# Como consultar seus dados de IoT em linguagem natural

> Consulta em linguagem natural ancorada nos dados de IoT: por que um palpite fluente é pior que um erro, os dois caminhos na TagoIO (TagoAI no Admin e o MCP server para o assistente que você já usa) e os controles de permissão e privacidade que tornam isso implantável.

![Como consultar seus dados de IoT em linguagem natural](https://tago.io/og/pt-br/blog/query-iot-data-natural-language-ai.png)

Hoje toda plataforma IoT promete que você pode fazer perguntas aos seus dados em linguagem natural, e a promessa vale a perseguição. Um gerente de operações que digita "quais freezers saíram da faixa na semana passada" extrai mais dessa única frase do que de um construtor de consultas que ele nunca iria aprender.

Mas a maior parte do que é demonstrado como consulta em linguagem natural é um modelo de linguagem produzindo aquilo que uma resposta plausível pareceria, não lendo seus dispositivos. Um palpite fluente é pior que uma mensagem de erro, porque o palpite acaba dentro de um relatório. A melhor forma de consultar dados de plataforma IoT em linguagem natural é um assistente ancorado na sua conta: um que busca as leituras reais, roda o cálculo real em código e consegue mostrar exatamente o que olhou.

## Ancoragem é o jogo inteiro

Uma resposta confiável a uma pergunta sobre dados tem três propriedades. Ela vem de uma consulta ao vivo na sua conta, não de dados de treinamento nem de números colados em um prompt. A aritmética acontece em código, porque modelos de linguagem são calculadoras pouco confiáveis. E a base é verificável: você consegue ver quais dispositivos e qual intervalo de tempo produziram o resultado. Falte qualquer uma das três e você tem uma demonstração, não uma ferramenta para colocar diante de um cliente.

Essa é a lacuna que o [Model Context Protocol fecha](https://tago.io/blog/what-is-model-context-protocol-mcp-for-iot). Em vez de colar dados em um prompt, o assistente chama uma ferramenta que consulta a sua plataforma direto e calcula sobre os valores reais.

![De uma pergunta em linguagem natural a uma resposta ancorada, via MCP server.](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-query-flow.svg)

O padrão está se espalhando pela indústria por bons motivos. O ThingsBoard entrega um MCP server para a própria plataforma, serviços de IA de hyperscalers estão sendo ligados a dados de dispositivos e existem pontes de código aberto para a maioria dos brokers de mensagem. Hoje o protocolo é a parte fácil. O que separa um arranjo do outro é quanto o assistente consegue fazer depois de conectado e quanta configuração fica entre você e a primeira resposta útil.

Na TagoIO essa ancoragem vem em duas formas, feitas para funcionar juntas.

## TagoAI: o assistente que já está dentro da sua plataforma

Para a maioria das perguntas, o caminho mais curto é o assistente que mora onde os dados moram. O TagoAI fica no Admin da TagoIO, atrás do ícone de estrela na barra lateral. Abra e pergunte: "liste todos os dispositivos que não reportam há 24 horas", "qual foi a temperatura média de cadeia fria por rota na semana passada", "quais sites consumiram mais energia neste mês". As respostas vêm de consultas ao vivo aos seus dispositivos, não de uma exportação em cache.

Ele também é sensível ao contexto. Abra de um dashboard ou de um script de Analysis e ele vê o que você está olhando, então "por que este widget está vazio" já é uma pergunta completa. Nenhum ID para colar, nenhum schema para descrever. Além de consultar, ele responde perguntas de arquitetura ancoradas na documentação oficial, inspeciona seus Devices, Dashboards, Actions e scripts de Analysis, e executa operações de análise de dados na sua frota.

E ele cruza uma linha que ferramentas de consulta pura não cruzam: ele age. Quando "quais tanques caíram abaixo de 20 por cento nesta semana" revela um furo no seu alerta, a mesma conversa pode rascunhar o script de Analysis que sinaliza esses tanques, escrito contra os seus nomes de variável e formatos de payload reais, e não como um esboço genérico. Perguntar e corrigir deixam de ser tarefas separadas feitas por pessoas separadas.

Para os formatos de pergunta que funcionam melhor e os hábitos que valem a pena criar em volta deles, existe um [passo a passo detalhado](https://tago.io/blog/use-ai-assistant-query-live-iot-device-data).

## MCP: traga o assistente que você já usa

A segunda forma existe porque boa parte do seu trabalho não acontece dentro de uma plataforma IoT. Você escreve código em um editor, investiga incidentes em uma conversa e monta relatórios onde a conversa já está. O [TagoIO MCP server](https://docs.tago.io/docs/tagoio/tago-ai/tagoio-mcp-ai-powered-iot-data-integration) conecta um assistente externo como o Claude à sua conta TagoIO, com ferramentas para dispositivos, dados, analyses e dashboards.

