Sally Xu, da equipe de ciência de dados da xAI, publicou no site oficial em 2 de novembro um texto apresentando o Data Bot, um robô compartilhado que o time montou dentro do Grok Bot. Ele consulta o data warehouse, faz análises, devolve os resultados no formato a que quem perguntou está acostumado e também entra em canais do Slack. O texto estima que, na semana passada, ele tenha processado cerca de 70 horas de trabalho que normalmente cairiam sobre a equipe de ciência de dados.
O número é uma estimativa interna, sem explicação do método estatístico. A página traz a assinatura SpaceXSI, já que a xAI se fundiu à SpaceX este ano. Sobre o tamanho da equipe, o texto diz apenas que é “pequena”, sem informar o número de pessoas, de modo que quem está de fora não consegue calcular quanto essas 70 horas representam.
O que lhe ensinaram foram quatro tipos de regras
O Data Bot roda sobre o recurso de robôs de equipe do Grok Bot, e suas capacidades vêm de habilidades compartilhadas mantidas pela equipe de dados, divididas em quatro categorias:
- Métricas e análise: definições unificadas para métricas centrais como usuários ativos e receita, com tabelas de origem e lógica de consulta documentadas; quando uma métrica oscila, primeiro se segmenta por mercado e região, depois se confrontam feriados e o registro de mudanças do produto, e só então se tira uma conclusão.
- Experimentos: montagem de testes A/B, análise de poder estatístico, verificação de equilíbrio de exposição e de viés amostral, planejamento de expansão; o relatório de conclusão só é escrito quando o poder é suficiente.
- Gráficos e dashboards: linhas para tendências, barras horizontais para comparar categorias, com o tema e o guia de estilo da equipe; gráficos feitos na conversa podem virar dashboards do Databricks ou do Hex.
- Engenharia de dados: normas para escrever e revisar modelos dbt, convenções de alertas de pipeline e como adicionar rastreamento quando um novo recurso é lançado.
Outra peça é a memória compartilhada. O robô registra, por exemplo, quem é o responsável por determinado pipeline, ou que uma queda de métrica foi, na verdade, causada por um feriado regional. Essas novas memórias precisam de aprovação de um administrador e só depois passam a valer para todos os usuários. O que uma pessoa ensinou não precisa ser ensinado de novo por outra, e há uma barreira contra memórias erradas.
Quem está usando
O texto cita o uso por três colegas de áreas que não são de dados.
O gerente de produto Kevin Niparko o trata como um colega a quem perguntar: obtém respostas em poucos minutos e, ao fazer perguntas de acompanhamento, não precisa rodar a análise inteira de novo. Ele prefere conclusões curtas acompanhadas de gráfico, e o Data Bot entrega exatamente assim. Sua descrição foi:
“having a data scientist in his pocket”
(ter um cientista de dados no bolso.)
Jon Brenner, de marketing de ciclo de vida, passa ao robô o ID de uma campanha do Braze e pergunta o que fizeram depois as pessoas que abriram o e-mail. Na promoção do X Subscription, ele usou esse método para contar quantos destinatários realmente trocaram de plano, uma pergunta que as métricas nativas do Braze não respondem.
Katy Abbaszadeh, diretora de crescimento de receita, usa a ferramenta para medir o impulso das campanhas sobre o funil de vendas e os negócios em andamento, acompanhar metas semanais, descobrir onde o progresso emperra e transformar os resultados em gráficos para apresentações.
No Slack, o robô também executa tarefas agendadas, como acompanhar uma métrica segundo as normas da equipe de dados ou enviar um relatório semanal. Os colegas podem fazer perguntas diretamente sobre o relatório ou pedir que ele investigue oscilações anormais. Análises complexas, que exigem mais julgamento, continuam com a equipe de dados, segundo o texto, que também admite que o time ainda está descobrindo de que orientações adicionais o robô precisa.
Ferramenta interna e produto: dois caminhos
Em comparação, há alguns casos de referência no último ano.
A Anthropic divulgou em junho sua prática interna: ao ligar dados de negócio diretamente ao Claude, a precisão era de apenas 21%; depois de alimentá-lo primeiro com definições e regras, ele conseguiu responder sozinho a cerca de 95% das perguntas de análise de dados. A OpenAI, em setembro, adicionou um Data agent ao ChatGPT Work, seguindo o caminho do produto: ele se conecta a fontes como Snowflake e BigQuery e monta dashboards diretamente em seis ferramentas, entre elas Tableau e Power BI.
O texto da xAI se aproxima mais do caminho da Anthropic: uma equipe interna transforma conhecimento tácito em habilidades, e o modelo é apenas o executor. Diferentemente da Anthropic, a xAI não divulga a precisão, nem comparação de antes e depois, nem como respostas erradas são detectadas. Para gerentes de produto e profissionais de marketing que fazem as perguntas e muitas vezes não têm como conferir sozinhos uma consulta SQL, essa lacuna pesa mais do que as 70 horas na hora de saber se outras empresas conseguem replicar o modelo.
O mesmo vale para as permissões. O texto menciona que atualizações de memória exigem aprovação, mas não diz quem pode consultar quais tabelas. Em um robô aberto a toda a empresa e conectado ao data warehouse, como se delimita o acesso a dados de receita e de usuários não é explicado.
O texto também não diz se há planos de vender o Data Bot externamente. O Grok Bot, na página, pode ser baixado e há contato com vendas; em outubro deste ano ele passou ainda a atribuir caixas de e-mail próprias aos usuários. Se os clientes externos terão acesso ao recurso de robôs de equipe no mesmo nível, dependerá de futuras explicações de produto da xAI.
Fontes: blog oficial da xAI, CocoLoop, conta oficial do Grok Bot; as 70 horas seguem a estimativa interna da equipe, e os dados de comparação da Anthropic e da OpenAI vêm de divulgações anteriores das duas empresas.