Uma pergunta, quatro respostas
Uma loja pequena: 13 pedidos em três meses, três produtos. Cada linha da tabela traz a data do pedido, a data da entrega, a loja, o produto, o preço, a quantidade e quantas unidades voltaram. A diretoria pergunta o que toda diretoria pergunta: quanto vendemos em outubro?
Dá para responder de quatro jeitos, todos defensáveis:
- venda bruta, pela data do pedido: R$ 4.200;
- venda bruta, pela data da entrega: R$ 3.600;
- venda líquida de devolução, pela data do pedido: R$ 2.800;
- venda líquida de devolução, pela data da entrega: R$ 2.900.
Entre a maior e a menor há R$ 1.400. E a pergunta seguinte piora: outubro foi melhor que setembro? Pela venda bruta na data da entrega, subiu 71,43%. Pela venda líquida na data do pedido, caiu 3,45%. A mesma tabela e o mesmo mês dão uma alta de mais de setenta por cento ou uma queda.
Nenhuma dessas contas está errada. Dois pedidos mostram de onde vem a diferença. Um foi feito em 29 de setembro e entregue em 2 de outubro: R$ 900 que pertencem a setembro por uma definição e a outubro pela outra. O outro, de 30 de outubro, só chegou em 3 de novembro, e metade dele voltou: oito liquidificadores vendidos, quatro devolvidos.
Agora troque a diretoria por uma IA. Você entrega a tabela inteira e escreve "quanto vendemos em outubro?". Ela vai devolver um número, numa frase bem construída. Qual dos quatro?
De onde veio
O pedido aparece com frequência em projeto de IA, quase com as mesmas palavras: processar a tabela inteira e gerar as análises. A versão doméstica é jogar o CSV no chat e pedir "insights". A resposta vem rápida, confiante e bem escrita. O número que ela traz não tem origem, e a métrica não tem definição.
Esta entrada é a pergunta que fica desse pedido: o que muda quando a IA recebe as grandezas já calculadas, com definição e período, em vez das linhas cruas?
Na Entrada 02 a conta era quando deixar a IA responder sozinha. Aqui é um passo antes: o que colocar na frente dela.
Calcular é uma coisa, interpretar é outra
Responder "quanto vendemos em outubro?" exige duas decisões e uma soma. As decisões: o que conta como venda (o que saiu, ou o que saiu e não voltou) e em que data a venda conta (quando o cliente pediu, ou quando recebeu). A soma vem depois, e é a parte fácil:
com p o preço, q a quantidade e d a quantidade devolvida, somando só as linhas em que a data escolhida cai no mês.
O cálculo é determinístico. Escrito em SQL ou em pandas, dá o mesmo resultado toda vez, e dá para testar com uma tabela pequena de resposta conhecida. A interpretação é outra atividade: olhar para −3,45% ao lado de +40,00% e perguntar o que aconteceu com as devoluções.
Quando a tabela crua vai para a IA com um pedido de análise, as duas atividades se misturam, e três coisas acontecem em silêncio:
- Ela escolhe a definição por você. Para devolver um número, precisa decidir entre bruta e líquida, entre pedido e entrega. Pode até escolher bem. Você não fica sabendo qual escolheu, a não ser que pergunte, e na pergunta seguinte ela pode escolher outra.
- A tabela vira um texto longo. Para um modelo de linguagem, 13 linhas são um parágrafo; uma tabela de verdade são milhares de linhas no meio do contexto. Liu e colegas mediram o que acontece com a informação nessa posição: o desempenho é mais alto quando o trecho relevante está no começo ou no fim do contexto, e cai de forma significativa quando está no meio. O estudo usa perguntas sobre documentos e busca de pares de chave e valor, não tabelas de vendas; o que interessa aqui é o mecanismo.
- Não há como refazer. Uma consulta em SQL fica guardada, com data e autor. Uma resposta de chat depende do modelo, da versão e de como a pergunta foi escrita naquele dia.
Grandeza é palavra de física
Ninguém entrega a um físico a lista de posições de um carro e pergunta a velocidade média sem dizer entre quais instantes e em que unidade. E mesmo assim sobra uma escolha. Um carro vai até a cidade vizinha e volta. Se a grandeza é o deslocamento dividido pelo tempo, a velocidade média da viagem é zero. Se é a distância percorrida dividida pelo tempo, não é. As duas contas estão certas; elas medem coisas diferentes. A venda bruta é a distância percorrida. A venda líquida é o deslocamento: o que foi e voltou não conta. Primeiro se define a grandeza, depois se calcula, e só então se interpreta. A análise dimensional é o hábito de não pular essa ordem.
Uma tabela de vendas não tem "a venda de outubro". Tem várias, e alguém precisa escolher qual antes de perguntar.
Faça você a conta
A bancada abaixo mostra a tabela crua, com os 13 pedidos, e faz a pergunta do começo: quanto vendemos em outubro? Responda antes de continuar. Vale calculadora, vale planilha, vale somar de cabeça.
Bancada · Faça você a conta
13 pedidos inventados · setembro a novembro de 2026Quanto vendemos em outubro? Faça a conta com a tabela abaixo antes de abrir as respostas. Os valores estão em reais.
| pedido | data do pedido | data da entrega | loja | produto | preço | quantidade | devolvida |
|---|---|---|---|---|---|---|---|
| P01 | 2026-09-03 | 2026-09-05 | Centro | cafeteira | 200 | 2 | 0 |
| P02 | 2026-09-10 | 2026-09-12 | Norte | liquidificador | 150 | 4 | 0 |
| P03 | 2026-09-18 | 2026-09-21 | Centro | torradeira | 100 | 5 | 1 |
| P04 | 2026-09-24 | 2026-09-26 | Norte | cafeteira | 200 | 3 | 0 |
| P05 | 2026-09-29 | 2026-10-02 | Centro | liquidificador | 150 | 6 | 0 |
| P06 | 2026-10-02 | 2026-10-05 | Norte | torradeira | 100 | 4 | 0 |
| P07 | 2026-10-08 | 2026-10-10 | Centro | cafeteira | 200 | 5 | 2 |
| P08 | 2026-10-14 | 2026-10-16 | Norte | liquidificador | 150 | 2 | 0 |
| P09 | 2026-10-20 | 2026-10-23 | Centro | torradeira | 100 | 6 | 3 |
| P10 | 2026-10-27 | 2026-10-29 | Norte | cafeteira | 200 | 2 | 0 |
| P11 | 2026-10-30 | 2026-11-03 | Centro | liquidificador | 150 | 8 | 4 |
| P12 | 2026-10-31 | 2026-11-02 | Norte | torradeira | 100 | 3 | 1 |
| P13 | 2026-11-04 | 2026-11-06 | Centro | cafeteira | 200 | 1 | 0 |
Conferir: as quatro respostas
| definição | outubro |
|---|---|
| Venda bruta, pela data do pedido | R$ 4.200 |
| Venda bruta, pela data da entrega | R$ 3.600 |
| Venda líquida de devolução, pela data do pedido | R$ 2.800 |
| Venda líquida de devolução, pela data da entrega | R$ 2.900 |
Procure a sua resposta na lista. Se ela está lá, é essa a definição que você usou sem ninguém pedir. Se não está, releia a conta: é provável que duas definições tenham se misturado. Entre a maior e a menor resposta há R$ 1.400.
A segunda parte: a tabela de grandezas
| grandeza | outubro | setembro | variação |
|---|---|---|---|
| Venda bruta, pela data do pedido | R$ 4.200 | R$ 3.000 | +40,00% |
| Venda bruta, pela data da entrega | R$ 3.600 | R$ 2.100 | +71,43% |
| Venda líquida de devolução, pela data do pedido | R$ 2.800 | R$ 2.900 | −3,45% |
| Venda líquida de devolução, pela data da entrega | R$ 2.900 | R$ 2.000 | +45,00% |
Venda bruta: preço × quantidade. Venda líquida: preço × (quantidade − devolvida). Pela data do pedido: conta no mês em que o pedido foi feito. Pela data da entrega: conta no mês em que chegou. A devolução é abatida no mês da própria venda.