Uma vez conectado, "puxe as leituras da semana passada do site de Austin e compare com a linha de base do contrato" é uma pergunta que você faz no meio da conversa, e a resposta vem de uma consulta ao vivo, não do que você exportou por último. Para quem desenvolve, essa é a diferença entre um assistente que fala sobre o seu sistema e um que o lê. A configuração é uma etapa única, coberta em [como conectar o Claude e outros assistentes de IA à sua plataforma IoT](https://tago.io/blog/connect-claude-ai-assistants-iot-platform-mcp).

## Escolher entre os dois é a pergunta errada

Os dois se complementam, não competem. O TagoAI serve ao trabalho que acontece na plataforma: explorar dados, depurar um script, montar um dashboard, apertar uma [Action](https://docs.tago.io/docs/tagoio/actions/). O MCP serve às perguntas que surgem em outro lugar: no seu editor, em uma análise mais longa, em um fluxo que atravessa sistemas além da TagoIO.

![Dois caminhos ancorados para os mesmos dados ao vivo: uma pergunta em linguagem natural encaminhada pelo TagoAI dentro do Admin ou pelo Claude com o MCP server, ambos executando consultas ao vivo na sua conta TagoIO](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-two-paths.svg)

Equipes que rodam os dois assentam num padrão rápido. O pessoal de operações fica no TagoAI porque não há nada para instalar, e quem desenvolve acrescenta o MCP server porque o assistente já está aberto em outra janela.

## A parte que torna isso implantável: permissões e privacidade

Ferramentas de linguagem natural ganham adoção pela conveniência e a perdem pela confiança, e é por isso que os controles importam tanto quanto as respostas.

O TagoAI começa toda sessão somente leitura. Ele pode buscar, inspecionar e analisar, mas não pode mudar nada até você elevar a permissão daquela sessão, e ele nunca cria, edita ou exclui em silêncio. Ele também age dentro das permissões da sua própria conta, então não alcança nada que você mesmo não alcançaria. Toda ação que ele toma fica registrada no Audit Log, com quem executou, quando e o que mudou.

No lado da privacidade, os provedores padrão operam sob acordos que impedem que seus dados sejam usados para treinar os modelos deles. Se você quer controle direto, traga seu próprio provedor de IA: OpenAI, Anthropic, AWS Bedrock, Google Gemini ou OpenRouter, com suas chaves guardadas criptografadas no TagoIO Secrets. Trazer o próprio provedor também remove o limite mensal de prompts. O TagoAI pode ser desabilitado por perfil e, em perfis na região da União Europeia, ele vem desligado por padrão, então a decisão de enviar dados a um modelo é sempre sua.

No lado do MCP, o servidor age com o token que você entrega. Limite esse token ao caso de uso e mantenha contas sensíveis em tokens somente de leitura. O desenho mantém tudo local exceto as chamadas de API, mas a boa higiene de tokens continua sendo sua responsabilidade.

Dois hábitos mantêm o conjunto confiável. Trate o assistente como um analista rápido, não como um oráculo: peça que ele mostre quais dispositivos e qual intervalo de tempo usou, para você conferir a base da resposta. Ancorado não quer dizer infalível; quer dizer verificável. E fique na permissão mais baixa que serve para a tarefa.

## Veja antes de liberar para todos

O webinar gravado [AI Meets IoT: A Practical Experience with TagoAI](https://tago.io/videos/ai-meets-iot-a-practical-experience-with-tagoai) percorre isso ao vivo: perguntas reais em uma conta real, incluindo os momentos em que conferir a base de uma resposta faz diferença. Assistir a uma sessão do começo ao fim é o jeito mais rápido de calibrar o que esperar antes de colocar um assistente na frente da sua equipe.

## O portão nunca foi o dado

Consulta em linguagem natural não é sobre substituir seus dashboards. Os dashboards continuam sendo a superfície operacional. É sobre abrir os dados para as pessoas que a linguagem de consulta deixava de fora, e acelerar as que não deixava. O gerente de operações recebe a resposta sem esperar por um relatório. Quem desenvolve pula a ida e volta do CSV. E o integrador pode oferecer isso como serviço, que é uma das formas mais claras de [diferenciar um serviço gerenciado](https://tago.io/blog/how-to-differentiate-your-iot-managed-service) hoje.

Sua plataforma sempre guardou as respostas. O portão era a habilidade de consulta necessária para perguntar. Abra o TagoAI pelo ícone de estrela no seu Admin e faça a pergunta que sua equipe vem encaminhando para um engenheiro, ou conecte o Claude pelo MCP server e pergunte de onde você já trabalha. [Comece grátis](https://admin.tago.io) se ainda não tem conta, ou [agende uma demonstração](https://tago.io/request-demo) para ver com o seu próprio caso de uso.

[llms.txt](https://tago.io/llms.txt)