Resumo
O PromptQL é o agente de dados de IA da Hasura: você aponta para seus bancos de dados, data warehouses e ferramentas, e então faz perguntas e cria fluxos de trabalho em inglês simples. Foi lançado em meados de 2025 como "o sucessor espiritual do GraphQL", e em 2026 a página inicial o reposicionou como um "agente de IA multiplayer" com threads compartilhadas e um cérebro de equipe compartilhado. Duas descrições, um mesmo motor por trás.
A ideia que vale a pena guardar é esta: o PromptQL usa o modelo apenas para escrever um plano de consulta e depois executa esse plano como código real (Python e SQL) fora do modelo. É por isso que ele pode falar em repetibilidade em vez de torcer para que o LLM faça a aritmética de cabeça. O marketing de "100% de precisão" é um exagero (a própria Hasura admite isso), mas a arquitetura de planejar e depois executar é a história real, e ela combina com equipes de dados e análise com dados bagunçados que atravessam vários sistemas, não com quem quer um chatbot plug-and-play.
Os preços são puramente por consumo: US$ 0,20 por OLU (US$ 0,14 introdutório), grátis para começar, Enterprise sob consulta. Se você chegou aqui como equipe de suporte esperando que o PromptQL responda seus tickets, é a ferramenta errada para isso, e explico o motivo no final. Para a ideia de um "agente fundamentado que mostra seu trabalho" aplicada ao helpdesk, isso está mais perto do que eu trabalho na eesel AI.
O que o PromptQL realmente é
Passo meus dias pensando em como as pessoas buscam ferramentas como esta, e "o que é PromptQL" é uma pergunta surpreendentemente carregada, porque o produto responde a duas descrições diferentes dependendo de quando você olhou o site.
O PromptQL vem da Hasura, a empresa por trás do mecanismo GraphQL de código aberto que ultrapassou 100 milhões de downloads em dois anos. Os fundadores Tanmai Gopal e Rajoshi Ghosh levantaram uma Série B de US$ 25 milhões e uma Série C de US$ 100 milhões, e no final de 2025 a VentureBeat descrevia a empresa como um negócio de mais de um bilhão de dólares vendendo "engenheiros de IA a US$ 900/hora". A visão de Tanmai é que o cliente dos seus dados mudou:
"Percebemos que os aplicativos não são mais a coisa mais importante que precisa de acesso aos dados. O futuro é a IA conversando com os dados, a IA acessando dados em nome do usuário."
Então o discurso de 2025 era 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 começa com "um agente de IA multiplayer, pense no Claude ou no ChatGPT, mas com threads compartilhadas e um cérebro compartilhado", e o problema central é a decadência de contexto entre Slack, documentos, tickets, CRM e tabelas de data warehouse. Os logotipos citados são pesados: Cisco, McDonald's, Instacart, Swiggy e Lightspeed.
Ambas as descrições são verdadeiras, e apontam para o mesmo motor. Mas se você chegar 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, e os preços, a documentação e os benchmarks giram todos em torno desse motor, não do invólucro de wiki. Se você guardar apenas uma coisa desta explicação, que seja essa.
Como o PromptQL funciona: primeiro planejar, depois executar
Esta é a parte que torna o PromptQL algo que vale a pena explicar, em vez de simplesmente dar de ombros. A maioria das ferramentas de "IA sobre seus dados" entrega toda a tarefa ao modelo de uma vez: ler os dados, fazer os cálculos, escrever a resposta, tudo em uma única janela de contexto. O PromptQL divide isso em duas partes.
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, momento em que o PromptQL "lembra e se autocorrige para threads futuras". Essa transparência é o ponto que não se deve pular: você vê o plano antes que qualquer dado se mova.
