Todo mundo quer um agente que responda "como foi a receita da região Sul no trimestre" sem alguém abrir um relatório. O medo, justo, é que esse agente devolva um número que a pessoa que perguntou nunca deveria ter visto. O Tableau MCP nasceu exatamente nessa costura entre linguagem natural e permissão. Vale entender o que ele faz antes de ligar.
O Tableau MCP é um servidor Model Context Protocol que deixa um agente de IA consultar dados, dashboards e métricas do Tableau Next em linguagem natural. A documentação descreve o acesso às análises governadas e às proteções da plataforma; disponibilidade e permissões efetivas dependem do cliente, usuário e configuração.
O que é o MCP e por que ele apareceu agora
MCP quer dizer Model Context Protocol. É uma forma padronizada de um modelo de IA descobrir e chamar ferramentas externas, no lugar de cada integração ser um encaixe manual. O servidor MCP do Tableau Next expõe ferramentas a clientes compatíveis; a documentação consultada cita clientes externos como Claude e ChatGPT e uso no Slack. Não generalize isso para qualquer cliente ou produto Tableau.
A documentação consultada marca o Tableau Next MCP Server como disponível geralmente; um servidor separado de ferramentas de escrita permanece em beta. Não encontrei confirmação equivalente para Tableau Cloud ou Tableau Server, nem para suporte por Microsoft Teams.
O que o servidor MCP do Tableau Next expõe
Vale olhar as ferramentas, porque é aí que a promessa vira concreto. O servidor do Tableau Next agrupa o que oferece em algumas famílias:
- Pergunta em linguagem natural: a ferramenta de análise recebe a pergunta, roda contra os semantic models e devolve o resultado com uma narrativa, em vez de só uma tabela crua.
- Descoberta de ativos: listar e abrir dashboards, visualizações e workspaces, além de uma busca por palavra-chave para o agente achar o painel certo antes de consultar.
- Camada semântica: listar semantic models, objetos de dados, relacionamentos e a visão lógica, para o agente entender como as tabelas se ligam.
- Métricas e cálculos: medidas, dimensões, KPIs nomeados e a definição completa de cada métrica, incluindo fórmula e meta. É o que evita o agente reinventar um cálculo que a empresa já padronizou.
O que separa isso de um chatbot genérico é a métrica nomeada. Quando o agente puxa a definição oficial de "margem de contribuição", ele responde com o número do fechamento, não com uma conta improvisada. Governança de dado deixa de ser slide e vira a resposta.
Por que o Trust Layer importa mais que o modelo
A pergunta que todo gestor faz é a certa: e se o agente vazar um dado sensível? A resposta do desenho é que a configuração documentada usa autorização do usuário e análises governadas. O resultado pode depender das permissões e do modelo semântico; não conclua que todo ativo ausente é necessariamente uma restrição de acesso.
Esse é o mesmo princípio que sustenta a segurança dentro da própria plataforma. Um agente lendo analytics herda a lógica de acesso do usuário do mesmo jeito que uma query de Apex precisa respeitar CRUD, FLS e sharing em vez de rodar em system mode. Quem já tratou permissão como cidadão de primeira classe no back-end colhe isso de graça na camada de IA.
O que é preciso para ativar
Para usar query_semantic_data, a documentação requer Concierge Analytics Q&A habilitado e configurar o cliente externo em MCP Settings. Não confirmei Node.js como requisito do servidor hospedado; ele pode ser necessário em um cliente MCP executado localmente. Confirme os requisitos do cliente escolhido.
O que aprendi montando métrica governada na org de demonstração
Na Vetra Distribuidora, a empresa fictícia que uso como org de demonstração deste portfólio, construí um dashboard de KPIs configurável por Custom Metadata, onde a fórmula de cada indicador vive num registro e não no código. Quando imaginei esse mesmo painel sendo consultado por um agente, a lição saltou: o valor não está no modelo de IA, está na definição única da métrica. Se cada área tem a sua conta de "ticket médio", o agente vira mais uma fonte de divergência. Se existe uma definição só, ele vira o atalho para ela. O Tableau MCP entrega a métrica nomeada porque o gargalo real nunca foi o modelo, foi a falta de uma fonte de verdade. Para os termos técnicos que passam por aqui, o glossário de Salesforce resolve as definições rápidas.
A recomendação prática: antes de ligar o agente na diretoria, teste no sandbox com um usuário de permissão restrita de propósito e confira se o limite é respeitado. Furo de permissão sai bem mais barato com dado fictício do que numa reunião de resultados.
Perguntas frequentes
O agente pode ver dados que o usuário não deveria?
A documentação descreve acesso governado, mas o escopo exato depende da configuração, do cliente e das permissões aplicadas. Valide com usuários de teste antes de disponibilizar.
Preciso do Tableau Next para usar o MCP?
A documentação consultada confirma disponibilidade geral do MCP Server para Tableau Next e descreve pré-requisitos como Concierge Analytics Q&A. Não confirmei suporte equivalente a Cloud/Server nem Node.js como requisito do servidor hospedado.
Qual a diferença para o Data 360 MCP?
O servidor do Tableau serve a camada de analytics: dashboards, semantic models e métricas. O do Data 360 serve o perfil unificado do cliente. Os dois podem responder no mesmo lugar, como o Slack, respeitando os limites de dado da org.
Funciona só com a IA da Salesforce?
A documentação consultada cita clientes externos como Claude e ChatGPT e uso no Slack. Confirme suporte e controles específicos para o cliente escolhido.