Prompt Columns em GA: IA embutida direto nas tabelas do Dataverse

Um pedido que aparece com frequência nos projetos de Power Platform que a S4R conduz é este: “a gente recebe muito texto livre, formulário aberto, transcrição de atendimento, e precisa classificar isso de alguma forma dentro do sistema”. A resposta tradicional envolvia um fluxo do Power Automate chamando um modelo de linguagem, gravando o resultado em um campo, tratando erro de parsing e mantendo essa lógica separada da tabela em si. Funcionava, mas era mais um componente para manter, versionar e explicar para quem herdava o ambiente depois.

Os Prompt Columns, agora em disponibilidade geral no Dataverse, mudam onde essa lógica mora. Em vez de um fluxo externo, o prompt vira uma propriedade da própria coluna: definido uma vez, ele passa a gerar e persistir o resultado diretamente na tabela, sem código adicional.

O que são os Prompt Columns

Um Prompt Column é uma coluna do Dataverse cujo valor é calculado por um prompt em linguagem natural, executado sobre outros campos do mesmo registro, e gravado como um valor persistido, não recalculado a cada leitura. Isso é uma diferença importante em relação a soluções ad hoc: o dado fica na tabela, pode ser indexado, filtrado, usado em uma view ou em um relatório de Power BI como qualquer outro campo, sem depender de uma chamada externa no momento da consulta.

Os casos de uso mais diretos são classificação (categorizar um chamado a partir da descrição), extração (identificar um valor específico dentro de um texto longo) e resumo (condensar um histórico de interações em um parágrafo). Nada disso é novo como capacidade de IA generativa; o que muda é o custo de implementação, que cai de “construir um fluxo e um conector” para “configurar uma coluna”.

Por que isso muda a forma como sua empresa constrói apps de negócio

Nos ambientes de Power Platform que já avaliamos, boa parte da lógica de IA vivia fora da camada de dados: em fluxos, em conectores customizados, às vezes em um Azure Function separado só para chamar um modelo e devolver o resultado. Isso funciona, mas fragmenta a solução: quem olha a tabela no Dataverse não vê de onde vem aquele campo classificado, e quem mantém o fluxo precisa lembrar que ele existe toda vez que a estrutura da tabela muda.

Com a lógica embutida na coluna, o app fica mais fácil de entender de ponta a ponta. Um administrador de tabela consegue ver, na própria definição do campo, qual prompt gera aquele valor, sem precisar abrir um fluxo separado para reconstruir o raciocínio. Isso importa especialmente em empresas onde quem constrói o app e quem faz manutenção meses depois não são as mesmas pessoas.

Pontos de atenção antes de adotar

Três cuidados valem menção antes de sair criando Prompt Columns em tabelas de produção:

• Custo de execução: cada geração de valor consome capacidade de IA da Power Platform. Colunas aplicadas a tabelas com alto volume de gravação precisam ser dimensionadas com essa variável em mente, não só com o resultado funcional;
• Qualidade do prompt: como o valor é persistido, um prompt mal escrito produz dado errado que fica gravado até alguém recalcular. Vale o mesmo cuidado de revisão que se daria a uma fórmula de coluna calculada, talvez mais, porque o resultado não é determinístico;
• Governança de dados sensíveis: se a coluna processa campos com informação pessoal ou confidencial, as mesmas políticas de proteção de dados que já se aplicam ao restante do Dataverse precisam ser revisadas para esse novo tipo de coluna, incluindo quem pode ver o prompt e quem pode alterá-lo.

Onde o recurso se encaixa (e onde não se encaixa)

Prompt Columns fazem sentido para enriquecer dados que já estão na tabela: classificar, resumir, extrair. Não são a ferramenta certa para decisões que exigem uma cadeia de raciocínio com múltiplas etapas, acesso a várias fontes externas ou ação sobre outros sistemas, papel que continua sendo dos agentes construídos em Copilot Studio ou dos fluxos do Power Automate.

Na prática, os dois recursos tendem a se complementar: um agente pode ler o valor já classificado por um Prompt Column como parte do seu contexto, em vez de reprocessar o texto bruto a cada execução. Isso reduz custo e latência do agente, porque parte do trabalho de interpretação já foi feito, uma vez, na própria tabela.

Impacto em relatórios e Power BI

Como o valor gerado é persistido e não calculado sob demanda, ele se comporta como qualquer outro campo do Dataverse dentro de um relatório de Power BI: pode ser usado em filtro, em agrupamento, em medida, sem custo adicional de processamento no momento da consulta. Isso é uma vantagem prática sobre abordagens em que a classificação por IA acontece só no momento da exibição, e portanto não pode ser usada como critério de filtro sem reprocessar tudo.

Por onde começar

O ponto de partida mais seguro é escolher um caso de uso de baixo risco: uma coluna de classificação em uma tabela onde um valor errado é fácil de corrigir e não dispara nenhuma ação automática downstream. A partir desse piloto, os passos seguintes costumam ser:

• Mapear quais campos de texto livre hoje exigem classificação ou resumo manual, e que hoje consomem tempo de alguém do time;
• Escrever o prompt como se fosse uma instrução para uma pessoa nova no processo, testando com uma amostra real de dados antes de aplicar em produção;
• Definir quem revisa e aprova prompts de coluna, do mesmo jeito que já existe um dono para fórmulas de coluna calculada;
• Medir o consumo de capacidade de IA gerado pela nova coluna antes de expandir para outras tabelas de maior volume.

É um recurso que reduz a quantidade de componentes que sua empresa precisa manter para ter IA embutida em um app de negócio, mas que ainda exige a mesma disciplina de revisão que qualquer outra lógica de dados. Vale tratar cada Prompt Column como um ativo de dados a ser documentado, com dono definido e histórico de alterações, e não como uma configuração pontual que se cria e se esquece.

Comparando com a alternativa de um fluxo externo

Vale reforçar a diferença prática entre manter a classificação por IA em um fluxo do Power Automate e trazê-la para dentro da coluna. No modelo com fluxo externo, existe latência entre a gravação do registro e a atualização do campo classificado, porque o fluxo dispara de forma assíncrona. Existe também um ponto a mais de falha: se o fluxo for desativado, tiver o conector removido ou simplesmente falhar silenciosamente, o campo para de ser atualizado e ninguém percebe até alguém notar que os dados estão desatualizados.

Com o Prompt Column, a geração do valor faz parte do ciclo de vida do próprio registro, o que elimina essa dependência externa. Isso não quer dizer que o recurso seja infalível: um prompt pode gerar um resultado ruim, mas pelo menos o ponto de falha fica dentro da própria definição da tabela, visível para quem administra o ambiente, em vez de escondido em um fluxo que ninguém mais lembra que existe.

Se sua empresa tem tabelas com muito texto livre esperando por classificação manual e quer avaliar onde os Prompt Columns fazem sentido, um especialista da S4R pode ajudar a priorizar os casos de uso e desenhar o piloto.