BI conversacional: o BI estático como conhecemos vai desaparecer

BI conversacional: o BI estático como conhecemos vai desaparecer

Aprofunde seus conhecimentos profissionais com nossos artigos ricos e gratuitos.

"O BI que conhecemos vai desaparecer." A frase é de Juarez Borges Neto, Diretor de Planejamento de Franquias do Grupo Boticário, dita no Cortex Summit 2026, em 1º de setembro de 2026.

Não é sobre trocar de ferramenta. É sobre o usuário de relatório virar criador de análise, movido por uma interface que entende pergunta em linguagem natural em vez de exigir filtro, cruzamento manual e fila de solicitação ao time de dados.

O Grupo Boticário tem mais de 4.000 lojas em cerca de 1.700 municípios, a maioria operada por franquia, a mesma realidade de inteligência de negócios no varejo que molda boa parte das decisões operacionais da rede.

A empresa decidiu não concentrar IA numa diretoria especializada: ela já teve esse cargo e o extinguiu. A leitura foi democratizar o tema entre as áreas de negócio, o mesmo movimento que caracteriza as organizações agênticas, que combinam pessoas, processos e agentes de IA em rotinas coordenadas. Um dos resultados mais concretos está no trabalho diário do consultor comercial, o profissional que traduz estratégia corporativa para cada franqueado.

Antes de entrar no caso, vale separar o conceito do que já é conhecido. Já cobrimos o que é business intelligence tradicional em outro conteúdo do blog da Cortex. Aqui o recorte é diferente: o que muda quando o BI ganha camada conversacional e onde essa mudança já tem prova real.

Pense na última vez que alguém do seu time precisou de um número fora do dashboard padrão. Provavelmente abriu um chamado, esperou o analista rodar a consulta e só então voltou com a resposta, muitas vezes tarde demais para a reunião em que o dado seria usado. É esse intervalo que o BI conversacional ataca primeiro.

Resposta rápida: BI conversacional é a camada de IA que traduz uma pergunta em linguagem natural sobre dados de negócio em resposta pronta, sem consulta escrita nem fila de analista. Funciona bem sobre dados já modelados e falha quando a base é rasa, quando a pergunta exige raciocínio matemático em várias etapas ou quando não há governança sobre o que a IA pode acessar. A decisão final continua humana.

Índice

O que é BI conversacional, na prática?

BI conversacional é a camada de inteligência artificial que traduz uma pergunta em linguagem natural sobre dados de negócio em resposta pronta, sem consulta escrita, filtro manual ou fila de analista. O usuário pergunta como perguntaria a um colega, e a IA busca, cruza e devolve o número dentro do modelo de dados já existente.

Esse é o primeiro dos dois níveis do BI conversacional: o chat sobre dados já modelados. Mais de 50% dos líderes de analytics e IA já usam consulta em linguagem natural (natural language query, ou NLQ) no trabalho analítico do dia a dia, segundo a Gartner.

No Grupo Boticário, esse nível tem nome: Sofia, um chat interno que cruza várias bases de dados e evita o erro de filtro e de coleta que aparecia quando cada consultor comercial montava a própria planilha. Sofia não chegou pronta de um fornecedor, foi construída pelo próprio time de negócio da franqueadora.

Antes de Sofia, preparar a visita a um franqueado significava abrir painel de vendas, painel de estoque e painel de indicador regional em telas separadas, cada um com sua própria lógica de filtro. Com o chat, o consultor comercial pergunta pelo desempenho daquela loja no trimestre e recebe o cruzamento pronto, sem alternar entre sistemas.

O ponto que costuma passar batido é justamente esse: o gargalo raramente é a falta de dado. É o tempo entre a pergunta e a resposta, e quem consome esse tempo é a etapa manual de montar a análise antes de conseguir olhar para ela.

Qual a diferença entre BI tradicional e BI conversacional?

