Seu agente de banco de dados de IA não sabe o que significa receita

A maneira mais rápida de obter uma resposta errada de um agente de banco de dados de IA é fazer uma pergunta simples de negócios.

Qual foi a receita no mês passado?

Isso parece fácil.

O banco de dados possui faturas, assinaturas, pagamentos, reembolsos, créditos, descontos, impostos, testes, cobranças falhadas e contas de teste.

O modelo vê tabelas.

Seu negócio vê definições.

Se essas definições não fazem parte do sistema, o modelo tem que adivinhar.

SQL válido ainda pode estar errado

Uma tabela chamada payments pode incluir tentativas falhadas.

subscriptions pode incluir testes.

amount pode ser bruto, líquido, antes dos impostos, depois dos impostos ou armazenado em centavos.

created_at pode significar criação de fatura, captura de pagamento ou inscrição de cliente.

Um agente de IA pode escrever SQL sintaticamente válido em relação a tudo isso e ainda assim responder à pergunta errada.

É por isso que o SQL em linguagem natural precisa de contexto métrico, não apenas de contexto de esquema.

Um prompt pode dizer ao modelo como calcular MRR.

Uma visão aprovada torna a definição executável.

Em vez de expor tabelas brutas de faturas e pagamentos, exponha algo como:

reporting.monthly_recurring_revenue

com colunas revisadas, escopo de inquilino, granularidade de tempo, suposições de moeda e filtragem de contas de teste já tratadas.

O modelo ainda ajuda os usuários a fazer perguntas flexíveis.

Mas a definição de negócios vive na infraestrutura, não em uma instrução frágil.

Para relatórios de IA, a ferramenta MCP deve carregar contexto como:

Caso contrário, o modelo pode produzir uma resposta confiante enquanto oculta as ressalvas que importam.

A regra prática:

Se uma métrica é importante o suficiente para uma reunião de liderança, é importante o suficiente para ser definida antes que um agente a calcule.