©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Xtended

“Vibe analytics”: o que as empresas ganham com o primo do “vibe coding”

Esqueça as eras da planilha Excel e do dashboard; estamos entrando na “era do vibing”, em que humanos improvisam coding com IA, isso alimenta diretamente a improvisação no analytics e tudo se integra à improvisação estratégica, para surgirem novas formas de inteligência organizacional

Michael Schrage

31 de julho de 2025 e atualizado em 20 de agosto de 2025

26 min de leitura

Em fevereiro deste ano, o ex-diretor de inteligência artificial (IA) da Tesla e cofundador da OpenAI, Andrej Karpathy, fez uma postagem de evidente falsa modéstia no X sobre a esperteza de sua versão ”fim de semana” para programação: “Chamo esse novo tipo de codificação de ‘vibe coding’, porque nela a gente cede às vibrações do momento, deixando os LLMs escreverem o código para você.” O hack de Karpathy, literal e figurativamente, provocou uma ruptura profunda e provocativa no design e desenvolvimento de software. “Não é realmente codificação”, observou ele. “Eu apenas vejo coisas, digo coisas, executo coisas e copio e colo coisas. E funciona na maioria das vezes.” 

Agora parece quase certo que o “coisar movido a IA” de Karpathy terá um impacto significativo em outras formas de trabalho do conhecimento – especialmente naquele tipo de análise de dados em que nos guiamos diretamente pelo que os dados mostram nas perguntas e nas ações (e não por pressupostos, por exemplo).

O que o vibe coding faz pela (e para) a programação, o vibe analytics faz por (e com) dados. Ganhamos o verbo “vibing”, que é flexionado com dados tanto estruturados como não-estruturados — arquivos CSV (de valores separados por vírgula), bancos de dados SQL, planilhas Excel ou Zooms transcritos —, e a prática do “vibing” pode produzir insights empíricos que nem a análise tradicional, nem a ciência de dados provavelmente conseguirão produzir. 

Assim como o vibe coding transforma a programação: o que dependia de sintaxe agora pode vir diretamente da intenção expressa; o que era consulta de dados se traduz em conversa; o que eram dashboards passa a ser uma verdadeira jam session. Nesses contextos, vibing representa a sintonia entre a intenção humana e a resposta da máquina — uma conexão que emerge da interação improvisada entre os dois.

A improvisação evoca e permite uma visão utilizável e o insight vem dos dados argumentando de forma eficaz e afetiva. Inspirada pelo espírito dos pioneiros da estatística — como John Tukey e Frederick Mosteller, cuja análise exploratória permitia que os dados “falassem” antes que modelos formais impusessem significado —, o vibe analytics busca valor por meio da interação dinâmica. É um processo em que os dados se envolvem, respondem e, por vezes, resistem. Não se trata apenas de reconhecimento de padrões, mas de uma negociação ativa com eles.

No passado, houve a “era da planilha Excel”, em que perguntávamos “o que aconteceu?” e, depois, a “era do dashboard”, quando buscávamos entender “por que aconteceu?”. Agora estamos na “era do vibing”, que começa com o código, mas inevitavelmente se expande para os dados. E, nela, a pergunta passa a ser: o que surge se explorarmos juntos? 

Para os executivos, isso significa obtenção de insights em um prazo mais curto e, ato contínuo, democratização dos poderes analíticos. (Ninguém mais precisa esperar dias ou semanas até que o time de dados traduza em linguagem técnica as perguntas feitas em linguagem de negócios.)

Quando os líderes se envolvem diretamente com dados confusos/estruturados/não-estruturados por meio da exploração multimodal improvisada para revelar padrões inesperados e acelerar a tomada de decisões, eles estão inovando em voz alta.

Como testemunhei em primeira mão, o valor do vibe analytics se materializa rapidamente quando as organizações que buscam insights de ganho rápido e alto impacto executam “promptathons” e outras iniciativas de prova de conceito com grandes modelos de linguagem e ferramentas de IA generativas. Um promptathon é como um hackathon, mas os participantes usam prompts no lugar de códigos para inovar de maneira a um só tempo competitiva e colaborativa.

No início deste ano, trabalhei com líderes empresariais em sessões de vibe analytics em salas de aula e de reuniões realizadas durante as aulas do MIT Sloan Executive Education e o MIT Industrial Liaison Program (ILP). No primeiro, os líderes de negócios exploraram como os recursos de IA generativa e preditiva podem transformar seus KPIs (de métricas estáticas e retrospectivas) em agentes de software inteligentes capazes de analisar conjuntos de dados de planilhas e bancos de dados SQL de maneira mais “vibe”, mais emocional.

