Quem é o 'dono' da métrica?

Nesta edição

• 🤖 O novo Data agent da OpenAI, que monta dashboard sozinho
• 🎯 Teste mediu: a IA acerta 64% ou 100%, dependendo de um detalhe
• 💼 O setor de tecnologia já é 7,2% do PIB brasileiro
• 📅 Power BI Desktop antigo perde o salvamento no OneDrive em outubro
• ✍️ Artigo: quem é o dono da métrica da sua empresa?

#DataNews 📰

Notícias sobre o mundo dos dados e IA para ler enquanto toma um café ☕

A OpenAI lançou um agente que monta dashboard sozinho 🤖

Na quinta-feira passada, 10 de setembro, a OpenAI apresentou o Data agent, um novo recurso dentro do ChatGPT Work. A proposta é direta ao ponto que todo time de dados conhece: em vez de esperar um relatório ou pedir para alguém rodar a análise, a pessoa pergunta em linguagem natural e o agente responde, investiga o que mudou e monta um dashboard interativo.

Ele se conecta a Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake e Datadog, e também puxa arquivos do Google Drive e do SharePoint. O agente ainda constrói e interage com dashboards dentro do Power BI, Tableau, Sigma, ThoughtSpot, Omni e Oracle BI. Bogdan Crivat, vice-presidente corporativo do Microsoft Fabric, resumiu a integração dizendo que dá para criar painéis do Power BI apenas descrevendo a pergunta de negócio.

Tem um detalhe de arquitetura que vale reparar. Para interpretar uma pergunta, o agente busca definições de métrica, cálculos customizados e relações entre dados em fontes como o Genie Ontology da Databricks, o dbt, o Snowflake Horizon e os dashboards de BI que a empresa já tem. Em outras palavras: ele não adivinha o que a sua empresa chama de "receita". Ele lê a definição que alguém escreveu. E as consultas respeitam as permissões já existentes na conta conectada, no nível de tabela, linha e coluna.

💡 você sabia?

A OpenAI não construiu isso do zero. A empresa contou que o agente de dados interno dela já rodava havia meses, atendendo mais de 3.500 usuários sobre mais de 600 petabytes e cerca de 70 mil conjuntos de dados. O produto é a versão empacotada de algo que eles já usavam em casa.

Agora o contraponto honesto, que quase não apareceu nas manchetes: a OpenAI não divulgou nenhum benchmark público de acurácia do agente. Fez testes internos comparando com as ferramentas de dados que já usava, mas não publicou os resultados. Para quem vai colocar isso na frente de um diretor, essa é a informação que falta, porque em ambiente corporativo real a resposta costuma estar espalhada entre várias tabelas, e a mesma métrica tem definições diferentes em times diferentes.

Não é a hora de entrar em pânico com a carreira. É a hora de reparar para onde o valor está migrando: quem escreve a definição que o agente vai ler.

veja as notas oficiais do lançamento →

A IA acerta 64% das perguntas sobre dados ou 100%, dependendo de você 🎯

A OpenAI não publicou benchmark de acurácia do novo agente. Mas existe um teste público e reproduzível que responde à pergunta que interessa: dá para confiar quando a IA responde sobre os seus dados? E a resposta é um "depende" bem específico.

A dbt Labs refez um experimento que já tinha rodado em 2023, agora com os modelos atuais. O método é simples de entender: 11 perguntas de negócio sobre uma base de seguros com 15 tabelas, cada pergunta repetida 20 vezes, comparando dois caminhos. No primeiro, a IA recebe o esquema do banco e escreve o SQL do zero. No segundo, ela consulta através de uma camada semântica, aquele dicionário onde as métricas do negócio já estão definidas.

Os números contam a história toda. Escrevendo SQL sozinha, a IA saiu de 32,7% de acerto em 2023 para 64,5% agora. Praticamente dobrou, o que é um avanço enorme. Já pela camada semântica bem modelada, os modelos chegaram a 98,2% e 100%. E o detalhe que mais impressiona: bastou criar três modelos adicionais para fechar a lacuna que existia.

💡 você sabia?

O teste apontou duas coisas que contrariam a intuição. Primeiro, o modelo maior não venceu: o Sonnet 4.6 superou o Opus 4.6 nessa tarefa. Segundo, mandar o modelo "pensar mais" não melhorou a precisão — só deixou a resposta mais lenta, passando de 8 para mais de 20 segundos sem ganho nenhum de acerto. Para trabalho com dado estruturado, contexto vale mais que força bruta.

Mas o achado mais importante não é percentual, é o tipo de erro. Quando a camada semântica não consegue responder a uma pergunta, ela devolve um aviso dizendo que não consegue. Quando a IA escreve SQL do zero e erra, ela entrega alegremente um número plausível e errado. Para uma apresentação de conselho, uma auditoria ou um KPI da empresa, essa diferença é tudo.

A recomendação dos autores é equilibrada: SQL gerado na hora serve bem para exploração pontual e pergunta de uma vez só; quando a precisão importa de verdade, o caminho é a camada semântica.

