Dashboard com IA: como o ChatGPT Data reduz as idas e vindas do relatório semanal

A OpenAI adicionou o Data ao ChatGPT Work e ao Codex em 10 de setembro de 2026. Para as empresas, o valor desse dashboard com IA vai muito além de ganhar mais um botão de gráfico: uma equipe pode tirar o relatório semanal de uma sequência de repasses e levá-lo para um único fluxo conectado e atualizável, mantendo as definições de métricas e a aprovação humana no circuito.

O que é, na prática, o ChatGPT Data

Data é um plugin para trabalhos de análise dentro do ChatGPT Work e do Codex. Você apresenta uma pergunta de negócio; ele cruza as fontes de dados que sua conta tem permissão para acessar e pode transformar o resultado em um dashboard interativo ou relatório. Se essas interfaces ainda forem novidade, a análise do ChatGPT Work mostra onde termina o Work e onde começa o Codex.

Ele não é um data warehouse, uma nova cópia do seu banco de dados nem um substituto para todas as ferramentas de BI. O guia de configuração do Data, da OpenAI, recomenda conectar um warehouse, fornecer uma camada semântica e usar ChatGPT Sites no dashboard final. A camada semântica registra o significado aprovado pelo negócio: o que conta como receita, quando um cliente passa a ser ativo, quais reembolsos ficam de fora e como as tabelas se relacionam.

Essa camada de definições é o ponto decisivo. Sem ela, o Data pode entregar uma explicação impecável para o número errado.

O ciclo tradicional dos relatórios costuma funcionar assim: uma liderança faz uma pergunta; uma pessoa analista encontra as tabelas, refaz a consulta, exporta o resultado, atualiza um gráfico e responde às perguntas seguintes. Cada rodada cria mais um repasse.

Com o Data, a liderança e a pessoa analista podem permanecer na mesma conversa. O plugin consulta uma fonte aprovada, aplica as definições de métricas da equipe, mostra filtros e evidências, revisa a análise e monta o dashboard. O trabalho analítico deixa de ser transportar números entre ferramentas e passa a ser definir a métrica, conferir a consulta e aprovar o resultado.

Isso também é diferente do Deep Research no ChatGPT Work. O Deep Research foi criado para reunir e citar evidências da web, de arquivos e de aplicativos compatíveis. Já o Data se volta à análise governada de dados operacionais conectados. Um produz um relatório de pesquisa com fontes. O outro pode se tornar o relatório recorrente de métricas que sua equipe abre toda semana.

O fluxo mudou; a fonte da verdade continua a mesma

O ganho está em reduzir as idas e vindas na produção dos relatórios. O risco está no fato de que um pedido feito em linguagem natural agora pode percorrer todo o caminho entre um warehouse e um dashboard compartilhado.

O Data trabalha com fontes como Amazon Redshift, ClickHouse, Databricks, Google BigQuery, MongoDB e Snowflake. Também pode recorrer ao contexto de negócio no Google Drive e no SharePoint e operar em conjunto com ferramentas de BI como Power BI, Tableau, Sigma e ThoughtSpot, quando essas conexões estiverem disponíveis. As ações possíveis variam conforme cada ferramenta e o acesso da pessoa usuária.

Nada disso transforma o modelo no sistema oficial de registro. A OpenAI orienta conferir a fonte, o período, os filtros e a definição da métrica antes de confiar em um resultado. Se uma resposta do Data divergir de um relatório existente, esses são os primeiros quatro pontos a comparar.

Quem mais tende a se beneficiar são as equipes que já pagam o custo das idas e vindas em pacotes financeiros, revisões de pipeline, dashboards de clientes, relatórios de retenção e reuniões operacionais. Sem fonte aprovada, definições estáveis ou acesso ao Data, não há fluxo recorrente. Um CSV avulso pode poupar alguns cliques, mas é nos relatórios recorrentes que está o argumento de negócio.

