Relatório diário de vendas
“Todo dia às 6h, puxe os pedidos de ontem do banco da loja e mostre o faturamento por estado no dashboard.”
→ o dashboard está atualizado antes do time chegar
Seu time descreve o pipeline de dados. O agente escreve o DAG do Airflow, testa, faz o deploy e acompanha cada execução. O Dexaflow é o primeiro produto da DexaData, infraestrutura de dados e IA como serviço.
● disponível hoje: Dexaflow OSS○ em breve: Dexaflow Cloud com IA
funciona com o stack que você já usa
O Dexaflow é uma ferramenta de engenharia de dados. Ele assume a parte repetitiva do trabalho: levar dados de um sistema para outro, tratar, rodar no horário certo e corrigir quando quebra. Alguns pedidos comuns:
“Todo dia às 6h, puxe os pedidos de ontem do banco da loja e mostre o faturamento por estado no dashboard.”
→ o dashboard está atualizado antes do time chegar
“Junte o ERP, os extratos do banco e as planilhas do financeiro toda noite e aponte o que não bate.”
→ ninguém copia e cola entre planilhas
“Traga o gasto do Google Ads e da Meta todo dia e cruze com as vendas.”
→ custo e retorno por campanha numa tela só
“Copie o Salesforce para o BigQuery a cada hora para os relatórios do Looker e do Power BI lerem de lá.”
→ relatórios com o dado de hoje, não o export da semana passada
“Atualize todo dia as tabelas que alimentam nossos modelos e assistentes, e me avise se o dado parecer estranho.”
→ modelos e assistentes respondem com números atuais
“Leve nossos DAGs para o Dexaflow e pare de manter o cluster.”
→ os mesmos DAGs, sem infraestrutura para cuidar
● DO PEDIDO À PRODUÇÃO
O agente faz o resto e acompanha cada execução.
Pule o trabalho repetitivo: código, conexões, testes, CI/CD e alertas. Você revisa o diff e o código continua seu.
Entregue mais produtos de dados sem aumentar o time nem manter cluster.
Peça o dado em linguagem natural e receba pronto no warehouse, com um engenheiro aprovando a mudança.
Você diz o que o dado precisa fazer. O Dexaflow cuida do resto: código, testes, deploy e operação. Tudo continua sendo um DAG Python que seu time lê, revisa e versiona.
Aponte para o seu projeto dbt. Cada modelo vira uma task no Airflow, com dependências, testes e lineage na mesma tela. O Dexaflow instala o adapter, gera o profiles.yml a partir das suas conexões e guarda as credenciais.
# dexaflow.yaml
dag_id: sales_daily
dbt:
project: ./analytics
target: bigquery # databricks | snowflake | duckdb
select: daily_revenue+
tests: true
Quando uma task falha, o agente lê os logs, explica a causa em uma frase e propõe a correção como diff. Você aprova e ele publica.
Aponte para o repositório dos seus DAGs. O agente revisa cada um, ajusta o que não roda no Dexaflow e mostra o plano antes de migrar.
Servidor Model Context Protocol nativo. Claude, Cursor ou qualquer agente compatível lê o contexto, cria pipelines, dispara execuções e acompanha os logs.
Um arquivo curto descreve o DAG, a versão do Python e as dependências. É o formato que o agente escreve e que você revisa.
Você continua no controle. O agente propõe, você revisa o diff e decide o que vai para produção. O código é seu, em Python, no seu repositório.
//Dexaflow
A mesma UI e a mesma API REST do Apache Airflow, com um control plane em Go por baixo. Seus DAGs continuam em Python. O que muda é o que acontece quando eles rodam.
A UI do Apache Airflow 3.2 sem modificações e a mesma API REST. DAGs, tasks, variables e connections com o vocabulário que seu time já conhece.
Agendamento e coordenação fora do loop Python. Sem scheduler travando entre tasks e sem re-parse de todos os DAGs a cada ciclo.
Cada task roda no próprio pod. Nada de workers de longa duração acumulando memória e conexões até cair de madrugada.
Cada DAG tem seu próprio ambiente Python. pandas 1 no DAG legado e pandas 2 no novo convivem na mesma instalação.
Fan-out e reduce escritos como uma list comprehension em Python. Sem encanamento de XCom, sem broker, sem operador especial.
O mesmo motor roda em um único host, sem Kubernetes, ou via Helm no seu cluster. Você começa pequeno e não reescreve nada para crescer.
O motor é open source e roda onde você quiser. O Dexaflow Cloud é o mesmo motor, operado por nós, com a IA embutida.
Para quem quer rodar na própria infraestrutura.
Para quem quer pipelines de dados em produção, não um cluster.
O Dexaflow OSS é o novo nome do Leoflow. O código é aberto em github.com/dexadata/dexaflow.
Capacidade medida em DCU, limites claros por plano e nenhum cluster para cuidar. Hoje o Free está em beta fechado, por convite; os planos pagos vêm depois.
Cada plano define quantas DCUs rodam ao mesmo tempo. Você escolhe o tamanho de cada task no dexaflow.yaml; se não disser nada, a task usa 1 DCU. Quando a fila passa do limite, as tasks extras esperam e rodam assim que abrir espaço, sem falhar.
Exemplo: com 6 DCUs no Small, rodam 6 tasks de 1 DCU em paralelo, ou 3 tasks de 2 DCUs.
beta fechado · por convite
US$ 0
Beta fechado, gratuito e por convite. Sem SLA.
para times começando
US$ 50/mês
Para o primeiro time de dados em produção.
US$ 250/mês
Para vários times e agendas de minuto em minuto.
US$ 900/mês
Para a plataforma de dados da empresa inteira.
Ambiente dedicado, limites sob medida e suporte com SLA. Ou rode o Dexaflow OSS no seu próprio cluster.
As empresas rodam mais pipelines de dados a cada ano, e a maioria ainda é escrita, corrigida e operada na mão. Os times já usam IA para escrever, mas os assistentes genéricos param no código.
é o tamanho projetado do mercado de ferramentas de pipelines de dados em 2033, contra US$ 14,7 bi em 2025 (30% ao ano)
Grand View Research ↗do tempo dos engenheiros de dados vai para construir e manter pipelines, cerca de US$ 520 mil por ano por empresa
Fivetran / Wakefield Research, 2021 ↗organizações rodam Apache Airflow, o padrão com que o Dexaflow é compatível
Astronomer, State of Airflow 2025 ↗dos usuários de Airflow já usam IA para escrever pipelines, e dizem que as ferramentas genéricas não dão conta
Astronomer, State of Airflow 2026 ↗Fontes: Google Cloud Managed Airflow (antigo Composer 3) ao preço de tabela de US$ 0,06 por DCU-hora em us-central1; o pequeno é o exemplo de 12 DCUs do próprio Google, o médio foi medido na fatura de um ambiente real (setembro de 2026, cerca de 13,7 DCUs em média). Astronomer Astro Team, o plano de produção, pago por uso: Small a partir de US$ 0,42/hora, Medium a US$ 0,57/hora, mais um worker A5 a US$ 0,13/hora. Tudo ligado 24/7, só computação, preços de tabela de outubro de 2026. Nenhum dos dois tem plano gratuito; o Astro oferece teste de 14 dias.
Nossa aposta: a IA que escreve pipelines de dados também deve testar, publicar e operar, com o contexto do seu ambiente. O Dexaflow faz isso sobre o padrão do Airflow, com núcleo open source e uma nuvem gerenciada cobrada por uso.
É investidor? Fale com a genteOs números de mercado e de pesquisa são estimativas de terceiros. Veja em cada fonte o método e a data.
Quer acesso antecipado ao Dexaflow Cloud, migrar DAGs do Airflow ou rodar o Dexaflow OSS na sua empresa? Conte o seu cenário. Costumamos responder em até um dia útil.
Código aberto sob a licença Apache 2.0. Sem lock-in.
Seus DAGs e o vocabulário do Airflow continuam valendo.
A IA propõe, você aprova. O código continua seu.