# IA para TOTVS Protheus: respostas do seu ERP, com os dados na sua casa > Source: https://netray.co/pt/totvs-protheus-ia > Language: pt > Publisher: Netray (netray.co) > English version: https://netray.co/erp-ai/totvs-ai-integration É possível colocar IA sobre o Protheus para responder perguntas em português, apontar atrasos de compra e produção e agilizar customizações em ADVPL/TLPP, sem enviar dados a uma nuvem pública. O caminho seguro é leitura por padrão, consulta visível e aprovação humana para qualquer escrita. Se a sua necessidade é só um relatório novo, o Smart View ou um SQL bem feito pode bastar. Quem opera o Protheus numa indústria conhece a rotina: o gestor de PCP pergunta quais ordens de produção estão atrasadas por falta de material, o comprador quer saber quais pedidos de compra vencem na semana, e o financeiro precisa cruzar títulos a pagar com recebimentos. Cada pergunta vira um pedido de relatório para a TI, que abre o dicionário, escreve uma consulta e devolve em dias. A Netray constrói IA privada sobre ERP e sistemas de manufatura. No Protheus, isso significa uma camada que traduz a pergunta em consulta sobre as tabelas reais (SC7, SC2, SB1, SB2, SD1, SE2 e outras), mostra a consulta executada, respeita o perfil do usuário e roda em modelos de pesos abertos nos servidores da própria empresa. Parte da entrega é feita com parceiros que conhecem o Protheus a fundo. Esta página explica o que dá para fazer hoje, como a arquitetura mantém os dados dentro da empresa, o que a LGPD pede e quando não vale a pena usar IA. ## Onde a IA ajuda de verdade no Protheus O ganho mais visível é a consulta em linguagem natural. Em vez de pedir um relatório, o usuário escreve: quais pedidos de compra do fornecedor X estão com entrega vencida e qual ordem de produção depende deles. A camada de IA identifica as tabelas envolvidas, monta a consulta, executa em modo somente leitura e devolve uma tabela com a explicação do critério usado. O segundo ganho é o acompanhamento de exceções. Agentes podem varrer diariamente o SIGAPCP, o SIGAEST e o SIGACOM em busca de padrões conhecidos: saldo abaixo do ponto de pedido, empenhos sem cobertura, notas de entrada pendentes de classificação, pedidos sem aprovação por alçada. O resultado chega como resumo para o responsável, e não como mais um relatório que ninguém abre. O terceiro ganho está no desenvolvimento. Times que mantêm customizações em ADVPL ou TLPP usam assistentes para documentar pontos de entrada, explicar rotinas antigas e preparar a revisão de fontes antes de uma atualização de release ou de um compatibilizador. - Compras (SIGACOM): pedidos em atraso, cotações sem resposta, divergências entre pedido e nota de entrada. - PCP (SIGAPCP): ordens em atraso, falta de componentes, apontamentos de produção sem consumo. - Estoque (SIGAEST): itens sem giro, saldos negativos, diferenças de inventário. - Financeiro (SIGAFIN): títulos a pagar e a receber vencendo, conciliação de baixas. - Fiscal (SIGAFIS): notas com classificação incompleta antes do fechamento do período. ## Como a camada de IA se conecta ao Protheus O Protheus guarda os dados em banco relacional (SQL Server, Oracle ou PostgreSQL, conforme a instalação) por meio do DBAccess. As tabelas seguem a convenção de três letras mais o código da empresa, como SC7010, e carregam campos de controle como D_E_L_E_T_ e R_E_C_N_O_. Uma camada de IA que ignora a exclusão lógica e as filiais devolve números errados, por isso o mapeamento do dicionário (SX2, SX3) faz parte do projeto. A conexão pode ser feita por réplica de leitura do banco, por visões dedicadas ou pela API REST do Protheus, dependendo da política da empresa. Nossa recomendação é uma conta somente leitura, com acesso apenas às tabelas necessárias, e uma camada semântica que traduz nomes de campo para termos de negócio, como fornecedor, data de entrega prometida e quantidade pendente. O mais importante é respeitar permissões. Se um usuário não pode ver custos no ERP, a IA também não deve mostrá-los. Por isso o controle de acesso é aplicado antes da consulta, e não depois da resposta. ## Arquitetura privada: onde ficam os dados e o modelo Para indústrias com propriedade intelectual sensível, contratos com clientes que exigem confidencialidade ou simples desconforto em enviar dados de produção a terceiros, o modelo roda dentro da