No BI tradicional, o usuário monta a análise dentro de um painel pronto, escolhendo filtro e cruzando indicador manualmente. No BI conversacional, o usuário pergunta, e a IA monta a análise dentro dos limites do modelo de dados disponível. A diferença aparece em cada etapa do fluxo de trabalho:

Critério

 BI tradicional (estático) BI conversacional
Quem monta a análise Analista de BI ou usuário treinado no painel Qualquer usuário de negócio, sem treinamento em ferramenta
Como a pergunta é feita Filtro, arrastar e soltar em dashboard pronto Linguagem natural, texto ou voz
Tempo até o insight Depende da fila de solicitação ao time de dados Minutos, dentro da própria interface de chat
Pré-requisito técnico Conhecimento do painel ajuda, SQL é diferencial Nenhum, a IA traduz a pergunta em consulta
Papel do analista Executor de relatório sob demanda Curador da qualidade do dado e revisor da resposta

É a mesma virada que o consultor comercial do Grupo Boticário viveu na prática. No modelo antigo, cada visita a um franqueado começava com uma sequência de cliques em painéis diferentes até juntar o quadro completo da loja. No modelo conversacional, a mesma preparação vira uma pergunta única, respondida em minutos, dentro de uma interface só.

Essa virada já aparece nos números de adoção corporativa no Brasil. Entre as 500 maiores empresas do país, o Microsoft Copilot lidera o uso de IA generativa com 40% de adoção, à frente do ChatGPT (32%) e do Google Gemini (20%), segundo a 36ª Pesquisa Anual de Uso de TI da FGVcia, da FGV-EAESP.

Esse avanço aparece em volume de uso e, principalmente, em tipo de uso. Entre as grandes empresas brasileiras, a adoção de IA em geral subiu de 38% em 2024 para 50% em 2025, e dentro desse universo a geração de linguagem natural foi a categoria que mais cresceu, saindo de 20% para 30% no mesmo período, segundo a pesquisa TIC Empresas 2025 do Cetic.br/CGI.br.

Na prática, isso significa que a pergunta deixa de percorrer um fluxo fixo: analista recebe pedido, prioriza fila, roda consulta, formata relatório, devolve resposta. Cada etapa some quando o usuário de negócio faz a pergunta direto no chat, e o que sobra para o analista é revisar se a resposta faz sentido antes de virar decisão.

Dois níveis de BI conversacional: do chat à ciência de dados automatizada

O caso do consultor comercial no Grupo Boticário separa bem duas camadas de IA aplicada a dados. Antes delas, esse profissional precisava navegar dezenas de painéis com usabilidade desigual só para preparar uma reunião com o franqueado, segundo o relato de Borges Neto.

A resposta veio em duas camadas complementares. Sofia cobre o nível 1: chat conversacional sobre dados já modelados, a pergunta em linguagem natural que qualquer área do negócio consegue fazer sem depender de SQL.

Aurora vai além e cobre o nível 2. É uma ferramenta de ciência de dados que clusteriza lojas comparáveis, identifica quem está acima e abaixo da média dentro de cada grupo e aponta quais alavancas operacionais explicam a diferença, um trabalho que antes exigia um cientista de dados dedicado só para aquele projeto.

Sofia e Aurora são construções internas do Grupo Boticário, desenvolvidas pelo próprio time de negócio da franqueadora, um caso público e verificável do movimento de BI conversacional.

Nenhum dos dois projetos nasceu de uma ferramenta já disponível na prateleira. Nasceram de uma pergunta de negócio, e boa parte foi construída por gente de fora da área técnica. É o caminho inverso do que costuma acontecer quando a tecnologia chega primeiro e o caso de uso se adapta depois.

Aurora resolve um problema específico de rede grande: comparar 4.000 lojas direto, uma a uma, não gera leitura útil, porque loja de shopping e loja de bairro respondem a alavancas diferentes. O clustering agrupa lojas parecidas antes de comparar, e só então aponta se a diferença de resultado vem de mix de produto, de operação ou de time. Sem esse agrupamento prévio, a comparação bruta apontaria vilão errado com frequência.

O nível 2, o de clusterização automatizada, é onde a Gartner projeta o maior salto de curto prazo. Até 2027, 20% dos processos de negócio devem ser geridos por analytics autônoma, sistemas que não apenas respondem uma pergunta pontual, mas monitoram indicador e sinalizam desvio sem intervenção manual constante, o mesmo princípio de autonomia que define a IA agêntica.

Sustentar esse tipo de automação exige um alicerce que a própria consultoria já trata como infraestrutura crítica. Até 2030, camadas semânticas universais devem ser tratadas como infraestrutura crítica, ao lado de plataforma de dados e cibersegurança, segundo previsão apresentada no Gartner Data & Analytics Summit 2026.

Os dashboards vão acabar?

