Dos Dados Financeiros às Decisões Prontas para IA: Power BI, Microsoft Fabric, Modelos Semânticos e Agentes de IA com Rishi Sapra [MVP]

O que acontece quando agentes de IA começam a interpretar dados financeiros e de negócios — e não apenas a exibi-los?Neste episódio do M365.FM, Mirko Peters conversa com Rishi Sapra, Microsoft MVP, sobre a arquitetura necessária para ir além dos dashboards tradicionais e chegar a uma análise com IA, sensível ao contexto, usando Microsoft Fabric, Power BI, Copilot Studio, modelos semânticos, ontologias e agentes de dados.As organizações já possuem enormes volumes de informação espalhados por sistemas ERP, planilhas Excel, relatórios do Power BI, Microsoft Fabric, SharePoint, sistemas financeiros, orçamentos, previsões e aplicações operacionais.Adicionar IA sobre esses dados não significa automaticamente que a IA entende o negócio.O que significa realmente "receita"? Qual definição de margem um agente de IA deve usar? Quais KPIs representam a versão oficial da verdade? E como um agente comprende as relações entre clientes, produtos, regiões, centros de custo, contratos e processos de negócio?A resposta depende cada vez mais da camada de contexto entre os dados brutos e a IA.

DO BI DE AUTOATENDIMENTO AO AI DE AUTOATENDIMENTO
Rishi explica sua trajetória, da modelagem financeira e do Excel passando pelo Power Query e pelos primeiros anos do Power BI até o atual ecossistema de Microsoft Fabric e IA.O Power BI ajudou a tirar a inteligência de negócios dos departamentos centralizados de TI e colocá-la nas mãos dos usuários de negócio.Mas a plataforma também se tornou significativamente mais sofisticada.Modelos semânticos, DAX, lakehouses, OneLake, Direct Lake, Copilot Studio, agentes de dados, ontologias, ferramentas baseadas em MCP, governança e IA formam hoje uma arquitetura que pode facilmente se tornar difícil de compreender para usuários de negócio individuais.Agentes de IA podem mudar essa relação.Em vez de exigir que cada usuário de negócio se torne engenheiro de dados, desenvolvedor de BI e engenheiro de IA ao mesmo tempo, os agentes podem cada vez mais construir e operar partes da arquitetura técnica, enquanto as pessoas fornecem o contexto de negócio.

POR QUE O CONTEXTO DE NEGÓCIO IMPORTA PARA A IA
Uma das questões centrais do episódio é surpreendentemente simples:Quão bem documentados estão seus processos e decisões de negócio?Grande parte do conhecimento real de uma organização não vive em um banco de dados. Ele existe dentro de fórmulas do Excel, medidas do Power BI, arquivos do SharePoint, processos de negócio, documentação — e na cabeça das pessoas.Para que agentes de IA produzam insights de negócio relevantes, as organizações precisam capturar mais do que dados.Elas precisam capturar contexto.Quem está fazendo a pergunta?Quais decisões essa pessoa precisa tomar?Quais KPIs importam?Quais regras de negócio se aplicam?O que uma métrica específica significa naquele contexto particular?Isso leva ao conceito de insights orientados por persona: projetar análises em torno das decisões e perguntas de usuários de negócio específicos, em vez de simplesmente expor mais dados.

MODELOS DE DADOS VS. MODELOS SEMÂNTICOS VS. ONTOLOGIAS
A conversa explora três conceitos cada vez mais importantes na arquitetura moderna de análise da Microsoft.Um modelo de dados estrutura os dados subjacentes e suas relações.Um modelo semântico do Power BI adiciona lógica de negócio, medidas, cálculos, relações e segurança — criando uma camada analítica governada e uma fonte confiável para KPIs.Mas a IA frequentemente precisa de mais.Uma ontologia pode descrever entidades e relações de negócio de forma que permita à IA raciocinar sobre conceitos como clientes, produtos, lojas, funcionários, regiões, contratos, receita e processos de negócio.Modelos semânticos ajudam a responder:"Qual é o número?"Ontologias e contexto adicional podem ajudar a IA a investigar:"Por que o número mudou?"Juntas, essas camadas oferecem uma base muito mais sólida para agentes de IA.