Depois de conferir, a bancada mostra as quatro definições e diz com qual delas a sua resposta bate. Se bateu com alguma, repare que você escolheu uma definição sem ninguém pedir, provavelmente a que usa no trabalho. Se não bateu com nenhuma, é provável que tenha misturado duas: contado um pedido pela data da entrega e outro pela data do pedido, ou abatido uma devolução e esquecido outra. É o erro que a tabela crua convida a cometer, seja quem for que a receba.
A segunda parte da bancada troca a tabela crua pela tabela de grandezas:
- venda bruta, pela data do pedido: R$ 4.200 em outubro, R$ 3.000 em setembro, +40,00%;
- venda bruta, pela data da entrega: R$ 3.600 em outubro, R$ 2.100 em setembro, +71,43%;
- venda líquida, pela data do pedido: R$ 2.800 em outubro, R$ 2.900 em setembro, −3,45%;
- venda líquida, pela data da entrega: R$ 2.900 em outubro, R$ 2.000 em setembro, +45,00%.
São quatro linhas no lugar de treze, e cada número tem nome. Com essa tabela na frente, "quanto vendemos em outubro?" deixa de ser uma pergunta com resposta escondida: depende de qual linha você quer, e cada linha diz o que é. E aparece a pergunta que vale a pena fazer a uma IA, ou a um analista: por que a venda bruta subiu 40,00% e a líquida caiu 3,45% no mesmo mês? A resposta está nas devoluções. Os pedidos de outubro tiveram R$ 1.400 devolvidos, contra R$ 100 nos de setembro.
A tabela que a IA deveria receber
A tabela de grandezas não é só a tabela resumida. É um resumo com três coisas escritas ao lado de cada número:
- a definição: o que entra, o que sai e em que data conta. Por exemplo: "venda líquida é preço vezes quantidade, menos o que foi devolvido; a devolução é abatida no mês da própria venda";
- o período e a comparação: outubro de 2026 contra setembro de 2026, e não contra outubro do ano anterior;
- a origem: qual consulta gerou o número, quem conferiu e quando.
Com isso, o pedido à IA muda de natureza. Em vez de "analise esta tabela", fica "aqui estão as quatro medidas de venda de outubro, com a definição de cada uma e a comparação com setembro; explique a diferença entre elas e diga o que merece atenção". A aritmética chega pronta e conferida. Sobra para a IA comparar, explicar e redigir.
Há uma vantagem prática a mais: dá para conferir a resposta sem ler com lupa. Todo número que aparecer no texto da IA tem de ser um dos números da tabela de grandezas, ou uma conta simples entre dois deles. Número que não está lá foi inventado, e um programa curto acha.
Onde está o dinheiro
- No número que sobe para a diretoria. "Outubro cresceu 40%" e "outubro caiu 3,45%" levam a decisões opostas sobre estoque, meta e campanha. Um número errado num relatório para a diretoria pode custar mais do que o projeto de IA inteiro. E aqui os dois números estão certos: o erro é não dizer qual é qual.
- No retrabalho. Uma grandeza calculada em código roda igual no mês que vem. Uma análise pedida ao chat sobre a tabela crua precisa ser refeita, e conferida, toda vez.
- No tamanho do que a IA lê. No uso por programa, modelos de linguagem são cobrados pelo volume de texto que entra e sai. Uma tabela crua de verdade tem milhares de linhas; a de grandezas tem as linhas que a decisão pede. Este texto não mediu essa diferença em dinheiro.
Como usar isto na prática
1. Escreva a definição antes da consulta
Para cada métrica que a IA vai usar: o que entra, o que sai, em que data conta e contra qual período se compara. Uma frase por métrica basta. Se duas áreas usam definições diferentes, as duas entram, cada uma com o seu nome.
