Como Gestores Podem Consultar Dados sem Depender de SQL ou BI

Entenda como a tecnologia NL2SQL permite fazer perguntas em português claro e receber análises de vendas, margens e estoques instantaneamente.

A consulta de dados em linguagem natural (conhecida tecnicamente como NL2SQL contextual) permite que diretores e gerentes de negócio acessem bancos de dados corporativos fazendo perguntas em português comum, sem necessidade de dominar código SQL ou ferramentas complexas de visualização. O sistema interpreta a intenção da pergunta, aciona um catálogo semântico governado com as regras oficiais da empresa e executa a busca diretamente na base relacional, devolvendo tabelas auditadas e análises completas em poucos segundos.

1. A Barreira Histórica Entre Quem Decide e Onde Está a Informação

Durante décadas, o mundo corporativo aceitou uma divisão rígida de tarefas: de um lado estão os líderes de negócio (comerciais, financeiros, operacionais), que conhecem o mercado e precisam tomar decisões rápidas; do outro estão os especialistas técnicos, que dominam a linguagem dos bancos de dados (SQL, Python, modelagem dimensional).

Essa barreira cria um atrito diário. Um diretor comercial sabe exatamente o que precisa descobrir para ajustar a rota da semana: ele quer saber quais produtos tiveram queda de margem nas vendas a prazo na região Sudeste. No entanto, como ele não domina a sintaxe técnica para cruzar quatro tabelas no banco de dados, fica refém de duas opções insatisfatórias:

  • Tentar encontrar a resposta em um painel estático que não possui aquele recorte específico.
  • Abrir uma solicitação para a equipe técnica e aguardar dias pela extração.

Quando o acesso à informação exige tradução humana constante, a agilidade executiva é sacrificada.

2. O Que é NL2SQL Contextual e Por Que o Modelo Tradicional Falhava

A ideia de traduzir linguagem humana para código de banco de dados (Natural Language to SQL) não é nova, mas as primeiras gerações dessa tecnologia falhavam ao enfrentar a complexidade de uma empresa real.

Por que o NL2SQL antigo falhava:

  1. Pergunta do gestor
  2. IA tenta adivinhar nomes de colunas no banco cru
  3. Gera código errado ou junta tabelas incompatíveis
  4. Resultado incorreto

Como o NL2SQL Contextual moderno funciona:

  1. Pergunta do gestor
  2. Camada Semântica Governada (Regras + Dicionário de Negócio)
  3. Geração de Consulta Oficial
  4. Resultado exato e auditado

Um banco de dados corporativo bruto é cheio de siglas técnicas, tabelas legadas e colunas ambíguas (como vlr_liq_01 ou status_faturamento_tmp). Se você conectar uma IA diretamente ao banco cru, ela terá que adivinhar qual coluna usar.

A revolução do NL2SQL contextual está na introdução da camada semântica. Antes de a IA escrever a consulta, ela lê o catálogo governado da empresa, onde já está definido que:

  • "Faturamento líquido" significa somar a coluna de vendas deduzida de impostos e devoluções.
  • "Cliente ativo" exige filtrar apenas contratos vigentes e excluir contas de teste.
  • As junções entre tabelas de clientes, pedidos e notas fiscais seguem um caminho único e validado.

3. Comparativo na Rotina Executiva: Dashboards Estáticos vs. Consulta em Linguagem Natural

Dashboards continuam sendo úteis para monitorar meia dúzia de indicadores fixos em uma tela de televisão, mas não resolvem a investigação diária de problemas.

Necessidade do GestorUso de Dashboards TradicionaisConsulta em Linguagem Natural
Fazer uma pergunta nova não previstaImpossível no momento; exige abertura de chamado para alterar o painelImediato; basta digitar a pergunta com o novo critério no chat
Cruzar duas áreas diferentes (ex: Marketing + Estoque)Exige alternar entre vários painéis e consolidar números manualmenteRealiza o cruzamento na mesma consulta se as fontes estiverem no modelo
Investigar o "porquê" de uma quedaLimitado aos filtros pré-configurados pelo desenvolvedorPermite fazer perguntas em sequência (drill-down) até achar a causa raiz
Curva de aprendizado para novos líderesSemanas para entender onde fica cada relatório e como usar os filtrosZero; qualquer profissional que sabe formular uma pergunta em português já opera

4. Como uma Conversa Analítica Acontece na Prática

A verdadeira potência da consulta em linguagem natural não está em fazer uma única pergunta isolada, mas no diálogo investigativo que ela permite durante uma reunião ou análise estratégica.

Observe a progressão natural de um gestor investigando um desvio operacional em menos de dois minutos:

  1. Primeira pergunta (Visão Geral): "Qual foi a evolução da nossa margem bruta mês a mês neste ano comparada ao ano anterior?" O sistema devolve a tabela comparativa exata e destaca que houve uma queda de 2,4 pontos percentuais no último mês.
  2. Segunda pergunta (Aprofundamento): "Quais categorias de produtos e quais unidades foram responsáveis por essa queda no último mês?" O sistema filtra o período automaticamente, agrupa por categoria e unidade, e mostra que o desvio está concentrado em duas linhas específicas.
  3. Terceira pergunta (Ação Executiva): "Mostre a lista dos 15 maiores pedidos vendidos com margem abaixo da média nessas duas categorias e exporte essa visão para Excel." O gestor recebe o arquivo pronto para acionar sua equipe comercial imediatamente.

Em um fluxo tradicional, essas três etapas representariam três chamados separados ao longo de duas semanas. Na linguagem natural, tornam-se uma conversa de dois minutos.

5. Requisitos para Implementar Linguagem Natural com Segurança

Para que a autonomia dos gestores não se transforme em descontrole, a plataforma escolhida deve garantir três condições técnicas:

1. Governança de Acesso Nativa (Row-Level Security)

A facilidade de perguntar em português nunca pode burlar a segurança da empresa. Se um gerente regional fizer uma pergunta ampla como "qual o faturamento total da empresa?", o sistema deve filtrar automaticamente a consulta na origem para exibir apenas os dados da regional à qual ele tem direito de acesso.

2. Transparência da Consulta Gerada

Para manter a confiança técnica, toda resposta deve permitir que o usuário (ou a equipe de auditoria) visualize exatamente quais filtros, períodos e regras foram acionados no banco de dados. Caixa-preta não combina com gestão profissional.

3. Vocabulário Vivo do Negócio

Toda empresa possui jargões e siglas próprias. A camada semântica deve permitir cadastrar sinônimos de negócio para que a plataforma entenda exatamente os termos que a sua diretoria usa nas reuniões diárias.

Como a Luria ajuda

O NL2SQL da Luria segue exatamente esse modelo: a pergunta passa pela camada semântica da empresa (regras, métricas e sinônimos), vira SQL validado e roda na fonte oficial, como BigQuery, SQL Server, PostgreSQL ou Databricks. Com o Luria One, o gestor conversa, aprofunda no mesmo fluxo e exporta o resultado para Excel, e cada resposta respeita permissões por perfil e Row-Level Security, com a consulta rastreável (veja segurança e governança).

Leia também: Como fazer perguntas ao BigQuery em linguagem natural · O perigo da alucinação de IA com dados financeiros

Traga as três perguntas que sua liderança mais faz ao time de dados. Agende uma demonstração e respondemos ao vivo, sobre os seus dados.

Perguntas frequentes

O gestor precisa escrever a pergunta de um jeito técnico para a IA entender?

Não. O sistema compreende português natural, incluindo termos coloquiais de negócios. Além disso, quando uma pergunta é ampla ou ambígua (por exemplo, se existem duas formas diferentes de medir vendas na empresa), uma plataforma bem configurada pergunta ao usuário qual critério ele deseja utilizar antes de rodar a consulta.

E se alguém fizer uma pergunta sobre um dado que não existe no banco?

Em vez de inventar uma resposta ou estimar um valor, uma plataforma governada informa com transparência que aquela métrica ou dimensão não consta na base conectada, mostrando quais opções reais estão disponíveis no catálogo para ajudar o usuário.

É seguro conectar o banco de dados da empresa a uma interface de linguagem natural?

Sim, desde que a conexão seja estritamente de leitura (read-only) e passe por uma camada governada. A inteligência artificial nunca altera, apaga ou sobrescreve registros nas tabelas originais do seu ERP ou CRM; ela apenas executa consultas de leitura autorizadas pelo perfil do usuário.

How Managers Can Query Data Without Depending on SQL or BI

Understand how NL2SQL technology lets you ask questions in plain language and instantly receive sales, margin and inventory analysis.

