Das consultas SQL ao agente: as cinco etapas de maturidade da análise de frotas

Um painel ainda espera que alguém faça a pergunta certa. Um agente analítico a faz primeiro — aqui está onde essa mudança se encontra hoje e o que precisa ser verdadeiro antes que ele possa agir com base nos dados da sua frota.

Um gestor de frota quer saber por que os custos de manutenção aumentaram neste trimestre, não em qual tabela estão os dados de manutenção. Passar diretamente de uma pergunta de negócio para uma resposta acionável sem SQL ou intervenção de um analista define o agente analítico. Hoje, o gerenciamento de frotas está progredindo ao longo de uma curva de maturidade de cinco etapas rumo a essa capacidade.

Até 2027, a Gartner espera que os recursos de analytics aumentada evoluam para plataformas de analytics autônomas que gerenciam e executam totalmente 20% dos processos de negócios — a versão ampliada em todo o setor da mesma escalada. Este artigo nomeia as cinco etapas e mostra a arquitetura que a Navixy está construindo rumo ao topo do modelo de maturidade. Para saber mais sobre a camada de dados que sustenta todas as cinco etapas, consulte como sinais telemáticos brutos se tornam um KPI em primeiro lugar.

As cinco etapas de maturidade da análise de frotas

As cinco etapas descrevem como o relacionamento de uma equipe de frota com seus próprios dados muda, não quanto volume de dados ela coleta.

Consultas SQL manuais. Os usuários consultam o banco de dados diretamente. Obter uma resposta exige SQL e conhecimento do esquema — rápido para quem conhece ambos, um gargalo para todos os demais.

Painéis de BI e relatórios. Relatórios e painéis pré-configurados tornam a análise acessível a usuários não técnicos, mas uma nova visualização ainda significa abrir um chamado com um analista ou desenvolvedor.

BI self-service. Usuários não técnicos exploram os dados e criam suas próprias visualizações sem escrever SQL. É aqui que a maioria das plataformas de análise de frotas se encontra hoje, incluindo o próprio Dashboards app da Navixy até recentemente.

Analytics aumentada. A Gartner cunhou este termo em 2017 para ferramentas que usam aprendizado de máquina e processamento de linguagem natural para automatizar a preparação de dados e a descoberta de insights dentro de um fluxo de trabalho ainda orientado por humanos — a IA auxilia a exploração, mas uma pessoa ainda a executa.

Analytics agente. O Market Guide de fevereiro de 2025 da Gartner descreve esta etapa como a evolução da analytics aumentada: um agente de IA planeja, investiga e atua em todo o fluxo de trabalho “dados para insight” visando um objetivo declarado, com revisão humana integrada ao processo.

A mudança do Estágio 3 para o Estágio 5 é a que vale examinar, pois altera quem faz o trabalho de transformar uma pergunta em resposta.

O que um agente analítico realmente muda

O BI self-service ainda pede que um gestor de frota pense como um analista primeiro: escolher a tabela, definir o filtro, criar o gráfico e então interpretá-lo. Um agente analítico inverte esse modelo. Ele planeja a análise de forma autônoma, permitindo que gestores de frota façam perguntas práticas do dia a dia em vez de pensarem como um analista de dados:

• Quais modelos de veículos consomem mais combustível do que o restante da frota?
• Por que os custos de manutenção aumentaram neste trimestre?
• Quais dispositivos devem ser substituídos em breve?
• Quais regiões apresentam mais tempo de inatividade?

Nenhuma dessas perguntas se mapeia perfeitamente para uma única tabela ou tipo de gráfico. Cada uma requer a junção de fontes, a comparação com uma linha de base e uma explicação em palavras que um não analista possa usar. O BI self-service ainda deixa essa parte de junção e interpretação para quem pergunta; um agente analítico faz isso e devolve uma resposta em vez de uma tela em branco.

Duas vias para um agente analítico

A Navixy está construindo rumo a um agente analítico por duas vias conectadas. Navixy AI Assistant é a primeira: uma interface de chat integrada à plataforma e ao site que responde a perguntas de documentação e instruções de uso para qualquer pessoa e, quando adicionada como um User Application, também pode consultar o status ativo de rastreadores, leituras de sensores e histórico de viagens de uma conta logada.

A segunda via passa pelo Dashboard Studio, o construtor de painéis de código aberto baseado em SQL que já se apoia nas camadas de dados brutos, de transformação e de métricas de negócios do IoT Query. O AI BI Specialist, incorporado a ele, transforma uma pergunta de negócio em linguagem comum em uma estrutura de painel proposta, permitindo ao usuário refinar o resultado painel a painel em vez de escrever o SQL manualmente.

A diferença em relação a um chatbot independente é importante: o agente não é uma janela separada que responde a perguntas sobre os dados, faz parte do mesmo fluxo de trabalho que um gestor de frota já usa para criar um painel.

