
O que o chat entrega que o dashboard nunca entregou
Dashboard é uma resposta pré-fabricada: alguém antecipou a pergunta, construiu o gráfico e publicou. Funciona enquanto a pergunta é a esperada. Na hora em que o diretor comercial quer saber "quanto do pipeline de outubro está parado há mais de 30 dias em contas que também abriram chamado de suporte?", ninguém construiu esse gráfico — e o caminho tradicional é abrir um pedido ao time de dados e esperar dias.
É esse vão que o chat preenche. O custo marginal de uma pergunta nova cai de horas de analista para segundos de modelo. Três usos se destacam:
- Pergunta ad hoc de quem decide. Uma pergunta única, feita uma vez, cujo resultado orienta uma conversa e depois some. Não vale construir dashboard para ela.
- Exploração antes de modelar. O analista usa o chat para entender uma base nova, testar hipótese e só então decide o que merece virar visualização permanente.
- Acesso para quem nunca abriu a ferramenta de BI. Vendedor, gerente de conta e operação fazem a pergunta no Slack ou no CRM, onde já estão, em vez de aprender uma interface a mais.
O terceiro ponto é o que mais pesa em empresas que usam Salesforce: o Tableau Next, construído sobre a plataforma Agentforce, leva a pergunta para dentro do fluxo de trabalho do CRM em vez de exigir a troca de aplicação. Quando o dado de cliente já está no Data Cloud, o ganho é real.
O chat elimina a fila para a pergunta que ninguém previu. Não elimina a necessidade de um número que todo mundo enxerga igual.
Onde o dashboard continua ganhando
Dashboard não é só uma forma de mostrar dado: é um contrato. A receita do trimestre no painel da diretoria é o mesmo número que aparece no painel do financeiro, porque a métrica foi fixada uma vez, revisada e publicada. O chat gera a resposta de novo a cada pergunta, e cada geração é uma nova chance de divergir.
Quatro situações em que trocar o dashboard pelo chat é erro:
- Métrica recorrente de acompanhamento. Receita, churn, SLA, pipeline: o valor está em comparar a mesma régua semana após semana. Uma régua que muda de forma a cada consulta destrói a comparação.
- Número que vai para o board ou para o auditor. O custo de uma resposta errada é alto, e é preciso saber exatamente como o número foi calculado e por quem.
- Decisão que muitas pessoas tomam olhando o mesmo dado. O dashboard funciona como referência comum. Cinco pessoas perguntando a mesma coisa ao chat e recebendo cinco respostas levemente diferentes é o cenário que o self-service BI já produzia com o "rascunho final" de cada departamento, só que agora mais rápido.
- Leitura executiva de relance. Um painel bem desenhado comunica em segundos o que exige leitura atenta; uma resposta de chat precisa ser lida, questionada e refeita.
Fornecedores costumam anunciar acurácia entre 85% e 95% em text-to-SQL, mas esse número quase nunca diz que tipos de pergunta foram testados. Uma acurácia de 90% soa alta até você fazer a conta: em cada dez perguntas de board, uma vem errada e não avisa. Esse é o argumento de fundo, e é uma estimativa nossa a partir do que os fornecedores divulgam, não uma medição independente.
O que decide se o chat é confiável: a camada semântica
A diferença entre um chat que responde bem e um que responde com convicção errada quase nunca está no modelo. Está no que existe entre o modelo e o banco. Sem definição central de métrica, o modelo infere o significado de "receita" olhando o nome de uma coluna — e infere de novo, possivelmente diferente, na consulta seguinte.
A camada semântica é o que fixa a definição de cada métrica para o agente e para o dashboard ao mesmo tempo. Um benchmark de 2026 sobre 522 consultas mostrou que combinar camada semântica com contexto explícito triplicou a acurácia, chegando a mais de 95% de confiabilidade; e a Gartner projeta que 60% dos projetos de agentic analytics apoiados só em MCP, sem camada semântica consistente, vão falhar até 2028. Esses são os dois números que mais usamos para explicar por que o piloto de chat impressiona na demonstração e decepciona na terceira semana.
A conclusão prática é que o chat e o dashboard não competem: os dois são interfaces sobre a mesma camada de definição. Quem investe primeiro na camada tem as duas. Quem começa pelo chat descobre a falta dela quando dois executivos comparam respostas.
Como decidir por pergunta, não por ferramenta
Em vez de perguntar "chat ou dashboard?", pergunte por tipo de consulta. Cinco critérios resolvem a maioria dos casos:
- Com que frequência essa pergunta se repete? Semanal ou mais: dashboard. Única ou rara: chat.
- Quanto custa uma resposta errada? Se vai para o board, contrato ou auditoria, o número precisa vir de métrica governada, com dono e trilha de cálculo. Se orienta uma conversa interna, o chat basta.
- Existe definição central da métrica em questão? Se não, o chat vai inventar uma. Defina a métrica antes de liberar a pergunta.
- Quem faz a pergunta consegue avaliar a resposta? Analista percebe o número estranho. Quem nunca viu a base, não. Para esse público, restrinja o chat às métricas já governadas.
- A resposta pode ser reproduzida por outra pessoa? Se duas perguntas idênticas geram números diferentes, a interface ainda não está pronta para aquele uso.
A disciplina de prompt, validação e log que separa analytics aumentado por IA de teatro de produtividade continua valendo aqui, agora aplicada à interface de chat: contexto de schema, definições de negócio no prompt, conexão somente leitura e registro de cada pergunta e resposta.
Chat como porta de entrada, dashboard como memória
O arranjo que funciona nas empresas que acompanhamos usa o chat para a pergunta nova e o dashboard como memória institucional. Uma pergunta feita cinco vezes no chat é candidata natural a virar painel: o log de interações mostra o que o negócio realmente pergunta, o que é um insumo melhor para o backlog de BI do que qualquer levantamento com áreas.
O ciclo é simples. A pergunta nasce no chat, é respondida em segundos, e se repete até virar métrica governada na camada semântica e visualização fixa no painel. O chat encurta o caminho de descoberta; o dashboard preserva o resultado. O erro é usar um para fazer o trabalho do outro.
Perguntas que sempre voltam
Fechando, as dúvidas mais comuns sobre analytics conversacional e o futuro do dashboard.
O que é analytics conversacional?
Analytics conversacional é a consulta a dados em linguagem natural: o usuário escreve uma pergunta, um modelo de linguagem a traduz em SQL ou em chamada a uma métrica definida, e o sistema devolve a resposta em texto, tabela ou gráfico. Difere do dashboard porque a resposta é gerada sob demanda, e não pré-construída por alguém que antecipou a pergunta.
O chat vai substituir os dashboards?
Não por completo. O chat substitui o dashboard nas perguntas ad hoc, únicas ou exploratórias, onde construir um painel não compensa. Continua perdendo em métricas recorrentes, números que vão para o board e qualquer situação em que várias pessoas precisam ver o mesmo número. Os dois convivem como interfaces sobre a mesma camada semântica.
Analytics conversacional é confiável para decisão de negócio?
Só quando existe camada semântica definindo o significado de cada métrica. Sem ela, o modelo infere a definição a cada consulta e duas perguntas idênticas podem gerar números diferentes. Acurácias de 85% a 95% anunciadas por fornecedores significam que uma em cada dez a vinte respostas vem errada, o que é inaceitável para número de board sem validação.