Esses líderes queriam tornar seus KPIs mais inteligentes. No caso do programa ILP, as empresas enviaram equipes de inovação para trabalhar em técnicas de vibe analytics como parte de seus esforços para gerar mais valor usando a tecnologia. Essas equipes, cujos membros variavam de executivos de startups a profissionais de planejamento e análise financeira de empresas da Fortune 100, exploraram e adotaram abordagens de vibing que alteraram radicalmente a economia dos insights internos dessas organizações.

Vibe analytics em ação: experiências de três empresas

Como o vibe analytics funciona e o que ela produz? Vamos explorar três exemplos. Primeiro, uma das maiores empresas de telecomunicações do Sudeste Asiático analisou seu caminho para repensar fundamentalmente seu portfólio multibilionário de produtos B2B. Executivos de contas, líderes de marketing, analistas financeiros e gerentes de produtos aplicaram, juntos, ferramentas de IA generativas em orçamentos da empresa, relatórios de analistas, roteiros de produtos e acordos de nível de serviço para identificar ofertas com preços incorretos e revelar oportunidades não identificadas anteriormente, com o objetivo de agrupar e/ou vender pacotes de serviços e negociar melhores SLAs (sigla em inglês para acordos de nível de serviço).

Em menos de 90 minutos de interações mediadas por LLMs, utilizando dados anônimos e não proprietários, o grupo conseguiu mapear e segmentar SLAs subvalorizados, de baixo desempenho e alto custo. Identificou também a necessidade de análises mais frequentes e estruturadas dos dados de registro dos clientes, além de ajustes nos modelos de linguagem para apoiar as equipes de contas na recomendação de pacotes personalizados — visando retenção e expansão de clientes corporativos.

O principal insight gerado pelas práticas de vibe analytics foi a criação de um novo sistema de pontuação e classificação de SLAs, capaz de evidenciar para toda a organização quais tipos de contratos e compromissos se correlacionam com maiores margens, riscos elevados e custos de suporte inesperadamente altos. O facilitador da sessão — um especialista técnico responsável pelo portfólio de produtos da empresa — destacou que, nesse único encontro, foram gerados mais insights financeiramente relevantes do que a organização costuma produzir em 90 dias.

No segundo exemplo, uma empresa unicórnio de software de cibersegurança disponibilizou seu banco de dados em Excel com mais de 30 mil clientes freemium como conjunto de dados de teste para um promptathon voltado à geração de insights sobre receita de vendas. A planilha foi inserida diretamente na janela de contexto do LLM, sem limpeza prévia e com apenas ajustes mínimos nos metadados. Após alguns testes de estresse pontuais via prompt, as respostas iniciais foram encaminhadas a um executivo de operações de receita para revisão.

Sua primeira avaliação foi direta: os insights estavam razoáveis para uma primeira interação, mas careciam de foco nos problemas reais enfrentados pela equipe — especificamente, os desafios criados pelos clientes freemium. Transformei esse feedback em um novo prompt de acompanhamento e reenviei os resultados do vibe analytics. A resposta foi imediata: “Estes são realmente interessantes; não tínhamos pensado nisso dessa maneira.” A crítica inicial, incisiva e precisa, foi justamente o que abriu caminho para insights inéditos e relevantes para a equipe.

No terceiro caso, uma equipe de uma empresa de serviços financeiros rapidamente transformou centenas de transcrições do serviço de suporte ao cliente em um playground para perguntas e improvisações. Pequenas equipes de suporte, tecnólogos, profissionais de marketing, funcionários de RH e de compliance – mas nenhum cientista de dados ou funcionário de business intelligence (BI) – aplicaram os dados usando um modelo baseado em LLM. Uma equipe decidiu identificar circunstâncias em que os membros da equipe de suporte estavam menos satisfeitos do que os clientes; outra procurou identificar quais transcrições provavelmente seriam os melhores preditores de rotatividade de clientes; e um terceiro grupo procurou revisar e reescrever os scripts que os agentes usavam para acalmar e conquistar clientes alternadamente.

A conclusão coletiva mais importante: a análise tradicional de segmentação de clientes não conseguiu identificar – muito menos capturar – a variedade de personas surgidas por essas análises de sentimento improvisadas e iteradas. A equipe comentou que sua empresa simplesmente não conhecia seus clientes bem o suficiente; O NPS habitual da empresa, derivado de sistemas e pesquisas de satisfação do cliente, não trazia novas respostas. A improvisação iterativa permitiu insights inovadores.