O plano então é executado como código real. O PromptQL busca seus dados e os organiza com Python, e você pode expandir qualquer etapa para ver o código Python e SQL real que rodou contra sua fonte. Esta é a frase em que o produto inteiro se apoia:
"Em vez de gerar respostas, geramos planos em uma linguagem específica de domínio, exclusiva para o seu negócio. Esses planos são compilados 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. Esse é o detalhe inteligente para a 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 controle. O trabalho semântico (classificar, resumir, extrair, visualizar) é feito por primitivas de IA estreitas que rodam 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 construída a partir da complexidade da consulta, da precisão dos dados e da confiança do modelo, com notas sobre o que a análise incluiu e 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 é familiar: é o mesmo instinto por trás de prevenir alucinações, em que o sistema deveria avisar quando está inseguro em vez de adivinhar com cara séria.
O problema que o PromptQL realmente resolve
Para entender por que planejar e depois executar importa, veja o quão mal os modelos crus se saem em perguntas reais sobre dados. Tanmai aponta para o Berkeley Data Agent Benchmark, onde modelos de ponta ficam bem abaixo do que uma demonstração faria você acreditar.
Em perguntas reais sobre dados, 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 a banco de dados pontua "perto de 0%". A própria leitura do benchmark é que os agentes "normalmente selecionam os dados certos, mas falham ao planejar o cálculo ou ao implementá-lo corretamente". É exatamente essa lacuna que a separação entre planejar e executar ataca, e é por isso que o fundador insiste tanto em uma palavra:
"O maior problema não é não conseguir responder a pergunta com precisão. O grande problema é a IA fingir ser precisa mesmo quando não é. Então a IA está errada com confiança. Esse é o problema."
A Hasura agrupa as falhas em quatro modos, e essa matriz 2x2 é a coisa mais útil para internalizar antes de avaliar qualquer ferramenta de análise de dados com IA, seja o PromptQL ou outra.
Agora, sobre a manchete de "100% de precisão". A Hasura é refrescantemente honesta ao admitir que é uma 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 abordagens de ponta. Leia o número redondo como um ponto de partida para a conversa e a repetibilidade como o recurso real.
Com o que o PromptQL se conecta e o que ele pode fazer
Ser um agente de IA só é útil se ele chegar aos seus dados, e é aqui que a herança Hasura do PromptQL compensa. Ele roda sobre o Hasura DDN, então um supergrafo costura vários subgrafos juntos, e os relacionamentos "não precisam ser sustentados pela mesma fonte de dados". Em termos simples, ele consegue unir Postgres a uma API SaaS e raciocinar sobre ambos, exatamente onde ferramentas construídas apenas para Snowflake ou um único data warehouse falham.
A lista de conectores nativos é longa: PostgreSQL, MySQL, SQL Server, Oracle, Snowflake, Amazon Redshift, BigQuery, MongoDB e Databricks, além de fontes HTTP/API, busca na web em tempo real e interoperação via MCP. O invólucro de 2026 adiciona uma camada de contexto que se autoconstrói, alimentando um wiki de equipe a partir do Slack, Google Docs, PostHog e Salesforce, mantendo histórico de revisões e trilhas de auditoria, e aplicando acessos delimitados.
Duas capacidades merecem destaque porque mudam no que "fazer uma pergunta" se transforma:
- Automações que viram APIs de verdade. Depois que um fluxo de trabalho roda no Playground, você o implanta como um endpoint HTTP chamável a partir do Zapier, Slack, cron jobs ou seus próprios aplicativos, sem programação. Uma thread pontual se torna um processo de negócio repetível.
- Traga seu próprio modelo. O PromptQL roda com qualquer LLM, do Claude e GPT a modelos de peso aberto como DeepSeek, Kimi K2 e GLM. Você pode trocar de modelo por thread, e, como veremos, esse menu suspenso é a maior alavanca sobre sua fatura.
