Como integrar Power Automate, Power BI e Copilot Studio em um fluxo de alertas

Preguiça de ler? Dá um GPT aí

Vamos começar

Quando comecei a montar essa integração entre Power Automate e Microsoft Copilot, senti falta de um material mais direto ao ponto. A ideia parece simples: coletar dados, enviar o contexto para um agente e devolver a resposta. Este post reúne alguns dos meus aprendizados e os "pulos do gato" que ninguém conta.

Antes de começar, acesse sua conta corporativa no Portal Microsoft e confirme se você possui uma licença do Copilot, como na imagem abaixo:

Se o resultado for positivo, então podemos continuar. Do contrário, você não conseguirá avançar.

Criando um Agente no Copilot

Com a licença confirmada, o próximo passo é criar o agente que vai interpretar os dados enviados pelo Power Automate. Acesse o Copilot Studio e siga o fluxo de criação — a configuração inicial leva menos de um minuto.

1. Nome do agente
Escolha um nome que identifique a função do agente no contexto do seu projeto. Neste exemplo, usei Rubens.

2. Instruções (Instructions)
Esse é o campo mais importante da configuração. É aqui que você define o papel, o tom e o escopo de análise do agente. No meu caso, orientei o Rubens a atuar como especialista em Supply Chain, com foco em identificar alertas e desvios relacionados a Spend e Prazo Médio de Pagamento (PMP). Ocultei algumas informações por questões de segurança, mas dê bons direcionamentos aqui.

3. Modelo de linguagem
Selecione o modelo que será utilizado pelo agente. Neste fluxo, estou usando o GPT-5 Chat, que oferece uma janela de contexto de 128K tokens

Repare que a tela de configuração (Overview > Instructions) concentra tudo que o agente precisa saber antes de receber qualquer dado. Quanto mais objetivo e específico for esse campo, mais consistente será a resposta gerada no fluxo.

A ideia por trás do fluxo

Neste projeto, uso o Power Automate como orquestrador para conectar uma fonte de dados no Power BI, enviar o contexto para um agente de IA no Copilot Studio e entregar o resultado formatado no Teams. Tudo acontece dentro do ecossistema Microsoft.

Esse fluxo surgiu para apoiar uma rotina de Supply Chain, mais especificamente o acompanhamento de gastos (Spend) e prazo médio de pagamento (PMP). A necessidade era identificar algunas alertas/desvios e avisar os gestores sem depender somente da consulta manual nos Dashboards. Ou seja, além dos dashboards que já existem na área, passamos a ter uma camada de notificação inteligente.

Adapte o relatório à sua lógica e ao seu cenário de negócios. Veja alguns exemplos de uso: alertas de vendas, resumos financeiros, relatórios de SLA ou qualquer outra análise recorrente.

Arquitetura do fluxo

O diagrama abaixo mostra de maneira compacta e visual como o fluxo está estruturado. A sequência vai do gatilho (manual ou agendado) até a entrega final no Teams.

Essa arquitetura separa bem as responsabilidades: o Power BI cuida da camada analítica (base de dados), o Power Automate orquestra a sequência, o Copilot Studio interpreta o conteúdo e o Teams entrega o resultado.

Estou usando o Power BI porque já tenho licença Pro, mas a lógica não depende disso. Você pode adaptar o fluxo para consumir arquivos xlsx ou .csv em um SharePoint, por exemplo.

O que cada etapa faz

O fluxo segue uma sequência linear, com 11 ações, 3 conectores principais e 1 agente no Copilot Studio. Analise a tabela abaixo para entender o funcionamento de cada etapa:

Decisões técnicas

Nesta seção, mostro as decisões que ajudaram a manter a automação mais simples de sustentar, com menos retrabalho e uma resposta mais útil no fim do processo.

Janela de Contexto

Antes mesmo de pensar no prompt, minha principal preocupação era mais básica: quanto dado eu poderia enviar sem quebrar o fluxo. Quem trabalha com IA sabe o peso que a janela de contexto tem. Quando você começa a mandar tabela, instrução, contexto e ainda espera uma resposta estruturada na volta, o risco de estourar esse limite é real.

Foi por isso que eu criei a variável de cálculo de tokens dentro do Power Automate. A ideia não era buscar precisão, mas ter um termômetro do volume enviado ao agente antes da chamada acontecer. Sem esse cuidado, você pode montar um fluxo que funciona em um teste pequeno e falha justamente quando recebe um conjunto maior de dados.

Segundo a documentação oficial do Copilot Studio, o contexto total é a soma de tudo o que participa da requisição:

Na prática, isso significa que não basta olhar apenas para a mensagem enviada pelo Power Automate. Existe uma parte invisível da conta que também consome contexto, como o prompt interno de orquestração do Copilot Studio, descrições de tópicos, ferramentas e camadas de segurança. Esse "custo computacional" não aparece de forma explícita no fluxo, mas pesa no limite final.

