Em termos simples, a OpenAI está tentando transformar o ChatGPT em uma interface universal para os dados internos da empresa.
No dia 10 de setembro de 2026, ela lançou o Data agent no ChatGPT Work. A ideia: conectar direto em fontes que a empresa já confia — Snowflake, BigQuery, Databricks, Amazon Redshift, MongoDB, ClickHouse, Datadog, Google Drive, SharePoint e outras — e deixar a pessoa perguntar em português (ou inglês) o que antes virava ticket pro time de dados.
Não precisa escrever SQL. Não precisa abrir o BI. Pergunta. O agente investiga, cruza, explica e pode montar dashboard interativo.
O fluxo que muda
Hoje, na maior parte das empresas, a jornada ainda é esta:
funcionário → pergunta → analista → SQL → tratamento → Power BI/Tableau → relatório → funcionário
Com o Data agent, o caminho que a OpenAI vende é outro:
funcionário → pergunta → agente consulta dados autorizados → analisa → responde → dashboard → sugere ação
E a conversa continua. “Por que caiu?” “Quais clientes causaram isso?” “Compare com o trimestre anterior.” “Quem precisa agir?” “Mande isso pro time.” Segundo a OpenAI, o agente pode mandar resultado por Slack ou e-mail e executar ações em sistemas conectados — mediante aprovação.
Não é “jogar o warehouse no chat”. É analytics conversacional com freio.
A aposta real: camada semântica
Aqui está o ponto que mais me importa.
IA em cima de tabela crua, sem definição, é receita pra resposta errada com confiança absurda. Financeiro chama “receita” de um jeito, Produto de outro, Marketing de um terceiro. O agente não inventa a verdade da empresa: ele recebe a verdade que a empresa já documentou.
A OpenAI diz que o Data agent usa termos de negócio, métricas, cálculos customizados e relações entre tabelas. Esse contexto vem de semantic layers e fontes confiáveis: Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon, dashboards de BI.
A fórmula, na prática:
dados + definição empresarial + permissões + IA = analytics conversacional
Sem a definição, você só tem um modelo falando bonito em cima de caos.
Permissão não é detalhe
Administradores escolhem quais conexões entram. As consultas, segundo a OpenAI, respeitam restrições de tabela, linha e coluna que já existem. Um vendedor não deveria conseguir perguntar o salário do CEO só porque o agente “está conectado ao warehouse”.
Se a sua empresa liga o agente sem governança, o problema não é o modelo. É o processo.
Quatro impactos que eu vejo
1. BI deixa de ser tão centralizado.
Uma pessoa de produto pode perguntar: “Usuários da funcionalidade X retêm mais depois de 90 dias?” e investigar sozinha. A OpenAI afirma que quase todo o time de produto e mais de dois terços da organização de GTM já usam data agents internamente no ChatGPT Work.
2. O time de dados não some. Fica mais estratégico.
Menos fila de “roda essa query pra mim”. Mais qualidade, métricas oficiais, semantic layer, permissões, lineage, governança e infraestrutura. A própria OpenAI diz que conseguiu adotar isso porque o time de dados criou definições compartilhadas, regras de acesso e salvaguardas pra dados sensíveis.
3. Power BI e Tableau não precisam morrer.
O Data agent trabalha com Omni, Oracle BI, Power BI, Sigma, Tableau e ThoughtSpot. ChatGPT vira a interface de comando. Em vez de construir tudo na mão, você diz: “cria um dashboard de retenção por coorte e publica no Power BI.”
4. Aparece o ciclo completo de decisão.
pergunta → dados → análise → hipótese → dashboard → decisão → ação
Exemplo: “Por que o churn aumentou?”
O agente poderia achar concentração em clientes com três ou mais tickets nos primeiros 30 dias, cruzar com NPS e uso, montar o dashboard, sugerir que Customer Success ataque aquele grupo e preparar a lista de contas.
Isso aproxima analytics de um agente operacional — ainda com humano no loop quando a ação sai do chat.
Casos que a OpenAI cita
- ServiceTitan: dashboard mostrando que usuários do Atlas (assistente de IA deles) lançavam campanhas em cerca de 3× a taxa dos demais.
- micro1: time de operações reconstruiu dashboards de performance em cerca de meia hora, pedindo em linguagem natural, e achou erros nos originais.
- NTT Data (e outras no Alpha): análise de vendas e gasto, captura de erro de relatório, priorização de oportunidade — inclusive gente não técnica montando dashboard.
São claims da OpenAI e dos clientes no anúncio. Trate como case de lançamento, não como estudo peer-reviewed.
O gargalo muda de lugar
A consequência empresarial que eu vejo é esta:
o gargalo sai de “quem sabe consultar os dados?” e vai pra “os dados da empresa estão organizados o suficiente pra uma IA entendê-los corretamente?”.
Empresa com banco bagunçado, definição conflitante, evento mal instrumentado e dado espalhado vai colocar IA em cima do caos e obter caos mais rápido.
Empresa que tiver:
tracking bom → warehouse → métricas padronizadas → semantic layer → permissões → agentes
ganha outra velocidade: qualquer funcionário autorizado passa a ter algo parecido com um analista sob demanda.
Implicação pra quem faz SaaS
Talvez você não precise mais de 50 dashboards fixos pra cada pergunta imaginável. A tendência que eu leio é: poucos dashboards principais + uma interface onde o usuário pergunta “o que aconteceu no meu negócio esta semana?” e o sistema gera a análise na hora.
É uma das mudanças mais relevantes que agentes de IA trazem pro software corporativo: sair de software como conjunto de telas pra software como dados + capacidades que o agente consegue operar.
Se a sua stack de dados ainda é um depósito de tabelas sem dono de métrica, o Data agent não é o próximo passo. O próximo passo é definir o que é cliente ativo, churn e receita líquida — e quem pode ver o quê.