O que muda quando um agente de IA passa a ler o Tableau da sua empresa

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 em linguagem natural. Ele roda dentro da sessão OAuth do usuário, então respeita as mesmas permissões, os semantic models e o Trust Layer. O agente só enxerga o que aquela pessoa já poderia ver na tela.

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. Em vez de você escrever código para colar o agente no Tableau, o servidor MCP se apresenta com uma lista de ferramentas que o agente pode chamar, e a plataforma cuida de autenticação e permissão. A Salesforce apostou nesse protocolo aberto para que o mesmo servidor responda no Agentforce, no Slack, no Teams e até em clientes de fora, como Claude e ChatGPT.

A virada de 2026 foi a analytics deixar de ser um destino. Ver um dado não significa mais abrir o Tableau, o dado vai até onde a conversa acontece. Os servidores MCP ficaram GA para Tableau Next, Cloud e Server, com integrações novas para Slack e Teams a partir de maio de 2026.

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 o servidor MCP não é uma porta lateral. Ele autentica por OAuth e aplica as permissões do perfil do usuário, as definições do semantic model e as proteções do Trust Layer. Qualquer restrição que vale para aquela pessoa vale para a sessão de IA dela. Um ativo que não aparece na resposta não é dado faltando, é dado que ela não tem permissão de ver.

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

Não é um botão único. Para o endpoint do Tableau Next, a documentação pede Node.js para rodar o comando que conecta o cliente de IA, o Concierge habilitado para as respostas em linguagem natural e o usuário com as permissões corretas nos ativos. Há endpoints separados para produção e sandbox, o caminho para testar antes de expor a diretoria.

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?

Não. O servidor roda na sessão OAuth do usuário e herda as permissões dele. Sem acesso ao dashboard ou ao campo no Tableau, o agente também fica sem. Ativo indisponível na resposta é restrição de permissão, não dado faltando.

Preciso do Tableau Next para usar o MCP?

Os servidores MCP ficaram GA para Tableau Next, Cloud e Server. O endpoint do Tableau Next pede pré-requisitos próprios, como o Concierge habilitado para o Q&A e Node.js para o comando que conecta o cliente de IA.

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?

Não. Por ser protocolo aberto, o mesmo servidor atende Agentforce, Slack e Teams e também clientes de fora, como Claude e ChatGPT, sempre com permissão e Trust Layer no caminho.