Traduzindo para o seu dia a dia: a acurácia da IA sobre os seus dados é, em boa parte, uma decisão sua. Ela depende de quanto do significado do negócio alguém já escreveu no modelo.

O setor de tecnologia já é 7,2% do PIB brasileiro 💼

Aproveitando o Dia do Programador, celebrado no domingo (13), vale recuperar o número que dimensiona o tamanho do terreno em que você está pisando. Segundo levantamento da Brasscom divulgado em maio deste ano, o macrossetor de Tecnologia da Informação e Comunicação movimentou R$ 919,7 bilhões em 2025, o equivalente a 7,2% do PIB brasileiro.

E a projeção olha para frente: a entidade estima até R$ 2 trilhões em investimentos em tecnologia entre 2026 e 2029, com destaque justamente para nuvem e inteligência artificial — as duas frentes que mais geram demanda por gente que sabe organizar e interpretar dado.

por que isso importa pra você

Número de PIB costuma parecer distante, mas serve para uma coisa muito prática: dar argumento em conversa de transição de carreira. Quando alguém disser que "essa área de dados é modinha", você tem a resposta pronta: é um setor que já representa 7,2% da economia do país e tem R$ 2 trilhões projetados para os próximos quatro anos.

Mudanças no Power BI Desktop para outubro 📅

A partir de outubro, quem estiver usando uma versão do Power BI Desktop de março de 2026 ou anteriornão conseguirá mais salvar e compartilhar arquivos no OneDrive e no SharePoint. Se o seu time trava a versão do Desktop por política de TI, o que é comum em banco, seguradora e órgão público, é melhor verificar a necessidade de abrir um chamado.

Quem é o dono da métrica? ✍️

A reunião começa bem. Marketing abre o slide e diz que a base de clientes cresceu 12% no trimestre. Dois slides depois, o financeiro mostra o mesmo período com 8%. Alguém pergunta qual dos dois está certo, e os trinta minutos seguintes viram uma disputa de planilha — ninguém decide nada, e a reunião termina com "vamos alinhar os números e retomamos".

Se isso parece familiar, você já viveu o problema mais caro e menos técnico da área de dados.

E ele não é raro. Um artigo publicado no Portal Information Management neste ano descreve exatamente esse cenário: quando marketing, vendas, finanças e operações apresentam números diferentes para medir o mesmo resultado, o dashboard deixa de orientar decisões e passa a alimentar disputas internas — cada diretoria constrói uma versão particular do desempenho da empresa, com critérios próprios, períodos distintos e bases paralelas. Na mesma linha, o relatório State of Data & Analytics, da Salesforce, aponta que as organizações continuam travando na hora de transformar dado em decisão, principalmente por problemas de qualidade, integração e confiança na informação.

Repare na palavra: confiança. Não é capacidade de cálculo. É confiança.

Na nossa área, esse problema quase nunca é um erro de fórmula. É ausência de definição com dono.

O exemplo mais comum que existe: "cliente ativo". Para o marketing, é quem abriu um e-mail nos últimos 30 dias. Para vendas, é quem comprou nos últimos 90. Para o financeiro, é quem tem contrato vigente, comprando ou não. Três medidas diferentes, três números diferentes — e as três estão corretas. O erro não está em nenhuma delas. Está no fato de as três se chamarem igual e ninguém ter escrito qual vale para a empresa.

Três passos que resolvem isso sem projeto, sem comitê e sem ferramenta nova:

• Escreva a definição em uma frase, em português. "Cliente ativo é quem teve pelo menos uma compra faturada nos últimos 90 dias, excluindo pedidos cancelados." Se não cabe numa frase, a métrica ainda não está definida.
• Dê um dono, e que seja uma pessoa. Área não decide, pessoa decide. "É do time de vendas" não resolve conflito; "é a Marina" resolve. O dono é quem responde quando alguém pede uma exceção.
• Deixe a definição visível onde o número aparece. Na descrição da medida no modelo, na dica de ferramenta do visual, no rodapé do relatório. Definição que mora só na cabeça de alguém não sobrevive a férias.

E aqui está a virada, que conecta com a notícia que abriu esta edição. O novo agente de dados da OpenAI lê definições de métrica do dbt, do Genie Ontology e dos dashboards existentes para interpretar uma pergunta. Traduzindo: a resposta que o diretor vai receber depende do que alguém escreveu na definição.

Quem escreve a definição controla a resposta. Isso deixou de ser burocracia de governança e virou a parte mais influente do trabalho — e é justamente a parte que nenhum agente faz por você, porque exige entender o negócio, não o dado. Enquanto todo mundo corre para aprender a ferramenta nova, a habilidade que está ficando escassa é a de sentar com três áreas e sair da sala com uma frase acordada.

🛠️ dica — sua tarefa desta semana

Escolha a métrica mais citada do seu relatório principal e escreva a definição dela em uma frase. Depois mande para duas pessoas de áreas diferentes e pergunte se concordam. Se as duas responderem "sim" sem ressalva, ótimo. Se aparecer um "mas", você acabou de encontrar a razão pela qual aquela reunião nunca termina.