Em todos os três exemplos, a principal conclusão do trabalho não foram os modelos de melhores práticas ou o reconhecimento de que as análises tradicionais geralmente precisavam de impulsos de improvisação – mas que os participantes queriam enfaticamente novas maneiras de se envolver com os dados e uns com os outros. Colaborar com colegas era tão importante quanto colaborar com dados. Isso foi uma surpresa para seus gestores: por mais que as pessoas quisessem insights e respostas, elas também procuravam vibe analytics para alinhamento e coordenação.

O que é o vibe analytics?

O trabalho comum de BI e análise de negócios era limitado por silos e divisões técnicas e, historicamente, seguia a ordem abaixo:  

• Defina a pergunta.
• Estruture a consulta.
• Execute modelos.
• Visualize os resultados.
• Interprete o quadro.

Essa dinâmica clássica separa quem formula perguntas daqueles com formação técnica ou estatística para respondê-las. Mesmo quando ambos os lados se reúnem com frequência, divergências de repertório e a ausência de um vocabulário analítico comum dificultam o alinhamento. Com frequência, líderes de negócios precisam aguardar enquanto cientistas de dados tentam traduzir suas intenções em SQL, R ou Python — um processo que, inevitavelmente, distorce nuances, reduz a fluidez da exploração e limita interações em tempo real.

O vibe analytics, em contraste, colapsa essa cadeia tão impiedosamente quanto o vibe coding colapsou a cadeia de eventos de desenvolvimento de software:

• Expresse a intenção.
• Observe os resultados.
• Refine o prompt.
• Descubra padrões.
• Avance no entendimento.

Quando executivos perguntam “o que está acontecendo com nossas taxas de conversão?” e conseguem explorar causas potenciais em um diálogo improvisado, o vibe analytics transforma não apenas a forma de obter respostas, mas também o modo como o conhecimento é construído. Essa abordagem é, em essência e prática, análoga ao que o vibe coding representa na criação de software: uma mudança de paradigma centrada na interação contínua e na geração conjunta de sentido.

Ver a vibe analytics simplesmente como um aprimoramento radical do BI tradicional é um erro — tão impreciso quanto tratar vibe coding como uma mera atualização do desenvolvimento de software convencional. Ambos representam uma mudança disruptiva e estrutural: um salto do “conhecimento como ferramenta” para o “conhecimento como base para a improvisação”.

Cinco exemplos de aplicações do vibe analytics

Adotar vibe analytics como princípio organizador e operacional abre um leque de oportunidades práticas para as empresas repensarem como seus dados podem ser combinados, reorganizados e ativados para estimular a inovação. Confira essas abordagens de vibe analytics como instrumentos de improvisação para insights aplicáveis.

1. Transformar KPIs em parceiros de conversa

• Transforme métricas estáticas em diálogos dinâmicos que revelam pressupostos ocultos sob os números.
• Pergunte sobre sua taxa de rotatividade: que comportamentos de clientes estou deixando de perceber e que indicam sua perda seis meses antes? 
• Avalie seu custo de aquisição de clientes: quais canais atraem clientes que permanecem mais tempo e gastam mais?
• Trate as métricas como “agentes pensantes” que podem ajudar a explicar suas próprias flutuações e sugerir melhorias e intervenções.

2. Tratar as transcrições como testemunho vivo do cliente

• Observe padrões visíveis de volatilidade emocional — mudanças repentinas de frustração para satisfação que sinalizam pontos de virada no relacionamento.
• Crie mapas de temperatura do relacionamento por segmentos de clientes para identificar quais grupos e personas experimentam as quedas emocionais mais acentuadas.
• Descubra tópicos de “espaço negativo” – o que os clientes evitam sistematicamente mencionar, mas devem abordar (como comparações de concorrentes ou preocupações com preços).
• Avalie não apenas reclamações explícitas, mas também tons emocionais, usando prompts de conversação para obter o que os clientes realmente querem dizer por trás de suas manifestações declaradas.