2. Calcule em código que dá para testar
SQL, pandas, o que a equipe já usa. E um teste com uma tabela pequena de resposta conhecida, como a desta entrada: 13 linhas, quatro respostas, todas conferidas à mão. Quando alguém mexer na definição, o teste avisa.
3. Entregue a tabela de grandezas, com o glossário
A IA recebe as medidas calculadas, a definição de cada uma e o período. As linhas cruas ficam no banco.
4. Peça interpretação, não aritmética
"Explique a diferença", "o que merece atenção", "escreva o resumo para a diretoria". Se a análise pedir um corte novo, por loja ou por produto, o corte volta para o passo 2: vira uma grandeza nova, calculada em código.
5. Confira os números da resposta
Todo número do texto final tem de existir na tabela de grandezas. Essa conferência é automática e barata. Depois dela, alguém com nome assina o relatório antes de ele subir.
Onde isso quebra
- "A IA executa código, então o problema sumiu." Parte dele, sim. Há uma linha de trabalho em que o modelo escreve o programa e um executor faz a conta: Cheng e colegas ligam o modelo a uma linguagem como SQL, e Wang e colegas fazem o raciocínio passar por tabelas intermediárias, uma operação por vez. A soma sai certa. Mas a soma de quê? O código que a IA escreve precisa de uma definição de venda. Se ninguém escreveu, ele carrega um palpite, agora com cara de número exato. Este texto não testou nenhum modelo; o argumento é sobre definição, não sobre desempenho.
- A definição "certa" é mais de uma. Áreas diferentes usam definições diferentes, com razão. A saída não é escolher uma e apagar as outras. É dar nome a cada uma e nunca mostrar um número sem o nome.
- A tabela de grandezas esconde o detalhe. Quem só vê as quatro linhas não vê o pedido de oito liquidificadores com quatro devoluções. Se a causa está numa linha, a IA não tem como achá-la num resumo. Por isso o passo 4 manda o corte novo de volta para o código, e não para a tabela crua.
- A devolução não respeita o mês. Aqui a devolução é abatida no mês da própria venda. Na vida real ela chega semanas depois, e "em que mês abater" é uma terceira escolha, com mais respostas certas.
- As definições envelhecem. Muda a política de troca, muda o que conta como entrega. Glossário sem dono e sem data vira a mesma tabela crua, só que menor.
Para reproduzir
O núcleo da conta cabe em poucas linhas, só com a biblioteca padrão do Python:
def vendas(linhas, mes, valor, data):
"""Soma do mês pela definição escolhida.
valor: "bruto" ou "liquido"; data: "pedido" ou "entrega"."""
total = 0
for linha in linhas:
if linha["data_" + data][:7] != mes:
continue
quantidade = linha["quantidade"]
if valor == "liquido":
quantidade -= linha["devolvida"]
total += linha["preco"] * quantidade
return total
vendas(linhas, "2026-10", "bruto", "pedido") # 4200
vendas(linhas, "2026-10", "bruto", "entrega") # 3600
vendas(linhas, "2026-10", "liquido", "pedido") # 2800
vendas(linhas, "2026-10", "liquido", "entrega") # 2900Referências
Contextos longos
- Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F. & Liang, P. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv:2307.03172, aceito na Transactions of the Association for Computational Linguistics.o desempenho cai quando a informação relevante está no meio de um contexto longo
O modelo escreve, o programa calcula
- Cheng, Z., Xie, T., Shi, P. et al. (2022). Binding Language Models in Symbolic Languages. arXiv:2210.02875.o modelo traduz a pergunta num programa; um executor faz a conta
- Wang, Z., Zhang, H., Li, C.-L. et al. (2024). Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding. arXiv:2401.04398.o raciocínio passa por tabelas intermediárias, uma operação por vez
Quer saber se as suas tabelas estão prontas para a IA?
A Vettore Data faz o diagnóstico: lista as métricas que a IA vai usar, escreve a definição de cada uma com quem conhece o negócio e diz o que calcular antes. A versão executiva desta entrada, com um teste de três perguntas, está lá.
Ver o diagnóstico na Vettoreou fale comigo