O que o PromptQL realmente é (e a virada que ninguém anunciou)
Eu construo agentes de IA para viver, então o PromptQL chegou na minha mesa do jeito que a maioria dos novos produtos de agente chega: com uma grande alegação de precisão e uma demo que parece boa demais para ser verdade. A forma útil de analisá-lo é separar o que o produto é de como ele é atualmente comercializado, porque essas duas coisas se afastaram ao longo do último ano.
O PromptQL vem da Hasura, a empresa que lançou o motor GraphQL de código aberto que passou de 100 milhões de downloads em dois anos. Os fundadores Tanmai Gopal e Rajoshi Ghosh levantaram uma Série B de $25M e uma Série C de $100M, e no final de 2025 a VentureBeat descrevia a empresa como um negócio na casa do bilhão de dólares, vendendo engenheiros de IA a $900/hora. O enquadramento que Tanmai usa é que o cliente dos seus dados mudou:
"Percebemos que os aplicativos não são mais as coisas mais importantes que precisam de acesso a dados. O futuro é a IA conversando com dados, a IA acessando dados em nome do usuário."
Então o discurso de 2025 era claro: uma camada confiável, em linguagem natural, sobre dados corporativos, posicionada contra text-to-SQL, tool-calling e RAG. Depois a página inicial mudou. Hoje o promptql.io abre com "um multiplayer AI agent, pense em Claude ou ChatGPT, mas com threads compartilhadas e um cérebro compartilhado", e o problema central é a degradação de contexto entre Slack, documentos, tickets, CRM e tabelas de warehouse. Os logos citados são pesos-pesados: Cisco, McDonald's, Instacart, Swiggy e Lightspeed.
Ambas as descrições são verdadeiras, e apontam para o mesmo motor. Mas se você chega ao site sem contexto, pensaria que o PromptQL é uma ferramenta de conhecimento de equipe parecida com o Glean ou uma base de conhecimento interna compartilhada. Por baixo do capô, ele continua sendo um agente de dados. Tenha isso em mente, porque o preço, a documentação e os benchmarks giram todos em torno do motor de dados, não do wrapper de wiki.
Como o PromptQL funciona: primeiro planeja, depois executa
Essa é a parte que eu realmente respeito, e é o motivo pelo qual o produto merece uma análise, e não apenas um dar de ombros. A maioria das ferramentas de "IA nos seus dados" entrega todo o trabalho ao modelo: ler os dados, fazer as contas, escrever a resposta, tudo em uma única janela de contexto. O PromptQL divide isso em duas etapas.
Quando você faz uma pergunta no Playground, o PromptQL primeiro retorna um plano de consulta: um detalhamento passo a passo, em linguagem simples, de como ele vai buscar, filtrar e processar seus dados, incluindo as suposições que está fazendo. Você pode lê-lo, e pode editá-lo com um ícone de lápis, momento em que o PromptQL "lembra e se autocorrige para threads futuras". Essa transparência é a parte que quem passa os olhos rapidamente não deveria pular: você vê o plano antes que qualquer dado se mova.
O plano então é executado como código de verdade. O PromptQL busca seus dados e os organiza com Python, e você pode expandir qualquer etapa para ver o Python e o SQL reais que rodaram contra sua fonte. Essa é a frase em que o produto inteiro se apoia, nas palavras do fundador:
"Em vez de gerar respostas, geramos planos em uma linguagem específica de domínio, única para o seu negócio. Esses planos compilam em ações determinísticas com validações em tempo de execução e verificações de política."
Os resultados chegam como artefatos: tabelas estruturadas, texto ou gráficos que vivem fora do contexto do modelo e são referenciados por etapas posteriores. Essa é a parte inteligente para escala, porque significa que o PromptQL pode trabalhar com dados muito maiores do que uma janela de contexto sem que o modelo perca silenciosamente o rastro deles. O trabalho semântico (classificar, resumir, extrair, visualizar) é tratado por primitivas de IA estreitas, cada uma rodando isoladamente com um contexto focado, de modo que o LLM só raciocina sobre uma fatia pequena e bem delimitada.