Natural language data querying (technically known as contextual NL2SQL) lets business executives and managers access corporate databases by asking questions in everyday language, without needing to master SQL code or complex visualization tools. The system interprets the intent of the question, calls a governed semantic catalog with the company’s official rules and runs the search directly on the relational database, returning audited tables and complete analyses in a few seconds.

1. The Historic Barrier Between Decision Makers and Where the Information Lives

For decades, the corporate world accepted a rigid division of tasks: on one side are business leaders (sales, finance, operations), who know the market and need to make fast decisions; on the other are technical specialists, who master the language of databases (SQL, Python, dimensional modeling).

This barrier creates daily friction. A sales director knows exactly what they need to find out to adjust the week’s course: they want to know which products saw margin drop in credit sales in the Southeast region. However, since they do not master the technical syntax to join four tables in the database, they are held hostage by two unsatisfying options:

  • Trying to find the answer in a static dashboard that does not have that specific cut.
  • Opening a request with the technical team and waiting days for the extraction.

When access to information requires constant human translation, executive agility is sacrificed.

2. What Contextual NL2SQL Is and Why the Traditional Model Failed

The idea of translating human language into database code (Natural Language to SQL) is not new, but the first generations of this technology failed when facing the complexity of a real company.

Why old NL2SQL failed:

  1. Manager’s question
  2. AI tries to guess column names in the raw database
  3. Generates wrong code or joins incompatible tables
  4. Incorrect result

How modern Contextual NL2SQL works:

  1. Manager’s question
  2. Governed Semantic Layer (Rules + Business Dictionary)
  3. Official Query Generation
  4. Exact, audited result

A raw corporate database is full of technical abbreviations, legacy tables and ambiguous columns (such as vlr_liq_01 or status_faturamento_tmp). If you connect an AI directly to the raw database, it will have to guess which column to use.

The revolution of contextual NL2SQL lies in introducing the semantic layer. Before the AI writes the query, it reads the company’s governed catalog, where it is already defined that:

  • "Net revenue" means summing the sales column minus taxes and returns.
  • "Active customer" requires filtering only current contracts and excluding test accounts.
  • Joins between customer, order and invoice tables follow a single, validated path.

3. Comparison in the Executive Routine: Static Dashboards vs. Natural Language Querying

Dashboards are still useful for monitoring half a dozen fixed indicators on a TV screen, but they do not solve the daily investigation of problems.

Manager’s NeedUsing Traditional DashboardsNatural Language Querying
Ask a new, unplanned questionImpossible at the moment; requires opening a ticket to change the dashboardImmediate; just type the question with the new criterion in the chat
Cross two different areas (e.g. Marketing + Inventory)Requires switching between several dashboards and consolidating numbers manuallyPerforms the cross-analysis in the same query if the sources are in the model
Investigate the "why" behind a dropLimited to the filters preconfigured by the developerAllows asking questions in sequence (drill-down) until finding the root cause
Learning curve for new leadersWeeks to understand where each report is and how to use the filtersZero; any professional who can ask a question in plain language can already use it

4. How an Analytical Conversation Happens in Practice

The true power of natural language querying is not in asking a single isolated question, but in the investigative dialogue it enables during a meeting or strategic analysis.

Look at the natural progression of a manager investigating an operational deviation in under two minutes:

  1. First question (Overview): "How did our gross margin evolve month by month this year compared with last year?" The system returns the exact comparison table and highlights a 2.4 percentage point drop in the last month.
  2. Second question (Drill-down): "Which product categories and which locations were responsible for that drop last month?" The system filters the period automatically, groups by category and location, and shows the deviation is concentrated in two specific lines.
  3. Third question (Executive Action): "Show the list of the 15 largest orders sold with below-average margin in those two categories and export this view to Excel." The manager receives the file ready to brief the sales team immediately.

In a traditional workflow, these three steps would mean three separate tickets over two weeks. In natural language, they become a two-minute conversation.

5. Requirements for Implementing Natural Language Safely

So that manager autonomy does not turn into loss of control, the chosen platform must guarantee three technical conditions:

1. Native Access Governance (Row-Level Security)

The ease of asking in plain language must never bypass the company’s security. If a regional manager asks a broad question like "what is the company’s total revenue?", the system must automatically filter the query at the source to show only the data for the region they are entitled to access.

