A pedra fundamental da IA: porque dado limpo já não basta

A pedra fundamental da IA: porque dado limpo já não basta

Por Jorge Sellmer, CRO da Objective

 

Há um número que descreve o momento atual da inteligência artificial corporativa melhor do que qualquer discurso de palco. Segundo o índice de prontidão para IA agêntica, divulgado neste ano pela Fivetran, cerca de 60% das organizações já investem milhões em agentes, mas apenas 15% estão preparadas para colocá-los em produção. O detalhe revelador vem em seguida: 41% já os colocaram assim mesmo.

 

Essa distância entre investimento e preparo explica o desconforto que se repete nas primeiras semanas de qualquer piloto. Entusiasmados com a promessa de decisões preditivas e análises de mercado instantâneas, executivos adquirem licenças de modelos avançados e integram assistentes às suas operações — e recebem de volta respostas genéricas, imprecisas ou simplesmente alucinadas. A razão do fracasso raramente está no algoritmo contratado.

 

Do dado limpo ao dado interpretável

 

É preciso, porém, atualizar um diagnóstico que virou lugar-comum. Durante anos repetimos que dado ruim gera inteligência ruim, e a frase segue verdadeira. Só que a maior parte das grandes companhias já passou por ciclos de saneamento, já tem data lake e painel — e descobre agora algo mais incômodo: o dado pode estar tecnicamente correto e, ainda assim, não significar nada para a máquina.

 

Um modelo não consome tabela; consome contexto. Perguntado sobre clientes ativos, um agente precisa saber qual das sete definições que convivem entre o CRM, o faturamento e o marketing vale para aquela pergunta. Essa camada de significado — semântica de negócio, definições canônicas, regras que ninguém documentou, linhagem que explica de onde veio cada número — é o degrau invisível que os decisores teimam em pular. É ela que separa uma base organizada de uma base compreensível.

Leia Também:  Cantora e atriz, Stephanie Serrat se apresenta no Maracanãzinho

 

O ponto de partida segue difícil. Informações valiosas sobre clientes, produtos, registros financeiros ou eficiência fabril permanecem aprisionadas em sistemas legados, planilhas descentralizadas e nuvens que jamais conversaram entre si. E há um território que o debate sobre organização de dados costuma ignorar: a maior parte do conhecimento real de uma empresa não está em tabelas, e sim em contratos, laudos, tickets, atas e gravações de atendimento. É justamente essa massa não estruturada que os modelos de linguagem melhor aproveitam — e a que menos recebeu governança.

 

A aposta subiu: da IA que lê para a IA que age

 

Enquanto isso, a exigência mudou de patamar. Até ontem discutíamos IA para ler: relatórios, resumos, apoio à análise. Um dado errado ali produzia um slide errado. Hoje discutimos agentes que executam — abrem chamados, disparam reposição, atualizam o ERP, movimentam crédito. Assim, um dado errado passa a produzir uma transação errada. A fundação deixa de ser assunto de analytics e vira risco operacional: sem trilha de auditoria, reversibilidade, herança de permissões e observabilidade da decisão, colocar um agente para agir é delegar autonomia a um sistema que ninguém ensinou a interpretar o negócio.

Leia Também:  Famosos brasileiros aderem ao ‘mimo’ em joias inspirados na cultura americana

 

A boa notícia é que a própria inteligência artificial se tornou a alavanca mais eficiente para construir essa fundação — e isso não é contradição. A IA que decifra código legado, infere esquemas, rastreia linhagem e recupera regras escondidas em rotinas antigas, opera sobre metadados, estrutura e código, não sobre a semântica de negócio que ainda não existe. Por isso funciona justamente onde o caos é maior: a arqueologia de dados que consumia meses hoje cabe em semanas.

 

Fundação sob demanda, não obra de dezoito meses

 

Isso nos leva ao erro estratégico mais caro do momento: tratar o tema como sequência — primeiro a fundação, depois a IA. Nenhum conselho aprova dois anos de saneamento sem entrega. As leituras mais recentes dos estudos sobre o fracasso dos pilotos corporativos, inclusive o relatório do MIT que popularizou o número de 95%, mostram que a falha raramente é só de dado: é de integração ao fluxo de trabalho. O caminho que funciona é o oposto do projeto monolítico — estruturar em profundidade apenas o domínio que sustenta o primeiro caso de uso, entregar valor em noventa dias e expandir por adjacência. Fundação e retorno crescem juntos.

 

Duas disciplinas ficam de fora dessa conta e não deveriam. A governança, tratada como freio quando é acelerador: sem permissionamento granular e classificação confiável, não se libera agente nenhum para agir — e vale lembrar que o marco legal brasileiro de IA segue em tramitação, sem data de votação. E o custo: arquitetura mal desenhada não é só lentidão, é conta de nuvem recorrente que inviabiliza a escala. Quando se fala em arquitetura agnóstica, é preciso dizer o que isso significa na prática — formatos e catálogos abertos, portabilidade entre provedores e, sobretudo, não aprisionar a camada semântica dentro de uma ferramenta proprietária. Esse é o novo lock-in, e o menos percebido.

Leia Também:  Surf Telecom lança operação nos EUA

 

Entender a base de dados como um ativo estratégico, e não como uma despesa técnica de TI, segue sendo o grande divisor de águas — com uma consequência raramente dita em voz alta: se o dado é ativo de negócio, o dono não pode ser a TI. Num cenário em que praticamente todas as empresas compram os mesmos modelos, a única vantagem competitiva inimitável é o patrimônio informacional próprio e o significado que apenas a sua organização sabe atribuir a ele.

 

Três perguntas separam quem está construindo de quem está apenas comprando promessas. Quem, nesta empresa, é o dono da definição de cada indicador que a IA vai usar? Se um agente errar amanhã, conseguimos reconstruir por que ele decidiu assim? E qual foi o último caso de uso que saiu do piloto e entrou na operação – com número?