empresa. Usamos modelos de pesos abertos da classe Llama, Qwen, Mistral, Gemma ou gpt-oss, servidos com vLLM ou Ollama em GPUs próprias ou em nuvem privada. Nenhum dado do ERP precisa sair desse perímetro para gerar uma resposta. A recuperação de informação fica igualmente local: um índice vetorial para documentos (procedimentos, desenhos, instruções de trabalho, contratos) e consultas SQL controladas para os dados transacionais. A resposta cita a origem, seja a consulta executada ou o documento recuperado, para que o usuário possa conferir. Para ambientes de produção que não têm acesso à internet, como plantas com redes segregadas, a instalação pode ser totalmente isolada, com atualização de modelos feita por mídia controlada. ## LGPD e governança O Protheus guarda dados pessoais de clientes, fornecedores, transportadores e funcionários. Ao colocar IA por cima, a empresa continua sendo controladora desses dados e precisa de base legal, finalidade clara e registro das operações de tratamento. Manter o processamento dentro do seu ambiente evita o debate sobre transferência internacional de dados do art. 33 da LGPD, que surge quando o modelo está em um provedor fora do Brasil. Na prática, recomendamos três controles: registro de cada pergunta e da consulta gerada, mascaramento de campos pessoais que a pergunta não exige (CPF, telefone, endereço) e retenção limitada dos logs. A Netray não afirma certificações em nome do cliente; a arquitetura apenas torna mais fácil demonstrar o cumprimento das obrigações que a própria empresa assume. Qualquer escrita de volta no ERP, como criar um pedido, alterar uma data ou liberar um bloqueio, passa por aprovação humana e pelas rotinas e validações do próprio Protheus, e não por inserção direta nas tabelas. ## Como começar: avaliação e piloto Começamos por uma avaliação curta: quais são as dez perguntas que mais geram pedido de relatório, em quais módulos estão os dados, quem pode ver o quê e onde o servidor de IA ficará. Com isso definimos um piloto de poucas semanas, em geral com um único módulo (compras ou PCP) e um grupo pequeno de usuários, sobre uma cópia ou réplica de leitura do ambiente. O critério de sucesso é objetivo: o usuário obtém a resposta certa, a consulta é auditável e a TI deixa de receber aquele tipo de pedido. Se a taxa de acerto não for suficiente, ajustamos a camada semântica antes de ampliar o escopo. ## Quando a IA não é necessária Se o que você precisa é um conjunto fixo de indicadores, o TOTVS Smart View, um relatório em SQL ou um painel de BI resolvem com menos complexidade e custo. A IA compensa quando as perguntas variam, quando o usuário não sabe em qual tabela está a informação ou quando se quer monitorar exceções de forma contínua. Também vale usar primeiro os recursos de IA que a própria TOTVS oferece, caso atendam seu caso. Nossa abordagem faz sentido quando o requisito é manter modelo e dados sob controle da empresa, integrar além do Protheus (outros sistemas, documentos, MES) ou construir agentes sob medida. ## FAQ ### A IA pode alterar dados no Protheus? Por padrão não. A camada trabalha somente em leitura. Se houver escrita, ela exige aprovação humana e passa pelas rotinas do próprio Protheus, nunca por inserção direta nas tabelas. ### Meus dados de produção vão para a nuvem? Não é necessário. O modelo pode rodar nos seus servidores ou em nuvem privada, e a consulta ao banco acontece dentro da sua rede. Ambientes totalmente isolados também são possíveis. ### Funciona com qualquer banco de dados do Protheus? A abordagem é a mesma para SQL Server, Oracle e PostgreSQL, com ajustes de dialeto. O trabalho principal está em mapear o dicionário, as filiais e a exclusão lógica. ### A IA respeita as permissões dos usuários do Protheus? Sim, esse é um requisito de projeto. O acesso é aplicado antes da consulta, de modo que o usuário só obtém dados que já poderia ver no ERP. ### Dá para usar IA para as customizações em ADVPL? Dá. Assistentes ajudam a documentar pontos de entrada, explicar rotinas antigas e revisar fontes antes de uma atualização. O código gerado deve passar pela mesma revisão e pelos mesmos testes de qualquer outro fonte. ### Quando é melhor ficar com o Smart View ou BI? Quando as perguntas são fixas e conhecidas. A IA faz mais sentido para perguntas variáveis, exploração de dados e monitoramento de exceções.