2. Transparency of the Generated Query

To maintain technical trust, every answer must let the user (or the audit team) see exactly which filters, periods and rules were applied in the database. A black box has no place in professional management.

3. A Living Business Vocabulary

Every company has its own jargon and acronyms. The semantic layer must allow business synonyms to be registered so the platform understands exactly the terms your leadership uses in daily meetings.

How Luria helps

Luria’s NL2SQL follows exactly this model: the question goes through the company’s semantic layer (rules, metrics and synonyms), becomes validated SQL and runs on the official source, such as BigQuery, SQL Server, PostgreSQL or Databricks. With Luria One, managers converse, drill down in the same flow and export the result to Excel, and every answer respects role-based permissions and row-level security, with a traceable query (see security and governance).

Read also: How to ask BigQuery questions in natural language · The danger of AI hallucination with financial data

Bring the three questions your leadership asks the data team most often. Book a demo and we will answer them live, on your data.

Frequently asked questions

Does the manager need to write the question in a technical way for the AI to understand?

No. The system understands natural language, including colloquial business terms. In addition, when a question is broad or ambiguous (for example, if there are two different ways to measure sales in the company), a well-configured platform asks the user which criterion they want to use before running the query.

What if someone asks about data that does not exist in the database?

Instead of inventing an answer or estimating a value, a governed platform transparently states that the metric or dimension is not in the connected database, showing which real options are available in the catalog to help the user.

Is it safe to connect the company database to a natural language interface?

Yes, as long as the connection is strictly read-only and goes through a governed layer. The AI never changes, deletes or overwrites records in the original tables of your ERP or CRM; it only runs read queries authorized by the user’s profile.

Cómo los Gestores Pueden Consultar Datos sin Depender de SQL o BI

Entienda cómo la tecnología NL2SQL permite hacer preguntas en lenguaje claro y recibir al instante análisis de ventas, márgenes e inventarios.

La consulta de datos en lenguaje natural (conocida técnicamente como NL2SQL contextual) permite que directores y gerentes de negocio accedan a bases de datos corporativas haciendo preguntas en lenguaje común, sin necesidad de dominar código SQL ni herramientas complejas de visualización. El sistema interpreta la intención de la pregunta, recurre a un catálogo semántico gobernado con las reglas oficiales de la empresa y ejecuta la búsqueda directamente en la base relacional, devolviendo tablas auditadas y análisis completos en pocos segundos.

1. La Barrera Histórica Entre Quien Decide y Dónde Está la Información

Durante décadas, el mundo corporativo aceptó una división rígida de tareas: de un lado están los líderes de negocio (comerciales, financieros, operativos), que conocen el mercado y necesitan tomar decisiones rápidas; del otro están los especialistas técnicos, que dominan el lenguaje de las bases de datos (SQL, Python, modelado dimensional).

Esta barrera crea una fricción diaria. Un director comercial sabe exactamente lo que necesita descubrir para ajustar el rumbo de la semana: quiere saber qué productos tuvieron caída de margen en las ventas a plazo en la región Sudeste. Sin embargo, como no domina la sintaxis técnica para cruzar cuatro tablas en la base de datos, queda rehén de dos opciones insatisfactorias:

  • Intentar encontrar la respuesta en un tablero estático que no tiene ese corte específico.
  • Abrir una solicitud al equipo técnico y esperar días por la extracción.

Cuando el acceso a la información exige traducción humana constante, se sacrifica la agilidad ejecutiva.

2. Qué es el NL2SQL Contextual y Por Qué Fallaba el Modelo Tradicional

La idea de traducir lenguaje humano a código de base de datos (Natural Language to SQL) no es nueva, pero las primeras generaciones de esta tecnología fallaban al enfrentar la complejidad de una empresa real.

Por qué fallaba el NL2SQL antiguo:

  1. Pregunta del gestor
  2. La IA intenta adivinar nombres de columnas en la base en bruto
  3. Genera código erróneo o une tablas incompatibles
  4. Resultado incorrecto

Cómo funciona el NL2SQL Contextual moderno:

  1. Pregunta del gestor
  2. Capa Semántica Gobernada (Reglas + Diccionario de Negocio)
  3. Generación de Consulta Oficial
  4. Resultado exacto y auditado

Una base de datos corporativa en bruto está llena de siglas técnicas, tablas heredadas y columnas ambiguas (como vlr_liq_01 o status_faturamento_tmp). Si conecta una IA directamente a la base en bruto, tendrá que adivinar qué columna usar.

