É quinta-feira à tarde, e seu engenheiro de dados sênior tem mais uma mensagem do Slack do setor financeiro aguardando resposta. A solicitação é pequena: uma junção, uma renomeação, uma coluna recalculada. A interrupção, porém, não é pequena. Cada uma dessas solicitações tira tempo do trabalho de plataforma no qual sua equipe já está investindo e, com o tempo, esse trabalho rotineiro de preparação começa a ditar as prioridades.
Esse desequilíbrio está se tornando cada vez mais comum. O relatório State of AI 2025 da McKinsey mostra que, embora a adoção de IA seja praticamente universal, com 88% das organizações relatando uso regular de IA em pelo menos uma função de negócios, apenas cerca de um terço começou a expandir a IA em toda a empresa. Em muitas organizações, os obstáculos não estão na qualidade dos modelos, mas nos problemas de fluxo de trabalho, dados e modelo operacional. Isso coloca uma pressão direta sobre as equipes de TI e dados, que já precisam lidar simultaneamente com modernização, governança e viabilização da IA.
Enquanto isso, o negócio continua precisando de respostas. Os analistas ficam com filas de solicitações de preparação de dados que provavelmente conseguiriam resolver sozinhos se as ferramentas fossem mais acessíveis e as regras de governança fossem claras.
A linguagem natural começa a mudar esse cenário. Um analista pode descrever o fluxo de trabalho de que precisa em linguagem simples e receber uma versão que possa revisar, ajustar e executar. Para a TI, isso representa uma oportunidade real, mas apenas se esses fluxos de trabalho forem criados dentro do mesmo ambiente de controle usado para o restante das operações de dados. Caso contrário, a organização apenas terá facilitado a criação de processos sem governança em uma velocidade maior.
O que a linguagem natural realmente muda no preparo de dados
Imagine um analista digitando: "Combine a exportação de oportunidades do Salesforce com os dados de campanha do Marketo, remova duplicatas por e-mail e sinalize qualquer pessoa que tenha aberto mais de três e-mails no último trimestre."
Construção de fluxos de trabalho conversacionais
Um assistente de linguagem natural pode transformar essa solicitação em etapas de fluxo de trabalho: junções, filtros, padronização, validação e outros processos necessários. O analista ainda revisa o fluxo de trabalho visualmente, verifica as transformações, ajusta o que parecer incorreto e executa o processo quando estiver satisfeito. O resultado não é uma resposta de caixa-preta, mas um fluxo de trabalho que pode ser inspecionado.
Limpeza e transformação de dados auxiliadas por IA
A linguagem natural também ajuda a automatizar os tipos de tarefas de limpeza que os analistas costumam realizar manualmente por horas:
- Alinhamento de esquemas entre sistemas de origem inconsistentes
- Padronização de formatos de data e moeda
- Limpeza de campos de texto livre em que os clientes inseriram "U.S.A.", "USA" e "United States" na mesma coluna
- Identificação de valores ausentes, registros duplicados ou outliers antes da geração de relatórios em etapas posteriores
A linguagem natural gera mais valor quando executa esse trabalho dentro do mesmo ambiente governado usado pelo restante da pilha de dados, e não em um canal paralelo onde as informações deixam o limite de auditoria.
Documentação do fluxo de trabalho como subproduto
Há também outro benefício prático. A assistência de IA pode ajudar a descrever a lógica do fluxo de trabalho, identificar anomalias e gerar documentação durante o processo de criação. A maioria das equipes não tem tempo suficiente para documentar adequadamente as soluções à medida que são desenvolvidas. Quando a documentação é capturada durante a criação, em vez de ser deixada para depois, aumenta a probabilidade de que ela esteja disponível quando outra pessoa precisar manter o fluxo de trabalho no futuro.
O que muda para as equipes de dados e engenharia
A linguagem natural não elimina a necessidade de engenheiros ou cientistas de dados. Ela permite transferir o trabalho básico de preparação de dados para as pessoas que têm mais contexto de negócio e libera os especialistas para atividades que exigem suas habilidades técnicas.
Essa é a verdadeira redistribuição: menos interrupções para tarefas como junções, renomeações, limpeza e enriquecimento simples; mais tempo para arquitetura de pipelines, definição de governança, engenharia de recursos e questões de qualidade que realmente exigem um julgamento técnico mais aprofundado.
Quando funciona bem, os analistas trabalham com mais agilidade, e a TI recebe menos solicitações pequenas que desviam a atenção de prioridades maiores.
Por que a governança se torna mais difícil, não mais fácil
Se a linguagem natural facilita a criação de fluxos de trabalho, mais pessoas passarão a criá-los. Isso pode ser positivo, mas também amplia o escopo que a TI precisa gerenciar. À medida que o uso cresce, a governança passa a depender menos de controles individuais e mais de políticas, permissões, treinamento, processos de revisão e monitoramento.
As primeiras implementações costumam enfrentar desafios previsíveis. As equipes habilitam a criação de fluxos de trabalho assistidos por IA antes de definir quais fontes de dados são aprovadas. Os registros de auditoria estão tecnicamente disponíveis, mas ninguém determinou quem deve revisá-los ou com que frequência. Os usuários recebem mais autonomia, mas não existe um caminho claro de escalonamento para dados confidenciais ou resultados questionáveis.
As equipes que lidam bem com esse cenário geralmente começam com um caso de uso bem definido, um responsável claro pela governança e um grupo pequeno de usuários treinados. Depois que esse piloto estiver funcionando bem, a organização pode expandir a abordagem para outras equipes e casos de uso.
A verdadeira questão para a TI
Para líderes de TI, a questão não é se a linguagem natural consegue criar um fluxo de trabalho. A questão é se o fluxo de trabalho criado é seguro, repetível e rastreável.
Uma capacidade de preparação de dados self-service que ignora a governança representa um risco, não um ganho de produtividade.
Duas camadas de governança são especialmente importantes: governança de dados e governança de IA.
Governança de dados: como os dados são usados
Fluxos de trabalho criados por usuários com diferentes níveis de conhecimento técnico ainda precisam operar sob os mesmos controles aplicados ao restante do ambiente de dados. Na prática, isso geralmente significa:
- Controles de acesso baseados em funções vinculados ao provedor de identidade empresarial
- Logs de auditoria para execução de fluxos de trabalho, acesso a dados e alterações realizadas
- Rastreamento de linhagem que mostra a origem dos dados e como eles foram transformados
- Monitoramento de conformidade para conjuntos de dados sensíveis ou regulamentados
O relatório Cost of a Data Breach Report 2025 da IBM constatou que, entre as organizações que sofreram violações envolvendo modelos ou aplicações de IA, 97% não tinham controles de acesso de IA adequados. O relatório também apontou que níveis elevados de IA sombra aumentaram, em média, US$ 670 mil aos custos totais de uma violação. O uso não gerenciado de IA já está criando uma exposição de segurança mensurável.
Governança de IA: como os modelos são usados
Se os fluxos de trabalho dependem de modelos de linguagem avançados, a TI precisa de respostas claras para algumas perguntas importantes:
- Quais modelos estão aprovados?
- Onde os dados são processados?
- Quais instruções e resultados são armazenados?
- Quem pode acessar modelos externos?
- Como o uso é monitorado e contabilizado?
Um exemplo simples ajuda a tornar a questão mais concreta. Um analista financeiro deseja criar uma etapa de fluxo de trabalho que resuma PDFs de contratos e extraia datas de renovação. Em um ambiente governado, o analista escolhe entre conexões com modelos aprovados que a TI já configurou. O fluxo de trabalho é executado, a atividade é registrada e o caminho dos dados permanece visível. O analista ganha agilidade, enquanto a TI mantém controle sobre o inventário de modelos, o fluxo de dados e a trilha de auditoria.
Uma estrutura prática para self-service analytics
Uma maneira útil de pensar sobre a implementação é ajustar o nível de governança ao risco associado a cada fluxo de trabalho. Self-service não precisa significar permissões iguais para todos. Significa aplicar controles adequados ao nível de risco envolvido.
Nível 1: preparação operacional de baixo risco
Junções de rotina, formatação, deduplicação e resumo de dados internos governados. Controles de acesso padrão e logs de auditoria geralmente são suficientes. Este é o melhor ponto de partida para a maioria das equipes.
Nível 2: enriquecimento interfuncional
Fluxos de trabalho que combinam múltiplos sistemas de negócio, documentos não estruturados ou serviços externos de IA. Esse nível exige controles mais deliberados, como fontes de dados aprovadas, conexões com modelos aprovados para etapas assistidas por IA e revisão periódica dos resultados.
Nível 3: fluxos de trabalho regulamentados de alto risco
Qualquer processo que envolva PII de clientes, geração de relatórios regulamentada, controles financeiros, dados do setor de saúde ou tomada de decisão baseada em modelos. Esse nível exige aprovação explícita antes da entrada em produção, separação entre quem cria e quem aprova, linhagem completa dos dados e monitoramento ativo.
Muitas organizações aplicam controles excessivos ao trabalho de nível 1 e controles insuficientes ao trabalho de nível 3. A linguagem natural não resolve esse desequilíbrio sozinha, mas torna um modelo de governança em camadas mais fácil de aplicar quando os limites estão claramente definidos.
Como isso funciona na prática
Existem algumas maneiras pelas quais o cenário apresentado no início desta publicação pode se desenrolar.
A versão ruim é que as equipes de negócio se cansam de esperar e passam a contornar a TI. As pessoas criam fluxos de trabalho paralelos em planilhas ou inserem dados confidenciais em ferramentas públicas de IA porque precisam de respostas rapidamente. Isso já acontece em muitas organizações e, geralmente, cria um problema ainda maior do que o backlog original.
A versão melhor é que a TI oferece às equipes uma maneira governada de realizar mais tarefas de forma autônoma. Isso exige uma plataforma que reúna três elementos em um único ambiente: acesso a fontes de dados aprovadas, acesso governado a modelos de IA e recursos de auditoria e linhagem, além de ferramentas de criação de fluxos de trabalho que os analistas consigam usar de forma prática. Este exemplo usa o Alteryx One.
