Uma equipe de gestão deixou de abrir planilhas.

O problema que me apresentaram

Uma franquia de alimento para pets tinha uma equipe de gestão que precisava de respostas constantemente: dados de vendas, feedback de clientes, desempenho por filial. Mas cada consulta implicava o mesmo: abrir um Excel, montar uma tabela dinâmica, esperar que alguém técnico resolvesse e enviar o número por e-mail.

Se a pergunta era mais complexa — cruzar variáveis, comparar períodos, analisar padrões — era preciso esperar mais. Às vezes dias.

O dado existia. O acesso, não.

E este não é um caso isolado. É um padrão que se repete na maioria das empresas que trabalham com dados. Os que sabem consultar são poucos. Os que precisam de respostas são muitos. E no meio, um gargalo que atrasa decisões.

A solução: um chatbot no Telegram que responde com dados reais

Criei um chatbot de análise conversacional integrado ao Telegram. A ideia: que qualquer pessoa da equipe escreva para o bot o que precisa saber, em linguagem natural, e receba uma resposta com dados reais, gráficos e recomendações.

Assim funciona na prática:

→ Você escreve: "Qual dia vendemos mais?" → ele responde com números exatos e um gráfico de barras. → "Como se comparam as filiais?" → análise comparativa com percentuais e tendências. → Para perguntas mais complexas, o bot primeiro faz perguntas de esclarecimento e depois monta uma análise completa com insights e recomendações acionáveis.

O mais importante: a IA não inventa. Tem funções programadas que executam análises reais sobre dados reais. Claude (o modelo da Anthropic) decide que função usar de acordo com a pergunta, mas não fabrica números. Cada resposta é respaldada por uma consulta verificável.

A descoberta que nenhum dashboard havia mostrado

A equipe já tinha dashboards. Vendas por filial, produtos mais vendidos, métricas de NPS. Tudo estava ali.

Mas quando o bot cruzou dados de NPS com comportamento de compra — algo que ninguém pediu explicitamente — descobriu algo que estava escondido nos dados há meses: os clientes detratores compravam com a mesma frequência que os promotores, mas gastavam 65% menos por pedido.

Esse insight não estava em nenhum painel. Estava esperando a pergunta correta.

E aqui é onde aparece a diferença chave entre um dashboard e a análise conversacional: o painel te mostra o que você já sabe que quer ver. A conversa te deixa explorar o que você ainda não sabia que precisava perguntar.

Não se substituem. Se complementam. O dashboard é o mapa. A conversa é a bússola quando você não sabe exatamente para onde olhar.

Por que isso não é um experimento: os dados da indústria confirmam

Quando comecei a construir este projeto, sabia que a análise conversacional tinha potencial. O que não esperava era que a indústria estivesse se movendo tão rápido nessa direção.

Gartner, em seu Hype Cycle 2025, posicionou o Natural Language Query (NLQ) no pico das expectativas com um rating de benefício transformacional, projetando adoção em massa nos próximos dois anos. A McKinsey reporta que 78% das empresas já integraram IA conversacional em pelo menos uma área operacional chave. E o mercado global de IA conversacional — que em 2024 alcançou 11.580 milhões de dólares — projeta-se para 41.390 milhões até 2030.

Plataformas como Snowflake lançaram Snowflake Intelligence para consultas em linguagem natural. A Looker disponibilizou Conversational Analytics em 2025. E a Salesforce adquiriu a Waii, uma empresa especializada em NLP para gestão de dados, sinalizando que as grandes apostas empresariais estão indo em direção à conversa com dados.

As organizações que já implementam NLQ reportam tempos de obtenção de insights 40-60% mais rápidos e reduções significativas em solicitações de suporte à área de TI. Não é apenas eficiência: é democratização real dos dados.

O técnico: como está montado por dentro

Para quem se interessa pelo detalhe técnico do projeto:

→ O bot gera 8 tipos de gráficos automaticamente: barras, linhas, tortas, dual-axis, barras empilhadas, entre outros. → Tem um sistema de feedback integrado (👍/👎/🔧) para que os usuários marquem se a resposta foi útil ou precisa ser melhorada. → Os erros são registrados e corrigidos em sessões de QA, assim o bot melhora com o uso. → Stack: Python, Claude API (Anthropic), Telegram Bot API, pandas, matplotlib.

Mas há um ponto que quero destacar, porque é onde muitos projetos de análise conversacional falham: não basta conectar um LLM a um banco de dados.

A SAP publicou uma análise alertando que sem metadados ricos e semântica de negócio bem definida, as ferramentas de NLQ alucinam, malinterpretam a intenção do usuário e devolvem resultados inconsistentes. A maturidade dos metadados é o melhor preditor de precisão conversacional.

Por isso o bot não é um wrapper do ChatGPT sobre um CSV. Cada função é projetada para um tipo de análise específica, com validações, gerenciamento de erros e lógica de negócio incorporada.

O que aprendi construindo isso

Este projeto confirmou algo que venho pensando há um tempo: o futuro da análise de dados não é mais dashboards nem mais ferramentas técnicas. É fazer com que os dados sejam acessíveis para qualquer um que precise tomar uma decisão.

Você não precisa saber SQL. Nem Python. Nem abrir nenhuma ferramenta. Apenas precisa fazer a pergunta certa em um chat.

Gartner projeta que até 2026, mais de 80% das empresas terão usado APIs de IA generativa ou aplicativos habilitados com IA generativa. A IDC prevê que o gasto global em IA superará 300 bilhões de dólares.

Mas a mudança mais profunda não é tecnológica. É cultural. Estamos passando de um modelo onde os dados são um recurso controlado por perfis técnicos para um onde os dados são uma conversa aberta para toda a organização.

E é aí que eu acho que está o verdadeiro impacto. Não na tecnologia que o torna possível, mas nas decisões que ele habilita.

Fontes consultadas:

• Gartner, Hype Cycle for GenAI 2025 — NLQ atingiu o pico das expectativas com benefício transformacional

• McKinsey, "The State of AI in 2025" — 78% das empresas integraram IA conversacional em pelo menos uma área operacional

• SAP, "Conversational Analytics: Why Rich Metadata and Business Semantics Matter More Than Ever"

• Datapad, "Conversational Analytics Guide 2025" — organizações reportam 40-60% mais velocidade na obtenção de insights

• Master of Code, "State of Conversational AI: Trends and Statistics 2026" — mercado projetado em USD 41.39B até 2030

• OvalEdge, "Conversation Analytics 2026 Guide"

• Snowflake Intelligence, Looker Conversational Analytics, aquisição da Waii pela Salesforce (2025)