The Augmented Consultant by Hugo Lourenço Silva
Power BI

The Semantic Model is the New AI Contract

Publicado

Porque a qualidade da IA em Analytics vai depender da qualidade da camada semântica.

Num cenário que qualquer equipa de BI reconheceria, o Copilot responde a uma pergunta de negócio com toda a confiança e devolve um número errado. Não ligeiramente errado. Errado por um fator de três.

Os dados estão bem. O DAX por trás do visual está bem. O problema é o modelo. Há duas medidas, Revenue e Total Revenue, uma delas silenciosamente filtrada a uma única unidade de negócio. Nenhuma tem descrição. Uma relação bidirecional está a inflacionar o total a três joins de distância. O Copilot nunca teve hipótese. Leu o modelo exatamente como ele estava escrito, e o modelo, apesar de tecnicamente válido, estava a representar mal o negócio.

É esta a mudança que merece atenção. A IA não precisa apenas de dados. Precisa de significado. E no Power BI, o significado vive no semantic model.

O papel do modelo acabou de mudar

Durante anos tratámos o semantic model como a base dos reports. Constrói-se uma vez, põem-se visuais limpos por cima, entrega-se o dashboard. O modelo era a canalização. Canalização importante, mas canalização.

Na era da IA esse papel muda. O semantic model deixa de ser apenas a base dos teus reports e passa a ser o contrato entre o negócio, os dados, os reports, o Copilot e os agentes. Tudo o que faz uma pergunta aos teus dados passa a ler esse contrato primeiro.

E aqui está a parte incómoda. Um analista humano consegue contornar um modelo mau. Sabe que Revenue é a que Finanças confia e que Total Revenue é a antiga que ninguém apagou. Carrega esse contexto na cabeça e corrige-o em silêncio. O Copilot e um agente só têm o que o modelo lhes diz. Cada atalho que deixaste, cada medida sem documentação, cada nome ambíguo, passa a ser uma instrução que a máquina segue à letra.

O que muda quando entra um agente na equação

Até há pouco tempo, o principal consumidor do teu modelo era um report controlado. Tu decidias os visuais, os filtros e a forma das perguntas. O modelo só respondia às perguntas que já tinhas desenhado.

Já não é assim. O modelo passa a ser lido pelo Copilot in Power BI, pelos Fabric data agents, pelos Power BI MCP servers e por agentes personalizados construídos por cima deles. Quando um Fabric data agent recebe uma pergunta, reformula-a e depois escolhe a fonte que considera mais relevante, um semantic model, um lakehouse, um warehouse, uma KQL database, uma ontologia ou um índice Azure AI Search, e consulta essa fonte. O teu modelo é um candidato entre vários, a competir para ser entendido.

É por isso que a qualidade semântica se tornou crítica de repente. Já não escreves para um report que controlas. Escreves para um conjunto de agentes que vão interpretar o modelo sozinhos, decidir se o usam, e responder a pessoas reais com base no que lá encontram.

Onde o significado realmente vive

Se o modelo é o contrato, estas são as suas cláusulas. Cada uma passa a ser orientada para a IA, e não apenas para quem desenvolve.

Nomes de medidas e uma fonte única de verdade. Três medidas para um número sempre foi um mau cheiro. Agora é uma ambiguidade que a IA tem de adivinhar, e vai adivinhar mal à frente de alguém que importa.

Descrições, sinónimos e Prep data for AI. Durante anos estes metadados pareceram opcionais. Agora são instruções de interpretação. A IA usa nomes, descrições, sinónimos, os AI data schemas e as AI instructions que defines em Prep data for AI, e o contexto do modelo, para mapear uma pergunta humana para a métrica certa. Ter “margem”, “margem bruta” e “MB” a apontar para a mesma medida deixa de ser um luxo. É assim que a pergunta chega ao cálculo certo em vez de a um plausível errado.

Relações e cardinalidade. Um filtro bidirecional perdido ou um fan trap produziam antes um visual errado que um developer acabava por apanhar. Agora são um motor de alucinação: a IA herda o total errado e apresenta-o com confiança perfeita e rastreável.

Hierarquias e uma tabela de datas marcada. A time intelligence e os drilldowns são a forma como um agente raciocina sobre “o trimestre passado contra o mesmo trimestre do ano anterior”. Se a tabela de datas não estiver marcada e a hierarquia não estiver limpa, a IA improvisa.