Por fim, cada resposta recebe uma pontuação de confiabilidade baseada na complexidade da consulta, na precisão dos dados e na confiança do modelo, com notas de avaliação sobre o que a análise incluiu e o que não incluiu. Se a pontuação for baixa, você a corrige, e a correção permanece para a próxima vez. Vindo do mundo do suporte, esse padrão me é familiar: é o mesmo instinto por trás de prevenir alucinações, ou seja, o sistema deveria te avisar quando está inseguro em vez de chutar com cara de convicção.
O problema de confiabilidade que o PromptQL realmente resolve
Para entender por que tudo isso importa, veja o quão mal os modelos crus se saem em perguntas de dados reais. Tanmai cita o Berkeley Data Agent Benchmark, no qual os modelos de ponta pontuam bem abaixo do que uma demo sugeriria.
Em perguntas de dados do mundo real, o benchmark de Berkeley coloca o Opus 4.6 em 43%, o Gemini 3 Pro em 38% e o GPT-5.2 em 25%, enquanto a geração pura de consultas de banco de dados pontua "perto de 0%". A própria leitura do benchmark é que os agentes "tipicamente selecionam os dados certos, mas falham ao planejar o cálculo ou ao implementá-lo corretamente". Essa é exatamente a lacuna que a separação de planejar-e-executar do PromptQL visa, e é por isso que o fundador insiste tanto em uma palavra:
"O maior problema não é não conseguir responder à pergunta com precisão. O grande problema é a IA fingir que é precisa mesmo quando não é. Então a IA está errada com confiança. Esse é o problema."
A Hasura agrupa a falha em quatro modos, e essa matriz 2x2 é a coisa mais útil para internalizar antes de avaliar qualquer ferramenta de analytics de dados com IA, seja o PromptQL ou outra.
Agora, sobre aquela manchete de "100% de precisão". A Hasura é refrescantemente honesta ao admitir que é isca: a empresa reconhece que uma "alegação de 100% de precisão tecnicamente não se sustenta", e a alegação real é 100% de repetibilidade, porque o cálculo roda em código, não por meio do raciocínio do modelo. Nas tarefas mais restritas de banco de dados e numéricas do CRMArena-Pro, eles relatam 100% contra 30 a 60% citados para as abordagens de ponta. Trate o número redondo como um ponto de partida para a conversa, e a repetibilidade como a característica real do produto.
Os recursos que se destacam
Além do ciclo principal, algumas coisas diferenciam o PromptQL de um chatbot de base de conhecimento com IA genérico.
Automações que viram APIs de verdade. Assim que um fluxo de trabalho funciona no Playground, você o implanta como um endpoint HTTP chamável a partir do Zapier, Slack, cron jobs ou seus próprios aplicativos, sem escrever código. Isso transforma uma thread pontual em um processo de negócio repetível, e é o recurso em que eu mais me apoiaria se liderasse uma equipe de dados.
Junções entre sistemas por meio de metadados. O PromptQL é construído sobre o Hasura DDN, então um supergraph costura vários subgraphs juntos, e os relacionamentos "não precisam ser sustentados pela mesma fonte de dados". Na prática, isso significa que ele pode unir Postgres a uma API de SaaS e raciocinar sobre ambos, exatamente onde ferramentas construídas apenas para Snowflake ou um único warehouse fracassam.
Uma camada de contexto que se constrói sozinha. O wrapper de 2026 adiciona um wiki que se alimenta a partir do Slack, Google Docs, Snowflake, PostHog e Salesforce, mantém histórico de revisões e trilhas de auditoria, e aplica acesso segmentado (externo, interno, pessoal, confidencial). É o tipo de jogada de contexto conectado que também se vê nas ferramentas de IA da Salesforce. Correções que você faz se tornam "habilidades" compartilhadas que a próxima pessoa herda, o mesmo problema de gestão do conhecimento que toda equipe enfrenta, disfarçado de agente.
