Sem dados confiáveis, governados e conectados aos objetivos do negócio, projetos de inteligência artificial podem consumir investimentos sem gerar resultados consistentes
A inteligência artificial já faz parte da agenda das empresas brasileiras, mas a adoção da tecnologia, por si só, não garante impacto no negócio. Antes de escolher plataformas ou modelos, as organizações precisam compreender quais dados possuem, onde eles estão e se têm qualidade suficiente para sustentar decisões. Pesquisa da Associação Brasileira das Empresas de Software (ABES), em parceria com a IDC e divulgada no mês passado, mostra que 95% das companhias no país já utilizam inteligência artificial e aponta a governança de dados como o principal desafio para ampliar o uso da tecnologia.
A dificuldade também aparece em operações de outros mercados. Pesquisa da PwC realizada este ano com 767 líderes de operações e cadeia de suprimentos mostra que 87% afirmam que a baixa qualidade dos dados prejudicou a capacidade das empresas de gerar valor com iniciativas digitais. O cenário acende um alerta para setores como farmacêutico, agronegócio, varejo, bebidas e alimentos, que lidam com grandes volumes de informações distribuídas em diferentes sistemas.
Para Jediaelson Roberto, Executivo de Negócios da Gateware, muitas organizações estão acelerando a discussão sobre IA sem avaliar se a estrutura de dados está preparada para sustentar os casos de uso pretendidos. Na prática, o principal risco não está necessariamente no modelo escolhido, mas na falta de clareza sobre o problema de negócio e sobre as informações que alimentarão a solução.
“A decisão não deve começar pela ferramenta. Primeiro, a empresa precisa definir qual resultado pretende alcançar e avaliar se dispõe de dados confiáveis, acessíveis e governados para sustentar esse objetivo. Sem essa base, a IA pode apenas acelerar análises construídas sobre informações incompletas ou inconsistentes”, afirma Jediaelson.
O desafio se torna mais evidente quando informações de diferentes áreas estão dispersas entre sistemas, bancos de dados, planilhas e plataformas que não se comunicam. Nesse ambiente, podem existir registros duplicados, dados desatualizados, conceitos diferentes para um mesmo indicador e dificuldade para identificar a fonte correta. O resultado é uma estrutura que limita análises, reduz a confiança das áreas de negócio e compromete o desempenho das aplicações de IA.
A preparação deve começar por um diagnóstico que conecte estratégia, dados e tecnologia. Esse trabalho envolve compreender o objetivo do negócio, mapear fontes e sistemas, avaliar qualidade, disponibilidade, integração, segurança e responsabilidades, além de priorizar os casos de uso com maior potencial de retorno. A partir dessa visão, torna-se possível definir a arquitetura e o modelo de governança necessários para avançar com segurança.
“Um assessment bem conduzido evita que a companhia invista em tecnologia antes de conhecer suas restrições e prioridades. Quando entendemos o problema que precisa ser resolvido, a origem dos dados e os critérios de qualidade e acesso, conseguimos construir um roteiro de evolução realista, com entregas mensuráveis e aderentes à operação”, explica Jediaelson.
Segurança e governança precisam acompanhar essa jornada desde o início, especialmente diante da expansão de plataformas de uso gratuito e do aumento das ameaças digitais. Definir quem pode acessar cada informação, como os dados são armazenados e em quais condições podem ser compartilhados reduz riscos de exposição, uso indevido e decisões tomadas com base em informações sem rastreabilidade.
A estrutura necessária também varia conforme o setor, a maturidade da empresa e os resultados esperados. Uma indústria de bebidas, por exemplo, possui demandas distintas de uma companhia farmacêutica, do agronegócio ou do varejo. Por isso, a organização dos dados deve partir dos processos críticos, das decisões que precisam ser aprimoradas e das perguntas que o negócio espera responder.
“A inteligência artificial processa grandes volumes de informação, mas não corrige sozinha uma estrutura de dados desorganizada. Se a empresa não conhece a origem, a qualidade e a relação entre seus dados, terá dificuldade para confiar nas respostas e convertê-las em decisões. IA gera valor quando existe uma conexão objetiva entre dados preparados, caso de uso e indicador de negócio”, reforça Jediaelson.
Na prática, uma jornada consistente pode ser organizada em etapas: definição do objetivo de negócio, diagnóstico de maturidade de dados e IA, estruturação da governança e da qualidade, desenho da arquitetura, priorização dos casos de uso e acompanhamento dos resultados. Esse encadeamento ajuda a direcionar investimentos, reduzir riscos e estabelecer critérios claros para decidir onde a inteligência artificial deve ser aplicada.
Jediaelson Roberto possui mais de 15 anos de experiência na área de tecnologia, com atuação em vendas consultivas, relacionamento com clientes corporativos, projetos, operações e contratos. Também possui experiência em transformação digital e desenvolvimento de soluções para negócios. Atualmente, é Executivo de Contas da Gateware.
Matéria elaborada pela Smartcom e publicada no portal:
