A Microsoft anunciou recentemente uma atualização relevante para o ecossistema de Real-Time Intelligence dentro do Microsoft Fabric: a integração do Copilot para a criação e edição de visuais em Real-Time Dashboards. A proposta é clara — eliminar a barreira técnica do Kusto Query Language (KQL) no desenvolvimento de painéis analíticos.
Para líderes de tecnologia e equipes de engenharia, essa movimentação aponta para uma mudança clara no workflow de dados. Tradicionalmente, criar dashboards eficientes exige um gargalo constante: a união entre o conhecimento do negócio e a habilidade técnica de escrever consultas complexas. O resultado, muitas vezes, é um ciclo de backlog onde analistas de dados precisam recorrer a engenheiros de dados apenas para ajustar uma visualização ou explorar uma nova métrica.
O desafio do desenvolvimento de dashboards
O principal atrito relatado por times operacionais não está na ferramenta de visualização em si, mas no time-to-insight. Quando um dashboard editor precisa transitar entre a dúvida de negócio e a sintaxe de query, o esforço cognitivo e o tempo de desenvolvimento aumentam exponencialmente. Ter que realizar debugging de queries ou buscar suporte especializado apenas para extrair um valor de throughput ou latency é, essencialmente, um desperdício de eficiência operacional.
Com a introdução do Copilot dentro da experiência de edição, o cenário altera a dinâmica de trabalho. O usuário agora descreve, por meio de linguagem natural, o que deseja visualizar. O Copilot atua na camada intermediária: gera a query KQL, processa os dados e sugere a melhor representação visual.
Impactos práticos e ganhos de produtividade
Na prática, essa ferramenta traz três saídas imediatas para o usuário:
- Sugestão de visual: O sistema recomenda o tipo de gráfico mais adequado para os dados analisados.
- Tabela de dados: Uma visualização rápida do resultado da consulta antes da publicação.
- Query KQL: O código gerado fica disponível, permitindo que usuários mais avançados façam ajustes finos ou aprendam a sintaxe a partir da automação.
Para empresas brasileiras que operam cenários de alta complexidade em Real-Time Intelligence, como e-commerce, monitoramento de infraestrutura ou IoT industrial, isso significa:
- Autonomia de negócio: Analistas conseguem realizar iterative refinement (perguntas de acompanhamento) sem bloquear o time de Data Engineering.
- Refinamento iterativo: A capacidade de refinar solicitações — como, por exemplo, passar de uma visão geral de erros para um filtro específico de "erros críticos" — mantém o contexto da sessão, acelerando a descoberta de causa raiz.
Este recurso está disponível agora em preview para workspaces que possuem uma capacidade de Microsoft Fabric habilitada. O foco agora, para engenheiros e gestores de TI, deve ser a governança: à medida que a criação de dashboards se torna "democratizada" via IA, é vital manter o controle sobre as permissões (IAM) e a qualidade das fontes de dados conectadas para não gerar um acúmulo de dashboards desatualizados ou com métricas inconsistentes (o famoso dashboard sprawl).
Artigo originalmente publicado em Azure Updates - Latest from Azure Charts.