Traga seu próprio modelo, e isso importa para a conta. O PromptQL roda qualquer LLM, de Claude e GPT a modelos de pesos abertos como DeepSeek, Kimi K2 e GLM servido via Fireworks. Você pode trocar de modelo por thread ou no meio da thread, e ele interopera via MCP. Guarde esse pensamento, porque a escolha do modelo é a maior alavanca sobre o custo.
Preços do PromptQL: quanto você vai pagar de verdade
O PromptQL não tem preço por assento. É 100% baseado em consumo, cobrado em uma unidade normalizada chamada OLU (Operational Language Unit), que agrupa tokens de entrada, saída, cache e criação de cache em todos os modelos em um número consistente, para que sua conta não mude de forma quando você troca de modelo.
| Plano | Preço | Unidade cobrável | O que você recebe |
|---|---|---|---|
| Créditos gratuitos | $50 por projeto, +$20 por membro da equipe | OLU | Sem necessidade de cartão; suficiente para milhares de tarefas simples em um modelo de pesos abertos |
| Starter | $0,20 por OLU ($0,14 introdutório, ao custo) | OLU | Pré-pago conforme o uso, saldo pré-pago, pausa automaticamente ao zerar, cotas por usuário; tudo incluso (tokens + infraestrutura + sandbox) |
| Enterprise | Sob consulta, fale com o time de vendas | OLU | Adiciona SSO, BYOC/VPC, rede privada, LLMs próprios, trilhas de auditoria, engenheiros implantados junto ao cliente |
Os custos típicos por tarefa que a Hasura cita (na tarifa de $0,14) são honestos e pequenos: menos de 2 OLUs para uma tarefa de dados simples (menos de $0,28), cerca de 10 OLUs para um relatório complexo ($1,40), e cerca de 40 OLUs para uma investigação profunda ($5,60).
Aqui está a pegadinha, e é a coisa mais importante nesta análise inteira do PromptQL do ponto de vista do orçamento. O preço por OLU é fixo, mas o modelo que você escolhe muda quantos OLUs uma tarefa consome, e a variação é enorme. Contra uma linha de base do Claude Opus 4.6 de 1,0x, o GPT-5.2 roda a 0,42x, o Kimi K2.7 a 0,17x, e o DeepSeek V4 Flash chega a apenas 0,018x, o que a Hasura enquadra como até 57 vezes mais barato para o mesmo trabalho. Então o mesmo relatório pode custar alguns dólares ou alguns centavos, dependendo inteiramente do menu suspenso de modelo.
Em vez de te fazer fazer essas contas de cabeça, insira seus próprios números:
A conclusão não é um único número, é um hábito: no PromptQL, escolher um modelo de pesos abertos para tarefas rotineiras é a diferença entre um erro de arredondamento e um item de linha real. É o mesmo raciocínio de custo total de propriedade que aplicamos aos custos de agentes de IA, só que com o menu suspenso de modelo como o controle.
O que as pessoas realmente dizem sobre o PromptQL
Aqui é onde preciso ser sincero com você, porque uma análise justa diz o que não conseguiu encontrar com a mesma clareza do que conseguiu. A presença pública do PromptQL é fraca. Não há nenhuma avaliação no G2 ou Capterra no momento em que este texto é escrito, e os dois lançamentos oficiais "Show HN" quase não chamaram atenção: seis pontos e quatro comentários em um, seis pontos e um comentário no outro. A maior parte da conversa acontece nos próprios canais da Hasura.
O que se encontra é que a base de desenvolvedores já existente da Hasura gosta da direção. Um usuário de longa data, reagindo ao lançamento:
"Eu já construí e mantive mais de 10 bases de código em produção que usam Hasura. Na minha opinião, acho que é uma opção melhor que Supabase, Payload e outros para construir seu backend. O fato de estarem investindo tempo em recursos relacionados a LLM para a plataforma me deixa feliz por termos escolhido ela lá atrás."