MICROSOFT FABRIC COMO FUNDAÇÃO DE DADOS PARA A IA
O Microsoft Fabric desempenha um papel central nessa arquitetura.OneLake, Lakehouses, tabelas Delta, modelos semânticos, Direct Lake, Fabric Data Agents e a integração com o Copilot Studio podem criar uma base unificada para dados organizacionais estruturados e não estruturados.O episódio também explica por que o Direct Lake é importante.Em vez de importar e atualizar repetidamente dados em modelos semânticos tradicionais do Power BI, o Direct Lake permite que o Power BI trabalhe diretamente com dados armazenados no formato Delta, mantendo o desempenho analítico.Isso pode simplificar significativamente o caminho entre os dados corporativos e a análise e a IA.

AS CINCO CAMADAS DE UM "CÉREBRO ORGANIZACIONAL"
Rishi descreve um "cérebro organizacional" construído em torno de cinco camadas interconectadas:Dados — informações corporativas confiáveis e sistemas de origem.Lógica — DAX, SQL, Python, cálculos, KPIs e regras de negócio.Ferramentas — modelos semânticos, APIs, servidores MCP, aplicações e outras capacidades que os agentes podem usar.Habilidades — instruções e processos de negócio que descrevem como os agentes devem usar essas ferramentas e interpretar as informações.Governança — permissões, políticas, segurança, controles e regras que determinam o que os agentes podem fazer.O objetivo não é simplesmente dar a um LLM acesso a mais dados.O objetivo é oferecer à IA um ambiente governado no qual ela entenda quais dados, lógicas, ferramentas e processos devem ser usados para uma determinada pergunta de negócio.

AGENTES DE IA PRECISAM DE DADOS DETERMINÍSTICOS
A IA generativa é poderosa porque consegue raciocinar de forma flexível.O relatório financeiro não pode depender inteiramente dessa flexibilidade.Receita, margens, previsões, custos e outras métricas de negócio frequentemente exigem cálculos determinísticos e uma fonte de verdade governada.O episódio explora por que o futuro da IA corporativa pode, portanto, depender da combinação de dois mundos:Computação determinística para cálculos confiáveis e lógica de negócio.IA generativa para raciocínio, interpretação, exploração e interação em linguagem natural.Modelos semânticos e o Microsoft Fabric podem fornecer a base determinística, enquanto os agentes de IA fornecem a camada de raciocínio flexível.

DO DASHBOARD À INTELIGÊNCIA PERSONALIZADA
Dashboards tradicionais dizem aos usuários o que aconteceu.Um dashboard pode mostrar que a receita caiu sete por cento. O usuário então precisa navegar por dimensões, filtros, relatórios e conjuntos de dados para entender o porquê.Agentes de IA podem potencialmente realizar grande parte dessa exploração automaticamente.Mas uma boa narrativa ainda exige contexto.O número mais importante nem sempre é o maior. Uma métrica de negócio pode precisar ser interpretada em relação à receita, ao orçamento, a períodos anteriores, à estrutura organizacional ou a outros fatores.É aqui que a análise orientada por persona se torna particularmente importante.O CFO, o líder de vendas e o gerente operacional podem perguntar sobre o mesmo KPI, mas exigir explicações e ações muito diferentes.

COPILOT STUDIO E A PRÓXIMA GERAÇÃO DE AGENTES
A conversa também explora a evolução do Microsoft Copilot Studio, saindo das experiências tradicionais de chatbots baseados em tópicos e bases de conhecimento em direção a sistemas agênticos mais capazes.Agentes modernos podem combinar ferramentas, habilidades, dados corporativos, fluxos de trabalho e raciocínio.Essa capacidade adicional também introduz riscos adicionais.Quanto mais autonomia um agente recebe, mais importantes se tornam a fundamentação, as permissões, a governança, a avaliação e instruções claramente definidas.Agentes de IA não devem inventar números financeiros nem escolher arbitrariamente fontes de dados.Eles precisam de modelos semânticos confiáveis, dados governados, habilidades explícitas e barreiras claras.

TORNANDO A GOVERNANÇA ÚTIL NOVAMENTE
A governança torna-se ainda mais importante em uma organização agêntica.Em vez de tratar a governança como um documento que os funcionários devem ler, as organizações podem cada vez mais incorporar a governança diretamente nos ambientes, políticas, habilidades e instruções usados pelos agentes de IA.A discussão explora a ideia de tratar os agentes mais como funcionários digitais.Eles precisam de responsabilidades definidas, ferramentas aprovadas, permissões de acesso, regras de negócio, expectativas de desempenho e limites.A governança passa, portanto, a ser menos sobre documentação e mais sobre aplicação automatizada.

O MODELO OPERACIONAL PARA FABRIC E IA
Por fim, o episódio examina como as organizações podem gerenciar essa