Quatro funções que podem mudar ainda esta semana

Uma liderança financeira em uma empresa de software

A liderança financeira pode pedir ao Data que atualize um pacote semanal de receita e retenção com base em uma visão aprovada do warehouse. O prompt informa o período do relatório, o período de comparação e as definições sob responsabilidade de Finanças. O Data prepara a explicação das variações e mostra o que sustenta cada gráfico.

O ganho não é um fechamento automático. É reduzir as passagens entre a pessoa analista, a planilha, a apresentação e a liderança financeira. Finanças continua dando a aprovação final aos números antes que o material chegue à diretoria.

Uma gerência de operações de receita

A gerência de RevOps pode investigar por que o pipeline mudou em cada região, usando a definição aprovada de pipeline e os dados do CRM ou do warehouse acessíveis pela conta. Perguntas complementares ajudam a separar uma mudança real nas vendas de uma alteração de filtro, uma sincronização atrasada ou registros sem mapeamento.

O ganho é encurtar o caminho entre “o número mudou” e “este é o segmento e esta é a linha da fonte que provocaram a mudança”. Operações de vendas continua responsável pelas definições de estágio e pela decisão de alterar uma previsão.

Uma liderança de atendimento em uma agência

A liderança de atendimento pode montar um dashboard de desempenho do cliente a partir de dados aprovados de publicidade e comércio e, antes da reunião semanal, pedir ao Data que explique a maior variação. As regras da marca podem orientar o visual sem exigir que o layout seja reconstruído manualmente.

O ganho é gastar menos tempo refazendo apresentações. A agência ainda precisa verificar se o cliente pode ver todas as dimensões copiadas para o dashboard final. Acesso à fonte e acesso ao dashboard não são o mesmo controle.

Uma liderança de operações de produto

A liderança de operações de produto pode rastrear uma mudança na retenção entre a ferramenta de product analytics e o documento que define uma pessoa usuária ativa. O Data compara coortes, deixa visíveis a janela de tempo e os filtros e transforma a análise conferida em um relatório para Produto e para a diretoria.

O ganho é reduzir as rodadas entre a gerência de produto e a pessoa analista. Se houver divergência sobre a definição de ativação, o Data não resolverá o impasse. Primeiro, a equipe terá de chegar a um acordo na camada semântica.

Como testar um dashboard com IA no relatório semanal

Não comece pelo dashboard executivo. Escolha primeiro um relatório cujo responsável, fonte, definições e formato atual já sejam conhecidos.

1. 1

   Escolha o relatório e a decisão

   Selecione um relatório recorrente e diga qual decisão ele sustenta. “Pacote semanal de receita” ainda é vago demais. “Decidir se a retenção exige uma intervenção antes da reunião operacional” dá uma linha de chegada à análise.

2. 2

   Confirme o acesso antes de escrever o prompt

   Uma pessoa administradora acessa Workspace settings > Plugins > Data, escolhe quem pode instalar o plugin e habilita a conexão necessária com a fonte. Cada pessoa instala o Data pelo diretório de plugins. No Codex, abra Sources, selecione Use plugins e escolha o plugin instalado. O aplicativo de origem ainda pode exigir configuração e autorização próprias.

3. 3

   Formalize o contrato da métrica

   Informe ao Data a fonte aprovada, a definição da métrica, o período do relatório, a comparação, as exclusões e a pessoa responsável. Aponte a visão semântica ou o dashboard confiável que deve prevalecer quando houver conflito entre definições. Se a equipe não consegue registrar isso por escrito, o fluxo ainda não está pronto para ser automatizado.

4. 4

   Faça a primeira execução em modo privado

   Comece com @Data para não deixar dúvida sobre qual plugin processou o pedido. Solicite o dashboard, os cálculos por trás dele, a atualidade da fonte, os filtros, os registros sem correspondência e qualquer premissa capaz de mudar a resposta. Peça que o resultado permaneça privado.