O analista que enviou a solicitação de junção abre o Designer e começa usando o Ask Alteryx, o assistente de fluxos de trabalho baseado em chat anteriormente conhecido como Alteryx Copilot. Ela descreve a necessidade de combinar dados do pipeline do Salesforce com o histórico de engajamento do Marketo, e o Ask Alteryx orienta a criação da lógica de junção, da deduplicação e da padronização de campos, sugerindo cada etapa para que o analista revise antes de continuar.
Ela também pode usar a paleta de ferramentas com IA integrada ao Designer. Essa paleta inclui ferramentas desenvolvidas especificamente para tarefas como alinhamento de esquemas entre fontes inconsistentes (Schema Fit Tool), correspondência difusa e padronização (Precision Match Tool), extração de dados de documentos estruturados, como faturas (Invoice Extractor Tool), e etapas configuráveis com base em LLM para instruções personalizadas (Prompt Tool e LLM Override Tool). Cada ferramenta opera no mesmo ambiente governado que o restante do fluxo de trabalho.
Nos bastidores, os metadados de execução são registrados, a linhagem dos dados é preservada e as políticas de acesso continuam sendo aplicadas por meio de controles de identidade centralizados. Fluxos de trabalho assistidos por IA não operam sob um nível de governança inferior. Eles seguem as mesmas expectativas de revisão e auditoria aplicadas aos demais processos.
O que a TI precisa configurar
As capacidades de governança do Alteryx One incluem autenticação SAML e OAuth, integração com provedores de identidade como Okta e Azure AD, permissões baseadas em funções, registro de logs de auditoria, provisionamento via SCIM para gerenciamento automatizado de usuários e integrações de linhagem com plataformas de governança como Atlan e Collibra.
Para a governança de modelos de IA, o Alteryx One oferece suporte a conexões com LLMs aprovados pela empresa, incluindo OpenAI, Anthropic, Google Gemini e Cohere, além de abordagens de "traga seu próprio modelo" (BYOM) para organizações com requisitos específicos de conformidade. A conectividade com LLMs é vinculada à função Usuário completo e pode ser restringida ainda mais por meio de funções personalizadas, permitindo que a TI defina quais modelos estão disponíveis e quais usuários têm permissão para utilizá-los.
Como avaliar a prontidão antes do lançamento
Antes de colocar essa abordagem em prática, três perguntas podem revelar muito sobre o nível de preparação da organização:
- Quais tipos de solicitações causam mais interrupções? Se a maioria das solicitações recebidas envolve tarefas repetitivas de preparação de dados, como junções, formatação, limpeza e enriquecimento leve, a linguagem natural provavelmente poderá absorver uma parte significativa dessa carga. Se a fila for dominada por pipelines frágeis, dependências complexas ou lógica de negócio indefinida, o problema está na arquitetura subjacente.
- Quais usuários podem assumir mais responsabilidade? Os melhores usuários iniciais são analistas que conhecem bem o contexto de negócio, mas não têm conhecimento técnico suficiente para automatizar a preparação de dados sem suporte. A linguagem natural pode ajudá-los a avançar mais rapidamente, mas não substitui o julgamento humano. Se alguém não consegue avaliar se o resultado de uma junção faz sentido, o fluxo de trabalho ainda pode estar incorreto, apenas executando mais rapidamente.
- Qual é o nível de maturidade da sua governança de IA hoje? Se você não consegue responder com clareza quais modelos são aprovados, onde os dados são processados, quais informações são armazenadas, quem pode acessar modelos externos e como o uso é monitorado, essas lacunas provavelmente aparecerão quando a adoção começar. Quando ferramentas aprovadas não estão disponíveis, os funcionários tendem a recorrer a alternativas não aprovadas, e a visibilidade sobre o uso de dados e modelos pode ser perdida.
A maioria das organizações não implementará um modelo de self-service governado de uma só vez. Elas começarão com uma categoria de fluxo de trabalho, um conjunto de padrões de governança e um grupo confiável de usuários, expandindo a abordagem gradualmente.
Primeiros passos
O Alteryx One oferece suporte a todo o fluxo de trabalho descrito acima: preparação de dados assistida por linguagem natural, acesso governado a modelos de IA e controles de nível empresarial, tudo em uma plataforma que a TI pode gerenciar e que os analistas podem usar sem depender de suporte de engenharia. Existem algumas maneiras de avaliar esses recursos:
- Avaliação gratuita: inicie uma avaliação gratuita e explore, na prática, a criação de fluxos de trabalho assistida por linguagem natural. Não é necessário configurar ambientes de engenharia para começar.
- Solicite uma demonstração: se preferir ver os controles de governança e os recursos de IA configurados para o seu ambiente, solicite uma demonstração e analise a solução com especialistas que podem considerar seus requisitos específicos de TI.
- Explore os recursos de governança: a visão geral de governança do Alteryx One apresenta os controles de acesso, logs de auditoria, integração de identidade e recursos de linhagem disponíveis para administradores de TI.