Quanto custa o PromptQL
O PromptQL não tem preço por assento. É 100% baseado em consumo, cobrado em uma unidade normalizada chamada OLU (Operational Language Unit), que reúne tokens de entrada, saída, cache e criação de cache em todos os modelos em um número consistente, para que sua fatura não mude de forma quando você troca de modelo.
| Plano | Preço | Unidade cobrável | O que você recebe |
|---|---|---|---|
| Créditos gratuitos | US$ 50 por projeto, +US$ 20 por membro da equipe | OLU | Sem cartão necessário; suficiente para milhares de tarefas simples em um modelo de peso aberto |
| Starter | US$ 0,20 por OLU (US$ 0,14 introdutório, no custo) | OLU | Pague conforme o uso, saldo pré-pago, pausa automaticamente ao zerar, cotas por usuário; tudo incluso (tokens + infraestrutura + sandbox) |
| Enterprise | Personalizado, fale com vendas | OLU | Adiciona SSO, BYOC/VPC, redes privadas, LLMs próprios, trilhas de auditoria, engenheiros dedicados |
Os custos típicos por tarefa que a Hasura cita (na taxa de US$ 0,14) são honestos e pequenos: menos de 2 OLU para uma tarefa de dados simples (menos de US$ 0,28), cerca de 10 OLU para um relatório complexo (~US$ 1,40) e cerca de 40 OLU para uma investigação profunda (~US$ 5,60).
Aqui está a pegadinha, e é o que a maioria dos artigos sobre "o que é PromptQL" ignora. O preço por OLU é fixo, mas o modelo escolhido 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 0,018x, o que a Hasura enquadra como até 57 vezes mais barato pelo mesmo trabalho. Então o mesmo relatório pode custar alguns dólares ou alguns centavos, dependendo inteiramente do menu de modelo. Insira seus próprios números:
A conclusão é um hábito, não um número: no PromptQL, escolher um modelo de peso aberto para tarefas rotineiras é a diferença entre um erro de arredondamento e um item real na fatura. É o mesmo raciocínio de custo total de propriedade que aplicamos aos custos de agentes de IA, com o menu de modelo como o botão de ajuste.
Para quem o PromptQL é indicado (e para quem não é)
Depois de viver na documentação, nas capturas de tela do Playground e na página de preços, a leitura honesta é que o PromptQL recompensa um tipo específico de equipe e frustra todo o resto.
Ele se encaixa em equipes de dados ou análise com dados bagunçados que atravessam vários sistemas, requisitos reais de confiabilidade e apetite de engenharia para modelar uma camada semântica. A configuração é um projeto de dados genuíno (conectores, metadados HML, a CLI do DDN), então não é plug-and-play, mas a recompensa é um agente cuja cada etapa (plano de consulta, Python/SQL, artefatos, pontuação de confiabilidade) você pode inspecionar. O design de planejar e depois executar é a resposta mais convincente que já vi para a IA confiantemente errada sobre seus próprios dados.
Não se encaixa se você queria um assistente pronto para uso, se você é uma equipe pequena sem engenheiro de dados, ou se seu trabalho real é suporte ao cliente. Algo que vale a pena destacar para quem está avaliando: a presença pública do PromptQL é escassa, com nenhuma avaliação no G2 ou Capterra até agora, e ambos os lançamentos oficiais no Show HN atraíram quase nenhuma atenção (seis pontos e quatro comentários em um, seis pontos e um comentário no outro). A própria base de desenvolvedores, porém, está animada com a direção:
"I have built and managed more than 10 production codebases that use Hasura. IMO, I think it's a better option than Supabase, Payload, and others to build your backend. The fact that they are investing time in LLM-related resources for the platform makes me happy we choosed it back when."
Experimente a eesel para a versão de suporte dessa ideia
Se você leu 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 data warehouse, esse é exatamente o problema em que trabalho na eesel AI. O PromptQL traz a disciplina de planejar e depois executar para o mundo da análise de dados; a eesel traz o mesmo instinto de "não adivinhe, 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 que eu não lançaria sem ela, simula sobre seus tickets passados antes de responder a um cliente real. Em mais de 8.000 clientes, ela resolve uma parte real do volume de nível 1 no primeiro mês, e o preço é pague conforme o uso, sem taxa por assento. Se o PromptQL é o parceiro de dados confiável, a eesel é o parceiro de suporte confiável.
Você pode experimentar a eesel de graça, conectar uma fonte em poucos minutos e rodar uma simulação antes de se comprometer com qualquer coisa.