3. Sintetizar histórias de dados desconectadas

• Pergunte aos arquivos CSV multidepartamentais confusos: qual é o nosso indicador principal de crescimento ou declínio menos discutido?
• Deixe que os LLMs combinem threads de dados díspares de vendas, suporte, marketing e operações para formar narrativas coerentes — revelando padrões multifuncionais que antes passavam despercebidos.
• Identifique a ressonância de padrões — como os insights de um conjunto de dados amplificam ou contradizem as descobertas de outro — para evitar enfatizar demais o reconhecimento de padrões isolados em fontes de dados únicas

4. Refinar pressupostos de negócios em tempo real

• Prompt: quais pressupostos estamos assumindo ao enquadrar essa questão dessa maneira? Que alternativas de framing poderiam revelar percepções ou caminhos diferentes?”
• Desafio: que vieses históricos afetam essa métrica e como isso pode nos cegar para realidades e ameaças emergentes?
• Itere nos insights de dados e nos modelos mentais que os sustentam. Trate os pressupostos como hipóteses testáveis, não como respostas plausíveis. 

5. Improvisar com personas de dados

• Pergunte aos seus dados de previsão: se eu fosse um membro do conselho cético revisando isso, quais seriam as três perguntas que eu deveria fazer primeiro?
• Cenários de role-play: considerando nosso segmento de clientes mais sensíveis ao preço, o que os levaria a mudar para um concorrente?

Qualidade dos dados: a base necessária

Um cuidado importante: as organizações que querem gerar insights de forma confiável devem revisitar e reavaliar sem rodeios a integridade de seus dados. Não há brecha GIVO (do original garbage in, vibes out, ou, entra lixo, sai resultado). A qualidade questionável dos dados não limita apenas a eficácia analítica tradicional — ela pode levar a explorações inesperadas que podem ser enganosas. Quando os LLMs sintetizam padrões de conjuntos de dados inconsistentes, incompletos ou tendenciosos, eles podem amplificar erros de maneiras que parecem convincentemente coerentes.

Ironicamente, essa coerência fabricada pelo LLM pode ser útil na identificação das causas raiz de conjuntos de dados defeituosos. Em um promptathon, por exemplo, uma equipe continuou gerando insights de clientes a partir de conjuntos de dados que todos concordaram que eram “loucos” e não faziam sentido. No entanto, o LLM seguia insistindo que os insights eram precisos e orientados por dados. Isso levou a equipe a investigar os conjuntos de dados que usaram para suas análises. Sem surpresa, eles descobriram que um dos conjuntos de dados do cliente era ruim, mas ainda relevante para um caso específico. Essa descoberta aumentou a consciência da empresa sobre dados e metadados de qualidade.

Isso significa que as empresas com problemas de qualidade de dados devem ver vibe analytics mais como um provocador aspiracional do que como um gerador de perguntas precisas. Mas essas provocações provavelmente fortalecerão os processos formais de análise de dados da empresa. Ambientes com dados maduros — onde a governança, a origem e os controles de qualidade foram estabelecidos — oferecem condições ideais para o florescimento de vibe analytics.

As abordagens “de fim de semana”, improvisadas, podem realmente ajudar a identificar problemas de qualidade de dados que as consultas tradicionais podem não mostrar, transformando a exploração em uma forma de descoberta e validação de dados. E se o seu ambiente de dados não estiver maduro, os aspirantes a analistas de vibe analytics precisam restringir seu foco, reduzir suas ambições e agir com transparência sobre o quão confiáveis (ou não confiáveis) os insights que oferecem podem ser.

Os líderes também podem considerar a abordagem intermediária, que envolve aplicativos seletivos e/ou direcionados: usar vibe analytics apenas em conjuntos de dados com níveis de confiabilidade moderados a altos, no que se refere à qualidade, ao mesmo tempo em que trabalham para melhorar a última em toda a organização. Essa opção permite que as equipes desenvolvam intuição e capacidade analíticas enquanto enfrentam desafios de dados fundamentais — ou seja, um ganha-ganha. 

Agora, o segundo ponto de atenção: o vibe analytics também deve ser usado dentro de estruturas de segurança e governança comprovadamente robustas que protejam os dados confidenciais da sua empresa enquanto permitem a exploração. Nem todos os conjuntos de dados são adequados para exploração improvisada. Informações pessoais de clientes, dados financeiros e ativos proprietários exigem controles de acesso rigorosos e, idealmente, devem ser anonimizados, agregados ou substituídos por dados sintéticos antes de serem usados.

Da mesma forma, as interações do LLM com dados corporativos devem acontecer em ambientes seguros e controlados. Isso pode significar implantações de nuvem privada, soluções locais ou plataformas de terceiros cuidadosamente examinadas com contratos de processamento de dados e certificações de segurança apropriados.