Os números de desempenho mais fortes são declarados pelo próprio fornecedor, então pese-os de acordo. O time da Hasura relata "~2x de precisão e ~4x de repetibilidade" em relação ao tool-calling tradicional, e Tanmai afirma "acordos de sete dígitos em três a cinco meses para um produto que ainda está em beta". Essas são citações reais, mas é a empresa falando de si mesma, não um teste independente, e ainda não existe um corpo de avaliações de produto de terceiros para triangular. Para um produto com logos como Cisco e McDonald's, a comunidade silenciosa é a maior bandeira amarela desta análise.
Onde o PromptQL vence, e onde não vence
Depois de viver na documentação, nos prints do Playground e na página de preços, aqui está minha avaliação honesta.
| Pontos fortes | O que observar |
|---|---|
| A arquitetura de planejar-e-executar é uma resposta real à IA "errada com confiança" | O marketing ("100% de precisão", "multiplayer") corre à frente de um histórico público ainda escasso |
| Toda etapa é inspecionável: plano de consulta, Python/SQL, artefatos, pontuação de confiabilidade | O setup é um projeto de dados de verdade (conectores, metadados HML, CLI do DDN), não é plug-and-play |
| Junções genuínas entre sistemas via metadados do Hasura DDN | A documentação mais profunda fica restrita a usuários cadastrados, então avaliar antes de se inscrever é mais difícil do que deveria |
| Preço por consumo com uma grande alavanca de custo em pesos abertos | A cobrança baseada em OLU dá trabalho para prever; o Enterprise é totalmente sob consulta |
| Traga seu próprio modelo, self-host ou VPC | Sem avaliações independentes ou classificações por estrelas para checar as alegações do fornecedor |
Use o PromptQL se você é uma equipe de dados ou analytics com dados bagunçados e multissistema, requisitos reais de confiabilidade, e o apetite de engenharia para modelar sua camada semântica. O design de planejar-e-executar é a resposta mais confiável que já vi para a IA errada com confiança sobre seus dados, e o recurso de automações como APIs é uma vitória de verdade.
Passe longe se você queria um assistente pronto para usar, se é uma equipe pequena sem um engenheiro de dados, ou se seu trabalho de fato é atendimento ao cliente. Não é um substituto de chatbot baseado em regras, e não é voltado para o helpdesk de forma alguma.
Experimente a eesel para a versão de suporte dessa ideia
Se você chegou até aqui porque a ideia de um "agente fundamentado que mostra seu trabalho e avisa quando está inseguro" fez sentido, mas seus dados vivem em um helpdesk em vez de um warehouse, esse é exatamente o problema em que trabalho na eesel AI. O PromptQL traz a disciplina de planejar-e-executar para o mundo de dados e analytics; a eesel traz o mesmo instinto de "não chute, fundamente, prove primeiro" para o suporte.
Concretamente: a eesel se conecta ao seu Slack, helpdesk e fontes de conhecimento como Confluence e Notion, responde a partir desse conhecimento com citações, escala em vez de alucinar, e, a parte sem a qual eu não lançaria nada, simula em cima dos seus tickets passados antes mesmo de responder a um cliente de verdade. Em mais de 8.000 clientes ela resolve uma parcela real do volume de nível 1 no primeiro mês, e o preço é pré-pago conforme o uso, sem taxa por assento. Se o PromptQL é o parceiro de equipe confiável para dados, a eesel é o parceiro de equipe confiável para o suporte.
Você pode experimentar a eesel de graça, conectar uma fonte em poucos minutos, e rodar uma simulação antes de se comprometer com qualquer coisa.
Perguntas frequentes
O que é o PromptQL e quem o desenvolve?
Quanto custa o PromptQL?
A alegação de '100% de precisão' do PromptQL é real?
Em que o PromptQL é diferente de text-to-SQL ou RAG?
O PromptQL vale a pena para equipes de atendimento ao cliente?
Article by
Alicia Kirana Utomo
Kira is a writer at eesel AI with a Computer Science background and over a year of hands-on experience evaluating AI-powered customer service tools. She focuses on breaking down how helpdesk platforms and AI agents actually work so that support teams can make better buying decisions.