Dashboard não desaparece de uma vez, mas deixa de ser o único ponto de entrada para uma pergunta de negócio. O que muda de raiz é o comportamento em volta dele: o usuário para de esperar um relatório pronto e passa a criar a própria análise sob demanda.

Borges Neto ilustra a mudança com uma comparação histórica direta: "IA é o novo Excel." Há duas décadas, dominar Excel avançado era diferencial de currículo. Hoje é pré-requisito básico, embutido em praticamente qualquer vaga de análise, sem precisar ser mencionado.

A aposta do executivo é que o mesmo movimento se repete com a interação em linguagem natural com dados. O que hoje é diferencial competitivo entre consultores comerciais vira competência mínima em poucos anos, e isso já está reescrevendo requisito de vaga dentro do próprio Grupo Boticário. O que isso muda nas vagas e nas competências é tema do artigo sobre letramento em IA.

Na prática, o dashboard continua útil para monitoramento contínuo, indicador padronizado e comitê que precisa de uma mesma leitura compartilhada. A pergunta ad hoc, aquela que hoje vira solicitação para o time de BI, é a que migra primeiro para o chat.

Uma vaga de consultor comercial ou de analista de expansão, que antes pedia familiaridade com determinado painel de BI, passa a pedir capacidade de formular boa pergunta e de checar se a resposta da IA faz sentido dentro do contexto do negócio. A ferramenta específica importa menos do que o raciocínio por trás da pergunta.

Quando o BI conversacional ainda não funciona?

BI conversacional falha quando o modelo de dados por trás é raso, quando a pergunta exige raciocínio matemático em várias etapas ou quando a governança sobre o que a IA pode acessar não foi definida antes do lançamento.

Um estudo acadêmico publicado no arXiv mediu a taxa de erro semântico de sistemas text-to-SQL aplicados a BI: 21% em geral, chegando a 54% em tarefas que exigem raciocínio aritmético depois de uma agregação e a 37% em classificação agrupada, mesmo com 93% de acurácia em agregações simples. O erro cresce exatamente onde a pergunta de negócio fica mais interessante, e é ali que a supervisão humana importa mais.

Borges Neto resume o risco de forma direta: "IA sem dados é retrabalho. Se você não está dando o dado correto para ela, ela vai inventar o dado, ela vai delirar." É a fundação que o Grupo Boticário chama de "Data First antes de AI First", dois anos de organização de base de dados antes da primeira interface conversacional entrar em produção.

A cautela também aparece em pesquisas amplas sobre adoção de IA generativa em analytics. A Gartner projetava que ao menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, por dado de baixa qualidade, controle de risco insuficiente ou custo sem retorno definido. Mais recentemente, a mesma consultoria estimou que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. Apenas 19% das quase 3.400 empresas consultadas tinham investimento significativo no tema, o resto ainda em estágio de experimento inicial.

O aprendizado prático do Grupo Boticário para esse risco foi deixar explícito, em cada projeto, onde a máquina para e onde o humano decide. Segundo o relato de Borges Neto, essa clareza acelera a adoção, enquanto auditoria que vira punição faz o time evitar a ferramenta em vez de melhorar o uso dela.

Na prática, isso se traduz em três decisões que precisam vir antes do lançamento de qualquer chat conversacional:

  • qual base de dados a IA pode consultar?

  • qual pergunta ela está autorizada a responder sozinha

  • e em qual ponto a resposta precisa de revisão humana antes de virar ação. 

    Pular essa etapa é a causa mais comum de projeto de BI conversacional que nasce empolgante e morre em três meses por desconfiança do próprio time.

Decisão continua humana: o papel do analista quando a IA acelera a análise

Acelerar a análise não equivale a automatizar a decisão, e essa linha separa BI conversacional bem aplicado de risco de negócio mal calculado. 

"Para mim a IA acelera, traz muita informação, consolida muita informação, mas a decisão final ainda é de um ser humano", afirma Borges Neto. A frase resume por que o Grupo Boticário trata IA generativa e ciência de dados como frentes complementares, não concorrentes: "A modelagem matemática continua sendo o coração das predições confiáveis. Um não substitui o outro."

Entre médias e grandes empresas brasileiras que já aplicam IA ao negócio, análise de dados é hoje a finalidade número um, citada por 67% delas, à frente de marketing, com 51%, segundo levantamento do Sebrae com a FGV IBRE e o Google. O dado confirma a direção, mas não resolve sozinho quem decide o que fazer com a análise pronta.