Embora o vibe analytics valorize a improvisação, as organizações precisam de mecanismos que permitam rastrear quais perguntas foram feitas, quais dados foram acessados e quais insights foram gerados. Isso garante responsabilidade sem sufocar a exploração dos inovadores. O objetivo não é burocratizar o processo, mas criar zonas seguras onde as equipes possam explorar com liberdade — sempre em conformidade com as diretrizes estabelecidas.

Redefinição do rigor analítico (não seu fim)

Culturalmente, o vibe analytics pode ser controverso, e os líderes devem esperar resistência de alguns especialistas em dados tradicionais. Uma linha previsível de reclamação é que as respostas são livres de rigor e as supostas análises são perigosamente informais. Essas críticas são tipicamente infundadas e falsas. O termo vibe engana. O rigor não é abandonado no vibe analytics; é reformulado e redefinido. 

Na prática, essas percepções equivocadas costumam surgir da forma como os insights são apresentados: com clareza e simplicidade que mascaram a complexidade da síntese computacional envolvida. Céticos podem confundir uma saída elegante com um processo simplista — como julgar equações quânticas apenas por sua forma final, ignorando a sofisticação que ela representa.

O verdadeiro poder do vibe analytics emerge do diálogo iterativo: improvisação estruturada que amplifica, mas não substitui o pensamento crítico. De fato, as interações de vibe analytics estimulam o pensamento crítico e a argumentação. O que ele faz é incentivar uma improvisação mais intencional.

O vibe analytics convida ao rigor não pelo procedimento rígido, mas pela provocação contínua. Em vez de seguir trilhas analíticas predeterminadas, os profissionais são estimulados a questionar pressupostos, explorar enquadramentos alternativos e testar insights diante de contraexemplos e cenários contrafactuais. Essa abordagem fortalece a capacidade das equipes de identificar pontos cegos com credibilidade — desestabilizando pressupostos variáveis e tácitos que, nas abordagens tradicionais, frequentemente passam despercebidos justamente por estarem ancoradas em hipóteses fixas.

Esse novo modelo, com sua liberdade de diálogo responsivo, requer estruturas apropriadas para evitar desleixo analítico. Como um analista sênior de BI financeiro da empresa de telecomunicações asiática comentou após a sessão: “Muitos desses insights são muito bons, mas ainda teremos que avaliá-los [formalmente].” É claro que acompanhar essa verificação da realidade é menos um bug do que um recurso: é um fluxo de trabalho natural em que a descoberta improvisada alimenta a validação rigorosa.

A resistência ao vibe analytics em sua organização pode seguir o mesmo padrão que a resistência ao vibe coding, com os críticos geralmente usando os mesmos argumentos: “Esta não é uma análise real” ecoa o clássico “Esta não é uma programação real”. “Isso é estatística irresponsável” reflete “Isso é desenvolvimento irresponsável”.

Essas semelhanças não são coincidência. Especialistas tradicionalistas costumam defender a visão do conhecimento como instrumento controlado e estruturado, resistindo à ideia de um conhecimento que emerge da interação. É natural que vejam os “formatos vibe” como uma ameaça à coerência e à consistência que moldaram sua formação disciplinar — da mesma forma que músicos clássicos, no passado, viam o jazz como uma subversão do rigor orquestral.

SIM, A EXPLORAÇÃO IMPROVISADA PODE SE PERDER EM DIGRESSÕES E IRRELEVÂNCIAS. Sim, insights orientados por dados dissociados da relevância contextual podem enganar as pessoas com a mesma facilidade com que iluminam. Mas implementações bem-sucedidas podem equilibrar liberdade com estrutura, improvisação com intenção e diálogo com direção. Vibe analytics cria espaços para observadores, pensadores e executores talentosos testarem a si mesmos e seus palpites.

No futuro, a abordagem vibe, que começou com a codificação e evoluiu para a análise, tem potencial para provocar uma transformação ainda mais ampla nas organizações: 

Vibe coding → Vibe analytics → Vibe research → Vibe strategy → Vibe design

Essa expansão segue uma lógica clara e convincente: onde quer que a intenção humana possa orientar produtivamente o reconhecimento de padrões por meio de diálogos improvisados, há potencial para transformação. Imagine não apenas mais domínios de negócios adotando abordagens baseadas em improvisação, mas o impacto exponencial de conectar esses sistemas — em que a improvisação no coding alimenta diretamente a improvisação no analytics, que, por sua vez, se integra à improvisação estratégica. É nesse entrelaçamento que surgem novas formas de inteligência organizacional.

Nota dos editores: o autor usou ferramentas de IA generativa no processo de redação deste artigo.