Power Query é onde a maior parte do tempo de preparação de dados acontece, e também onde a IA generativa pode poupar mais tempo quando usada com critério.
Gerando o código M a partir de uma descrição
O Power Query usa uma linguagem própria, chamada M, por trás de cada passo aplicado na interface. Descrever a transformação desejada — "preciso separar essa coluna de endereço em cidade e estado, removendo espaços em branco" — e pedir o código M correspondente costuma ser mais rápido do que montar passo a passo manualmente na interface, especialmente em transformações mais elaboradas.
Diagnosticando erros de tipo de dado
Erros de conversão de tipo (texto tentando virar número, data em formato inconsistente) são extremamente comuns no Power Query, e nem sempre a mensagem de erro padrão explica claramente o que aconteceu. Colar o erro e descrever a coluna de origem para a IA costuma esclarecer a causa muito mais rápido do que tentar adivinhar sozinho.
Cuidado ao automatizar decisões de limpeza
Decidir o que fazer com um valor nulo, uma duplicata ou um outlier exige contexto de negócio que a IA não tem sozinha. Ela pode sugerir caminhos tecnicamente válidos, mas a decisão de qual caminho faz sentido para aquele conjunto de dados específico continua sendo analítica, não automática.
Um fluxo de trabalho eficiente
Use a IA para gerar a primeira versão da transformação e para explicar erros técnicos, mas revise cada passo gerado antes de aplicar — principalmente em transformações que afetam decisões de negócio, não só formatação.
Quer aprender Power BI + Claude na prática, do zero ao avançado?
Conhecer o curso