5. 5

   Confira as evidências

   Compare com o relatório atual os números que embasam a decisão. Confirme a fonte, o período, os filtros, a definição e os registros excluídos. Antes de aceitar um gráfico que apenas parece mais bem acabado, peça ao Data que explique qualquer divergência.

6. 6

   Meça primeiro; agende depois

   Registre o tempo efetivo de revisão, o uso do Work ou do Codex, a atividade no warehouse e qualquer custo de BI. Só agende uma atualização na nuvem depois que a execução manual for aprovada. A tarefa agendada do ChatGPT Work verifica a fonte e atualiza o dashboard. O Site em si não executa o agendamento.

Este é um prompt inicial que você pode adaptar:

@Data, monte nosso relatório semanal de receita e retenção a partir da visão semântica aprovada por Finanças. Compare a última semana completa com a semana completa anterior. Use as definições da equipe de Finanças, mostre a atualidade da fonte, os filtros, os cálculos e os registros sem correspondência e explique as maiores mudanças. Mantenha o dashboard privado. Não publique, não compartilhe, não envie mensagens a ninguém e não altere os dados de origem. Peça minha autorização antes de usar outra definição ou fonte.

A primeira execução deve revelar fragilidades nos limites da fonte e das definições, não escondê-las atrás de um dashboard pronto.

A conta de custos que realmente importa

A OpenAI não publicou um preço separado para o plugin Data. Isso não torna o fluxo gratuito. A conta pode aparecer no uso do Work ou do Codex, no processamento do warehouse, em uma licença de BI mantida pela empresa e na revisão humana que continua necessária.

Para montar um cenário concreto, suponha que hoje um relatório semanal exija 3.0 horas-pessoa, a um custo total médio de $80 por hora. Isso equivale a $12,480 por ano em 52 execuções. Se o Data reduzir a montagem e a revisão para 0.75 hora-pessoa por execução, o custo de trabalho cai para $3,120, liberando uma capacidade estimada em $9,360.

Esses valores são premissas, não um benchmark da OpenAI. Depois do piloto, troque-os pelos tempos medidos na sua operação.

A linha do ChatGPT usa uma atualização explicitamente hipotética com 50,000 tokens de entrada, 200,000 tokens de entrada em cache e 10,000 tokens de saída no GPT-5.6 Sol. A tabela atual de tarifas para novos planos Enterprise, da OpenAI, cobra $4.00, $0.40 e $20.00 por milhão de tokens, respectivamente. No exemplo, isso resulta em $0.48 por atualização e $24.96 por ano.

Os workspaces Business e Enterprise baseados em créditos usam outra unidade. A tabela atual de créditos precifica o GPT-5.6 Sol, no Work e no Codex, em 100 créditos por milhão de tokens de entrada, 10 por milhão de tokens de entrada em cache e 500 por milhão de tokens de saída. As licenças Business padrão usam primeiro os limites incluídos; depois, atividades elegíveis podem consumir os créditos comprados pelo workspace.

A linha do Snowflake pressupõe uma inicialização de warehouse X-Small por atualização semanal, com execução limitada ao mínimo de 60 segundos. O Snowflake cobra um crédito por hora contínua no X-Small, fatura no mínimo 60 segundos a cada inicialização e, depois disso, cobra por segundo. O Data pode fazer mais consultas, manter o warehouse ativo por mais tempo ou usar um warehouse maior. Para chegar ao custo real, consulte o histórico do warehouse, não esse piso.

O Power BI é opcional na configuração recomendada pela OpenAI. A Microsoft lista atualmente o Power BI Pro por $14 mensais por pessoa usuária no pagamento anual, mas uma licença existente pode ser um custo já absorvido, e o preço no checkout varia. Não adicione uma licença de BI só porque o Data consegue se conectar a ela.

A fórmula para a decisão é simples:

Valor anual = execuções do relatório × horas eliminadas × custo total da mão de obra, menos uso incremental do Work, processamento do warehouse, novas licenças de BI e revisão remanescente.