Abaixo está uma simulação real de uma amostragem de dados que enviei durante os testes usando o GPT-5 Chat. A janela de contexto desse modelo é de 128K tokens. Veja:

~5.000 (custo computacional)
+ 228 (instruções)
+ 7.905 (input)
+ 0 (histórico)
+ ~10.000 (output estimado)
= ~23.133 tokens (18% de 128k)

Ou seja: esse cenário fica dentro do limite com bastante folga. Trouxe todo esse contexto, pois sofri com o erro: OpenAIModelTokenLimit

A explicação mais provável é que, em testes anteriores, o input estava grande demais ou o modelo usado tinha uma janela menor. A própria documentação deixa isso claro: cada modelo tem um tamanho máximo permitido para o input combinado, somando instruções, dados enviados e a resposta que ainda será gerada.

Esse ponto muda bastante a forma de projetar o fluxo. Não basta perguntar se o dado cabe. É preciso perguntar se o dado cabe junto com todo o resto que o modelo também precisa carregar para responder.

No meu caso, a variável de tokens passou a cumprir exatamente esse papel: evitar tentativa no escuro. Ela me ajuda a decidir quando reduzir colunas, resumir conteúdo, trocar o formato de envio ou até rever o modelo escolhido, antes que o erro apareça em tempo de execução.

DAX direto na ação do Power BI

O fluxo usa a ação de execução de consulta no Power BI, o que permite enviar DAX diretamente para o dataset.

DEFINE
    VAR FiltroPeriodo =
        TREATAS({"VarPeríodo"}, 'dim_calendario'[mes_ano])

EVALUATE
SUMMARIZECOLUMNS(
    'fato_basecompras'[GerenciaSupply],
    'fato_basecompras'[Fornecedor],
    FiltroPeriodo,
    "ValorBruto", [Spend]
)

Como conectar o agente

A chamada ao agente foi feita pelo conector do Microsoft Copilot Studio, usando a ação do tipo Agent and wait.

Foi exatamente nesse ponto que concentrei a instrução principal do fluxo. Para a resposta chegar de forma consistente no Microsoft Teams, o ideal é pedir um formato de saída objetivo e previsível. Meu prompt orienta o agente a responder em HTML simples, usando tags como <strong>, <br>, <h2> e <hr>.

Com isso, o Teams passa a funcionar não só como canal de entrega, mas também como trilha de confirmação e log operacional. A mensagem já chega formatada e pronta para leitura, sem exigir que o destinatário abra outro sistema ou dashboard. Para alertas recorrentes, isso faz diferença: o gestor recebe a análise no mesmo lugar onde já acompanha o dia a dia.

Por que CSV em vez de JSON

Se você tivesse que apostar, qual formato consome menos tokens em um modelo de IA: JSON ou CSV?

Abaixo, comparo a mesma base simples de dados em JSON e em CSV para mostrar por que essa conversão faz sentido no fluxo.

[
  {
    "Fornecedor": "ABC",
    "Spend": 15000,
    "PMP": 45
  },
  {
    "Fornecedor": "XYZ",
    "Spend": 22000,
    "PMP": 60
  },
  {
    "Fornecedor": "DEF",
    "Spend": 8000,
    "PMP": 30
  }
]

Quantidade de caracteres: 205 ou 83 tokens (aproximadamente)

Fornecedor,Spend,PMP
ABC,15000,45
XYZ,22000,60
DEF,8000,30

Quantidade de caracteres: 58 ou 26 tokens (aproximadamente)

A diferença parece pequena nesse exemplo, mas ela cresce rápido quando a tabela aumenta. No JSON, cada linha repete nomes de campos como "Fornecedor", "Spend" e "PMP", além de carregar aspas, chaves, colchetes, vírgulas e quebras de linha. No CSV, os nomes das colunas aparecem uma vez e o restante fica reduzido ao dado em si.

Foi por isso que escolhi trabalhar com CSV antes de enviar o conteúdo ao agente. A ideia era reduzir o volume do input e deixar o cálculo de tokens mais otimizado.

@{div(length(body('CSVAdm')), 2.5)}

'@{div(length(body('CSVAdm')), 4)}'

Documentação e referências

Abaixo está a documentação oficial da Microsoft a respeito do Copilot Studio e que ajuda a reproduzir ou expandir esse fluxo com mais segurança e performance.

Conclusão: o que levar daqui

Ao longo deste artigo, cada decisão técnica foi pensada para resolver um problema real. Abaixo, reúno as principais lições em um checklist prático para você consultar ao montar seu próprio fluxo:

👇 Curtiu este conteúdo?

Se este conteúdo te ajudou, compartilhe com quem também trabalha com automação e dados.

Aproveite para conferir mais artigos.