RLS, CLS/OLS e permissões. A segurança também faz parte do contrato. Quando um Fabric data agent responde através do Copilot, aplica a segurança do modelo com base nas permissões do utilizador, por isso o modelo tem mesmo de definir quem pode ver o quê. Se isto estiver mal, um agente vai de bom grado expor um número que quem perguntou nunca teve autorização para ver.

Colunas técnicas escondidas. Se uma surrogate key ou uma coluna auxiliar estiver visível no modelo, a IA pode usá-la. Tudo o que não é para ser consultado deve estar escondido, ou passa a fazer parte do contrato por acidente.

Duas perguntas que um modelo mal preparado erra

O risco sente-se melhor com perguntas concretas.

“Qual foi a receita do trimestre passado?” O modelo tem Gross Sales, Net Sales e Total Revenue, nenhuma com descrição. A IA escolhe uma medida plausível. Pode não ser a que Finanças reporta. A resposta parece certa, chega a uma reunião, e contradiz em silêncio o número oficial.

“Quais são os nossos clientes ativos?” A definição de “cliente ativo” está hardcoded numa medida antiga que já não corresponde à forma como o negócio a define hoje. A IA devolve uma resposta perfeitamente consistente com o modelo e errada para o negócio. Ninguém repara, porque é consistente.

Nenhum destes casos é um modelo que rebenta. São modelos que respondem com confiança e erram. É este o modo de falha que a IA introduz: não erros que partem, erros que soam a certos.

Um modelo limpo é necessário, não suficiente

É aqui que tenho de ter cuidado, porque seria fácil vender o semantic model como a coisa que torna a IA de confiança. Por si só, não é.

Se o teu modelo codifica a definição de negócio errada de “cliente ativo”, a IA vai defender essa definição errada com confiança perfeita e linhagem completa. O modelo torna a IA consistente. Não a torna correta. E consistência por cima de uma definição errada apenas escala o erro mais depressa e mais longe do que um humano alguma vez conseguiria.

Essa parte não se transfere para o modelo. O consultor continua dono de saber se as definições gravadas no modelo correspondem mesmo ao negócio. A IA lê o contrato. Não verifica se o contrato é justo.

Como começar já a preparar os teus modelos

Não precisas de esperar pela próxima versão do Copilot para agir. O trabalho que torna um modelo pronto para IA é, na maior parte, o trabalho que já o torna bom, levado a sério.

  1. Junta medidas duplicadas numa única versão canónica e guarda um mapa de renomeação para as restantes.
  2. Escreve uma descrição para cada medida e cada coluna importante. Trata cada uma como um prompt que a IA vai ler.
  3. Configura o Prep data for AI: define os AI data schemas, as AI instructions e os sinónimos para que as perguntas cheguem às tabelas e medidas certas.
  4. Audita as tuas relações. Remove filtros bidirecionais que não justificam o seu lugar e caça os fan traps.
  5. Marca a tua tabela de datas e constrói hierarquias limpas e intencionais.
  6. Acerta o RLS, o CLS/OLS e as permissões, e depois testa-os como a fronteira da IA, porque é isso que são.
  7. Esconde tudo o que é técnico e não é para ser consultado.

É também aqui que um agente ganha o seu lugar do outro lado da mesa. Com o local Power BI MCP server, o orientado a modelação, que trabalha sobre TMDL e ficheiros Power BI Project, posso pedir a um agente para inspecionar o modelo, encontrar as medidas duplicadas, as descrições vazias, as relações suspeitas e os problemas de modelação, e depois decido eu o que aceitar, corrigir ou rejeitar. O mesmo tipo de IA que um dia vai consumir o modelo é muito bom a ajudar-te a prepará-lo para ela.

A próxima fase

A próxima fase do Power BI não vai ser apenas sobre construir melhores reports. Vai ser sobre construir semantic models que humanos, equipas e agentes consigam usar com confiança. As equipas que vão ganhar a era da IA não vão ser as que têm os dashboards mais bonitos. Vão ser aquelas cujos modelos dizem a verdade de forma suficientemente clara para uma máquina os ler sem precisar de um humano na sala a traduzir.

O semantic model deixa de ser apenas uma camada técnica.

Passa a ser um contrato de confiança. E a IA vai cobrar-te exatamente aquilo que o modelo diz, não aquilo que querias dizer.

Referências úteis