Se esse fluxo exigir a compra de uma licença do ChatGPT, inclua-a na conta. Se a equipe já paga pela licença e pela ferramenta de BI, considere apenas o custo marginal. O piloto deve substituir cada premissa por um número observado.

A armadilha de permissões aparece depois da consulta

As consultas do Data usam as permissões existentes na conta conectada, inclusive as restrições por tabela, linha e coluna. Instalar o plugin Data não concede acesso ao warehouse; conectar o warehouse também não libera nada além do papel autorizado.

A publicação cria uma segunda fronteira de permissão. Segundo a OpenAI, os dados usados na análise são copiados para o ChatGPT Site publicado. A partir daí, o Site tem sua própria configuração de público, que pode incluir pessoas selecionadas, um workspace, pessoas externas identificadas ou o público geral, quando a conta e a administração permitem.

Na prática, alguém sem permissão para executar a consulta na fonte ainda pode fazer parte do público dos dados copiados para o Site. Trate os campos e o público do dashboard como uma nova publicação, e não como uma janela ao vivo que herda automaticamente as permissões do warehouse.

Um Site novo começa restrito ao proprietário e à administração do workspace, até que o acesso seja alterado. A publicação pública no Enterprise vem desativada por padrão, mas esse é apenas um dos controles. O compartilhamento com pessoas externas identificadas ou com todo o workspace ainda pode ampliar o público quando estiver habilitado.

Os limites, sem rodeios

A disponibilidade por plano não é clara o bastante para sustentar uma promessa universal. O diretório de plugins existe nos planos do ChatGPT, mas cada plugin depende do plano, workspace, papel, região, interface, estágio de liberação e recursos incluídos. O guia do Data não publica uma lista exata de planos elegíveis. Antes de fazer uma compra com base nisso, confira se o Data aparece na conta e no workspace que serão usados.

O Sites traz outra dúvida de preço em aberto. Ele está em beta público para workspaces do ChatGPT e contas Plus e Pro, sujeito à liberação gradual e aos controles disponíveis. O uso só está incluído até os limites do beta específicos de cada plano, e a OpenAI afirma que os detalhes completos de preços ainda serão divulgados.

A automação também consome uso. As automações compatíveis com Work e Codex são medidas junto com a atividade do modelo, conforme a tabela de tarifas aplicável. O fluxo de dashboard, da OpenAI, informa que uma tarefa na nuvem pode continuar com o notebook desligado, enquanto uma tarefa no desktop exige que o computador esteja ligado e o aplicativo em execução. Escolha conscientemente onde executar e, depois, acompanhe os registros de uso.

O Data também não conserta uma lógica de negócio frágil. A ausência de uma camada semântica, um KPI em disputa, acesso incompleto pela conta, uma fonte desatualizada ou uma ação não compatível com a ferramenta continuarão abrindo lacunas. O dashboard pode deixá-las mais bonitas. Não pode torná-las menores.

O que fazer na segunda-feira

Vale agir nesta semana se a equipe refaz o mesmo relatório, sabe quem responde por ele e qual é a fonte aprovada, além de trabalhar com definições estáveis de métricas. Espere se o Data não aparece no workspace pretendido, se a conexão com a fonte ainda não passou por revisão ou se duas equipes continuam calculando o KPI de formas diferentes. O impacto tende a ser pequeno quando uma atualização de BI já entrega às pessoas certas um relatório conferido, com pouca intervenção manual.

Na segunda-feira, escolha um relatório que já esteja no calendário e execute-o de forma privada pelo Data. Primeiro, registre o tempo atual de montagem. Forneça ao Data a visão aprovada e o contrato da métrica; depois, compare com o relatório existente cada número que embasa uma decisão. Registre o uso do Work, a atividade no warehouse e o tempo de revisão. Não agende nem publique até que o resultado passe por essa verificação e que o público do Site tenha uma pessoa responsável definida.

Para receber mais guias operacionais em linguagem direta sobre como a IA muda a conta dos fluxos de trabalho, assine a newsletter.