La revolución del NL2SQL contextual está en la introducción de la capa semántica. Antes de que la IA escriba la consulta, lee el catálogo gobernado de la empresa, donde ya está definido que:

  • "Facturación neta" significa sumar la columna de ventas deducida de impuestos y devoluciones.
  • "Cliente activo" exige filtrar solo contratos vigentes y excluir cuentas de prueba.
  • Las uniones entre tablas de clientes, pedidos y facturas siguen un camino único y validado.

3. Comparativo en la Rutina Ejecutiva: Tableros Estáticos vs. Consulta en Lenguaje Natural

Los tableros siguen siendo útiles para monitorear media docena de indicadores fijos en una pantalla de televisión, pero no resuelven la investigación diaria de problemas.

Necesidad del GestorUso de Tableros TradicionalesConsulta en Lenguaje Natural
Hacer una pregunta nueva no previstaImposible en el momento; exige abrir un ticket para modificar el tableroInmediato; basta escribir la pregunta con el nuevo criterio en el chat
Cruzar dos áreas diferentes (ej.: Marketing + Inventario)Exige alternar entre varios tableros y consolidar números manualmenteRealiza el cruce en la misma consulta si las fuentes están en el modelo
Investigar el "porqué" de una caídaLimitado a los filtros preconfigurados por el desarrolladorPermite hacer preguntas en secuencia (drill-down) hasta encontrar la causa raíz
Curva de aprendizaje para nuevos líderesSemanas para entender dónde está cada informe y cómo usar los filtrosCero; cualquier profesional que sabe formular una pregunta en lenguaje natural ya lo opera

4. Cómo Ocurre una Conversación Analítica en la Práctica

La verdadera potencia de la consulta en lenguaje natural no está en hacer una única pregunta aislada, sino en el diálogo investigativo que permite durante una reunión o un análisis estratégico.

Observe la progresión natural de un gestor investigando un desvío operativo en menos de dos minutos:

  1. Primera pregunta (Visión General): "¿Cuál fue la evolución de nuestro margen bruto mes a mes este año comparado con el año anterior?" El sistema devuelve la tabla comparativa exacta y destaca que hubo una caída de 2,4 puntos porcentuales en el último mes.
  2. Segunda pregunta (Profundización): "¿Qué categorías de productos y qué unidades fueron responsables de esa caída el último mes?" El sistema filtra el período automáticamente, agrupa por categoría y unidad, y muestra que el desvío se concentra en dos líneas específicas.
  3. Tercera pregunta (Acción Ejecutiva): "Muestra la lista de los 15 mayores pedidos vendidos con margen por debajo del promedio en esas dos categorías y exporta esta vista a Excel." El gestor recibe el archivo listo para activar a su equipo comercial de inmediato.

En un flujo tradicional, estas tres etapas representarían tres tickets separados a lo largo de dos semanas. En lenguaje natural, se convierten en una conversación de dos minutos.

5. Requisitos para Implementar Lenguaje Natural con Seguridad

Para que la autonomía de los gestores no se transforme en descontrol, la plataforma elegida debe garantizar tres condiciones técnicas:

1. Gobernanza de Acceso Nativa (Row-Level Security)

La facilidad de preguntar en lenguaje natural nunca puede saltarse la seguridad de la empresa. Si un gerente regional hace una pregunta amplia como "¿cuál es la facturación total de la empresa?", el sistema debe filtrar automáticamente la consulta en el origen para mostrar solo los datos de la regional a la que tiene derecho de acceso.

2. Transparencia de la Consulta Generada

Para mantener la confianza técnica, toda respuesta debe permitir que el usuario (o el equipo de auditoría) vea exactamente qué filtros, períodos y reglas se aplicaron en la base de datos. La caja negra no combina con una gestión profesional.

3. Vocabulario Vivo del Negocio

Toda empresa tiene su propia jerga y siglas. La capa semántica debe permitir registrar sinónimos de negocio para que la plataforma entienda exactamente los términos que su dirección usa en las reuniones diarias.