A leitura que ele faz é direta: a empresa fica mais leve e mais rápida com IA, mas a decisão que precisa de milésimos de segundo continua nas mãos de quem está no volante.

É esse equilíbrio, entre acelerar a análise e manter a decisão humana, que orienta a definição de Inteligência Aumentada que a Cortex adota: o uso estratégico da IA para ampliar a capacidade humana de análise, decisão e ação, nunca para substituí-la. O caso do Grupo Boticário funciona como confirmação prática dessa tese, não como coincidência isolada.

O analista de BI que sai fortalecido dessa transição não resiste ao chat conversacional. Aprende a auditar a resposta da IA com a mesma régua crítica que usava para validar uma planilha manual, e treinar esse critério vira o novo trabalho do time de dados.

Conclusão

O BI estático segue presente no dia a dia, mas o comportamento em volta dele já começou a mudar. Quem antes esperava um relatório pronto passa a perguntar direto para os dados, e quem sabia interpretar dashboard aprende a validar resposta de IA antes de repassá-la para uma decisão.

O caso do Grupo Boticário mostra que essa transição não depende de escala nem de um departamento de tecnologia dedicado. Depende de fundação de dados sólida, de pergunta de negócio bem colocada e da disposição de deixar áreas fora da técnica experimentarem.

O ponto de partida real está em identificar qual pergunta hoje ainda depende de uma fila de solicitação ao time de dados. É ali que o BI conversacional tem o primeiro impacto mensurável, bem antes de um projeto de clusterização mais sofisticado entrar no radar.

Sua empresa também está no meio dessa transição, do BI que se filtra para o BI que se conversa? Conheça a visão da Cortex sobre Inteligência Aumentada e entenda como aplicar esse equilíbrio entre IA e decisão humana na leitura de dados do seu próprio negócio. Acompanhe mais conteúdos como este no LinkedIn da Cortex.

Perguntas frequentes sobre BI conversacional

Qual a diferença entre BI conversacional e BI generativo?

BI conversacional é a interface: perguntar em linguagem natural e receber resposta sobre dados já modelados. BI generativo é mais amplo, cobre também a criação automática de análise nova, visualização e narrativa de negócio a partir do dado, muitas vezes usando o mesmo motor de IA por trás da conversa.

Como implementar BI conversacional na empresa, na prática?

A base de dados é o ponto de partida, não a ferramenta de chat. Antes de lançar qualquer camada conversacional, a empresa precisa centralizar fonte, tratar qualidade e definir com clareza o que pode e o que não pode ser respondido pela IA, exatamente a fase que o Grupo Boticário chama de "Data First antes de AI First".

Como um usuário de negócio, sem saber SQL, passa a criar suas próprias análises?

A IA conversacional traduz a pergunta em linguagem natural para a consulta técnica por trás, sem exigir que o usuário escreva código. O caso Sofia, do Grupo Boticário, mostra times de negócio, sem formação técnica, construindo e usando esse tipo de interface no dia a dia.

 

Quais os riscos de usar IA generativa sobre dados sensíveis do negócio?

O principal risco é de governança: definir mal quem acessa o quê pela interface conversacional expõe dado estratégico ou pessoal fora do controle habitual do time de dados. A recomendação prática é mapear níveis de acesso antes do lançamento, não depois do primeiro incidente.

Como evitar alucinação em respostas de IA sobre dados de negócio?

A base de dados incompleta ou mal modelada por trás do sistema é a causa mais comum, não o modelo de IA em si. Garantir qualidade e cobertura de dado antes de liberar o chat reduz boa parte do risco, e revisar resposta crítica antes de usá-la numa decisão cobre o restante.

 

BI conversacional funciona sem um time de ciência de dados por trás?

O nível 1, o chat sobre dados já modelados, funciona com uma boa base de dados e sem cientista de dados dedicado, como mostra o caso Sofia. Já o nível 2, de clusterização e modelagem automatizada, como o caso Aurora, depende de expertise analítica mesmo quando a interface final parece simples.

 

Quanto tempo leva para uma equipe comercial adotar BI conversacional no dia a dia?

Não existe prazo padrão, porque depende da maturidade de dados que já existe antes do projeto começar. No Grupo Boticário, a fase de fundação de dados levou cerca de dois anos antes da camada conversacional entrar em produção, e a adoção pelo time comercial veio depois, de forma gradual.