Conectar um modelo de inteligência artificial a dados falhos não melhora os dados em si; melhora a forma como os erros são apresentados. O sistema retornará uma resposta bem escrita, coerente e confiante, construída sobre informações incompletas ou contraditórias, e essa confiança é justamente o que torna o problema mais perigoso do que antes.
Quando um relatório vinha de uma planilha, alguém o olhava com desconfiança. Quando vem de um sistema de IA, é discutido em uma reunião.
Quase nenhuma empresa de médio porte carece de dados. O que quase todas elas têm são as mesmas informações em vários lugares, com valores diferentes: o cliente no CRM e no ERP com endereços diferentes, a margem calculada de duas maneiras diferentes dependendo do departamento, o status de um pedido que varia de acordo com a pessoa consultada.
Um modelo não resolve essa contradição. Ele escolhe uma das versões — dependendo de como a consulta é construída e de qual documento é recuperado primeiro — e responde sem perceber que havia outra.
Os três sintomas que sempre aparecem em um diagnóstico:
Os dados não possuem proprietário. Ninguém é responsável por garantir que o campo "cliente ativo" signifique a mesma coisa em todos os sistemas.
Não existe uma definição consensual. «"Venda" pode significar pedido, fatura ou pagamento. Três números corretos e três conclusões diferentes.
Não existe um histórico confiável. As alterações foram sobrescritas, portanto é impossível reconstruir o que era verdade em março.
Sem abordar esses três pontos, qualquer camada analítica ou de IA construída posteriormente herdará o problema e o amplificará.
Nível | O que isso resolve? | Sem isso, o próximo não funcionará. |
|---|---|---|
1. Propriedade de dados | Quem é responsável por cada dado? | Ninguém corrige nada |
2. Definição compartilhada | O que significa cada métrica? | Os números são debatidos em vez de serem usados. |
3. Fonte única da verdade | Qual sistema rege | As respostas dependem de onde você procura. |
4. Histórico e rastreabilidade | O que era verdade e quando? | Não há auditoria nem comparação de tempo. |
5. Análise e IA | Interpretação e previsão | É construída sobre areia. |
A tentação comum é começar pelo nível 5, por ser o mais visível e o que pode ser mostrado. O resultado é um painel bonito cujos números ninguém usa para tomada de decisão, porque cada departamento tem motivos para desconfiar deles.
A ordem inversa é menos chamativa e gera valor desde o primeiro nível: quando alguém possui um conjunto de dados e sua definição é registrada, as discussões sobre números desaparecem, mesmo que nenhum modelo tenha sido estabelecido.
Enquanto os dados eram inseridos nos relatórios, um erro foi detectado na reunião. Quando eles são inseridos em sistemas que eles realizam ações, O erro se transforma em uma ação realizada: um pedido criado, um cliente contatado, um valor aplicado.
Em 2025, a McKinsey observou que o fator mais correlacionado com o impacto no EBIT não era o modelo escolhido, mas sim a profunda reformulação dos fluxos de trabalho, algo que apenas 211% dos adotantes haviam feito. Reformular um fluxo de trabalho exige definir quais dados o regem, e é aí que entra o trabalho que quase ninguém quer fazer.
É a mesma conclusão, vista de outro ângulo, que apresentamos em A IA não vai consertar uma empresa mal estruturada.
A expressão *pronto para IA* é usada de forma muito vaga. Na prática, significa cinco coisas verificáveis:
Cada dado crítico possui um sistema de origem declarado. E os outros consultam, não reescrevem.
As definições estão escritas e acessíveis. Um breve glossário que explica o que são um cliente, uma venda e um caso concluído e aprovado pela empresa.
Os dados têm um histórico. Não é sobrescrito: é versionado. Permite reconstrução e auditoria.
As permissões estão nos dados, não no aplicativo. Se o controle de acesso estiver na tela, qualquer sistema que o consulte por baixo irá ignorá-lo. É exatamente isso que um agente faz.
Existe uma maneira de medir a qualidade. Percentagem de registos incompletos, duplicados detetados, discrepâncias entre sistemas. Sem métricas, não há melhorias. Um projeto de IA construído sobre uma base que cumpra estas cinco condições tem uma probabilidade de sucesso radicalmente diferente de um que não a cumpra. Nós desenvolvemos este projeto em O que significa ser uma empresa preparada para a IA?
A reação usual a esse diagnóstico é propor um projeto de governança de dados corporativos. Normalmente, ele dura dezoito meses, resulta em um documento e não altera as operações.
A abordagem que funciona é a oposta: Comece com os dados que sustentam o processo que melhor explica a situação.. Encomende um, meça-o e use-o. Depois, o próximo. Cada iteração produz um resultado útil e financia a próxima.
Um projeto de dados que não melhora uma decisão específica em menos de três meses provavelmente não melhorará nenhuma decisão.
Antes de aprovar um investimento em análise de dados ou IA, existe um teste que custa meia hora: solicita a mesma quantia de três departamentos diferentes.
Se coincidirem, a base é melhor do que o normal e pode ser aprimorada. Se não coincidirem — e geralmente não coincidem — você já sabe qual será o primeiro projeto, e não será inteligência artificial.
Não. Um modelo que lida com dados conflitantes escolhe uma das versões disponíveis e responde com confiança, sem reconhecer que outra versão existia. O resultado é um erro mais bem apresentado e, portanto, mais difícil de detectar do que quando se originava de uma planilha.
Cinco condições verificáveis: cada item de dados crítico possui um sistema de origem declarado, as definições de negócio são escritas e compartilhadas, existe um histórico de versões em vez de sobrescrita, as permissões residem nos dados e não no aplicativo, e existem métricas de qualidade de dados.
Os dados que sustentam o processo explicam a maior parte da margem, e não um projeto corporativo de governança de dados. Organizar uma área, mensurá-la e utilizá-la gera resultados em semanas e financia a próxima iteração; projetos globais geralmente acabam se tornando documentação.
Porque são construídas antes de se resolver a questão da propriedade dos dados, definições compartilhadas e uma única fonte de verdade. Quando cada departamento pode justificar um número diferente, as reuniões são gastas discutindo os números em vez de tomar decisões com base neles.
O erro deixa de ser um relatório equivocado e se transforma em uma ação executada: um pedido criado, um cliente contatado ou um valor aplicado. A automação transforma um problema de informação em um problema operacional.
Solicitar o mesmo valor a três departamentos diferentes. Se as respostas não coincidirem, o primeiro projeto necessário não é de inteligência artificial, mas sim de definição e gestão de dados.
Seus dados resistiriam a uma camada adicional de IA? Avaliamos a propriedade, as definições, as fontes de informação e a qualidade antes de apresentar qualquer proposta. Análise de duas horas, sem compromisso. Vamos conversar → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