Cómo ayuda Luria

El NL2SQL de Luria sigue exactamente este modelo: la pregunta pasa por la capa semántica de la empresa (reglas, métricas y sinónimos), se convierte en SQL validado y se ejecuta en la fuente oficial, como BigQuery, SQL Server, PostgreSQL o Databricks. Con Luria One, el gestor conversa, profundiza en el mismo flujo y exporta el resultado a Excel, y cada respuesta respeta permisos por perfil y Row-Level Security, con la consulta trazable (vea seguridad y gobernanza).

Lee también: Cómo hacer preguntas a BigQuery en lenguaje natural · El peligro de la alucinación de la IA con datos financieros

Traiga las tres preguntas que su dirección más le hace al equipo de datos. Agende una demostración y las respondemos en vivo, sobre sus datos.

Preguntas frecuentes

¿El gestor necesita escribir la pregunta de forma técnica para que la IA entienda?

No. El sistema comprende lenguaje natural, incluidos términos coloquiales de negocio. Además, cuando una pregunta es amplia o ambigua (por ejemplo, si existen dos formas diferentes de medir ventas en la empresa), una plataforma bien configurada pregunta al usuario qué criterio desea utilizar antes de ejecutar la consulta.

¿Y si alguien hace una pregunta sobre un dato que no existe en la base?

En lugar de inventar una respuesta o estimar un valor, una plataforma gobernada informa con transparencia que esa métrica o dimensión no consta en la base conectada, mostrando qué opciones reales están disponibles en el catálogo para ayudar al usuario.

¿Es seguro conectar la base de datos de la empresa a una interfaz de lenguaje natural?

Sí, siempre que la conexión sea estrictamente de solo lectura (read-only) y pase por una capa gobernada. La inteligencia artificial nunca modifica, borra ni sobrescribe registros en las tablas originales de su ERP o CRM; solo ejecuta consultas de lectura autorizadas por el perfil del usuario.

Luria é o ecossistema brasileiro de agentes de IA enterprise, desenvolvido pela PX Data. Um agente treinado no contexto do negócio conecta os dados que já existem na operação, responde em linguagem natural e decide em segundos, com liberdade para escolher o modelo (Gemini, Claude, GPT) e governança para escalar entre todas as áreas. O ecossistema é composto por Luria One (inteligência e decisão), Luria Flow (automação de processos) e Luria Academy (adoção de IA).

A plataforma é parceira oficial Google Cloud, possui o selo Google Cloud Ready – BigQuery, e está disponível no Google Cloud Marketplace. A Luria foi reconhecida como uma das 100 Startups to Watch 2025 e é usada por empresas como Bradesco, BAT e Eurofarma.

Luria is the Brazilian enterprise AI agents ecosystem, developed by PX Data. A single agent trained on the company's business context connects the data that already exists in the operation, answers in natural language and decides in seconds, with freedom to choose the model (Gemini, Claude, GPT) and governance to scale across every area. The ecosystem consists of Luria One (intelligence and decision), Luria Flow (process automation) and Luria Academy (AI adoption).

The platform is an official Google Cloud Partner, holds the Google Cloud Ready – BigQuery designation, and is available on the Google Cloud Marketplace. Luria was recognized as one of the 100 Startups to Watch 2025 and is used by companies such as Bradesco, BAT and Eurofarma.

Luria es el ecosistema brasileño de agentes de IA enterprise, desarrollado por PX Data. Un agente entrenado en el contexto del negocio conecta los datos que ya existen en la operación, responde en lenguaje natural y decide en segundos, con libertad para elegir el modelo (Gemini, Claude, GPT) y gobernanza para escalar entre todas las áreas. El ecosistema está compuesto por Luria One (inteligencia y decisión), Luria Flow (automatización de procesos) y Luria Academy (adopción de IA).

La plataforma es partner oficial de Google Cloud, posee la designación Google Cloud Ready – BigQuery, y está disponible en el Google Cloud Marketplace. Luria fue reconocida como una de las 100 Startups to Watch 2025 y es utilizada por empresas como Bradesco, BAT y Eurofarma.

Como Contratar a Luria AI

A Luria está disponível no Google Cloud Marketplace para contratação direta com billing unificado, ou através de contato com a equipe de vendas para condições personalizadas.

How to Get Luria AI

Luria is available on the Google Cloud Marketplace for direct contracting with unified billing, or through the sales team for custom conditions.

Cómo Contratar Luria AI

Luria está disponible en el Google Cloud Marketplace para contratación directa con facturación unificada, o a través del equipo de ventas para condiciones personalizadas.