Uma arquitetura construída para o que vem a seguir

Por trás das duas superfícies está uma escolha de arquitetura proposital: Amazon Bedrock, cujos recursos de múltiplos agentes fornecem a base estrutural para a evolução futura da plataforma. Hoje, o Dashboard Studio opera com um único agente de produção — o AI BI Specialist. Essa mesma arquitetura pode suportar agentes especialistas adicionais à medida que a plataforma evoluir.

Essa estrutura futura reflete como uma operação de frota real é organizada. Um gestor de frota se responsabiliza pelas decisões de utilização e despacho; um analista de custos se encarrega dos orçamentos de manutenção e combustível; um responsável pela manutenção cuida da condição dos veículos; um responsável pela segurança gerencia conformidade e risco.

Agentes especialistas também precisam de conhecimento especializado. Os procedimentos de manutenção mudam, as regulamentações de segurança são atualizadas e as políticas de escalonamento evoluem com o tempo. À medida que novos agentes especialistas são introduzidos, cada um pode recorrer à sua própria base de conhecimento selecionada em vez de compartilhar uma fonte monolítica de informações.

O Amazon S3 Vectors, um tipo nativo de armazenamento de vetores integrado com o Amazon Bedrock Knowledge Bases, oferece uma forma de manter essas bases de conhecimento atualizadas sem manter um banco de dados de vetores separado. A AWS afirma que isso pode reduzir em até 90% o custo de armazenar e consultar embeddings em comparação com um banco de dados de vetores especializado, tornando viável atualizar o conhecimento de um agente conforme os procedimentos mudam, em vez de seguir um ciclo orçamentário trimestral.

Nenhuma operação de frota funciona com um único especialista universal, e uma arquitetura de agentes que espelhe esses papéis torna mais simples delimitar o acesso de forma natural do que uma que unifique tudo em um único assistente. Restringir as ferramentas de um agente especialista em manutenção apenas para ordens de serviço e dados de sensores representa uma superfície menor e mais passível de revisão do que restringir um único agente que faz de tudo, a posteriori.

Segurança faz parte da arquitetura, não é algo posterior

Embora a arquitetura mais ampla seja projetada para múltiplos agentes especialistas, a implementação atual se concentra no AI BI Specialist. O mesmo modelo de privilégios mínimos que regeria futuros agentes especialistas já se aplica hoje: o AI BI Specialist tem acesso apenas às ferramentas e aos dados que seu trabalho realmente exige, nada além disso por padrão.

O AI BI Specialist não tem acesso a dados pessoais de clientes. Seu conjunto de ferramentas está limitado a quatro operações: validar uma consulta SQL antes de executá-la, verificar uma solicitação de painel em relação ao que os dados suportam, pré-renderizar uma visualização antes de ela chegar à tela e gerar a estrutura de um objeto analítico. Essa limitação é o que torna o comportamento de um agente previsível o suficiente para colocá-lo em contato com uma conta ativa — e também o que precisa ser expandido, de forma planejada, antes que um agente possa fazer mais do que responder a uma pergunta.

O que vem a seguir: de analytics aumentada à analytics agente

Essa expansão já tem nome e, em uma de suas formas, uma implementação ativa. Navixy MCP Server conecta hoje um cliente de IA externo (Claude Desktop, Cursor, ChatGPT) aos dados ativos da conta de um usuário logado por meio da User API: pergunte ao Claude quais rastreadores estão online agora, e ele consulta a conta diretamente, sem integração personalizada.

O MCP em si não é uma escolha exclusiva da Navixy. A Anthropic doou o Model Context Protocol para a Linux Foundation’s Agentic AI Foundation em dezembro de 2025, e agora ele é descrito como o padrão aberto universal para conectar modelos de IA a ferramentas e dados, com mais de 10.000 servidores MCP publicados e adoção por parte de Claude, Cursor, Microsoft Copilot, Gemini e ChatGPT.

Hoje, o Navixy MCP Server permite que clientes de IA externos consultem dados de frota em tempo real por meio da User API. A próxima evolução é expor os widgets e fluxos de trabalho analíticos do Dashboard Studio como MCP Apps. Expandir essa interface para o Dashboard Studio permitirá que esses mesmos clientes não apenas recuperem dados, mas também criem e refinem painéis, validem consultas e eventualmente coordenem fluxos de trabalho de analytics especializados.

Esse é o quinto estágio da escada mencionada no início deste texto: não é uma pessoa construindo um relatório, e nem mesmo uma pessoa perguntando algo a um agente, mas sim um agente executando o fluxo de trabalho com uma pessoa revisando o plano e o resultado. Embora a previsão da Gartner de alcançar 20% dos processos de negócios até 2027 reflita uma tendência de todo o setor, em vez de um roteiro específico da Navixy, a arquitetura descrita acima está pronta para ambos os cenários.

As equipes de frota que já estiverem conectando um cliente de IA à sua conta por meio do Navixy MCP Server podem ver a versão atual dessa mudança de perto. Peça ao AI Assistant no aplicativo ou ao AI BI Specialist do Dashboard Studio pelo próximo KPI em vez de construí-lo manualmente.

Quer ver um agente analítico trabalhando com os dados da sua própria frota? Entre em contato conosco para conversar sobre como isso pode funcionar para sua frota.