Amit Sharma, CEO e Fundador da CData – Série de Entrevistas

Amit Sharma, CEO e Fundador da CData Software, é um executivo de tecnologia que guiou a CData desde sua fase inicial de startup até se tornar uma líder global em conectividade e integração de dados. Com uma carreira que abrange papéis como engenheiro de software na Infosys e Elixar, arquiteto técnico na /n Software, e mais tarde CTO na CData, ele construiu uma profunda expertise em acesso a dados empresariais e infraestrutura. Desde que se tornou CEO em 2014, ele liderou a missão da CData para simplificar a forma como as organizações conectam, integram e utilizam dados em diferentes sistemas, ajudando a posicionar a empresa como uma camada fundamental do movimento de dados moderno.

CData Software é um fornecedor líder de soluções de acesso e conectividade de dados. Seus produtos de dados de autoatendimento e plataformas de conectividade entregam acesso universal a dados ao vivo em centenas de aplicativos on-premises e em nuvem amplamente utilizados. Milhões de usuários em todo o mundo dependem da CData para apoiar análises avançadas, acelerar a adoção de nuvem e construir organizações mais conectadas e orientadas por dados. Projetada para ser consumida por qualquer usuário, acessível dentro de qualquer aplicativo e escalável para empresas de todos os tamanhos, a CData está redefinindo a forma como as empresas acessam e usam dados.

Você começou sua carreira na Índia na Infosys e mais tarde transitou para o software de empresa nos EUA. Qual lição inicial dessa fase ainda molda a forma como você lidera hoje?

Meu tempo na Infosys me deu uma exposição inicial às demandas da tecnologia empresarial em grande escala — as complexidades, a necessidade de confiabilidade e como as grandes organizações abordam problemas técnicos. Isso moldou um profundo respeito pela estrutura e pela qualidade empresarial. Mas quando eu transitei para uma startup nos EUA, descobri que eu prosperava na velocidade, agilidade e capacidade de fazer um impacto direto. Hoje, esse duplo background guia a forma como eu lidero a CData Software: eu insisto em padrões e robustez empresariais, enquanto fomento uma cultura enxuta e ágil que valoriza a simplicidade, a usabilidade no mundo real e a execução rápida.

Após mais de uma década como CEO da CData, qual foi a mudança de mentalidade ou abordagem mais importante para escalar a empresa desde seus primeiros dias até se tornar uma empresa global?

A maior mudança para mim foi passar de pensar como um construtor de tecnologia para pensar como um construtor de organização. Nos primeiros dias, meu foco era quase inteiramente no produto; garantir que ele fosse elegante, confiável e resolvesse problemas reais. À medida que a CData cresceu, eu tive que aprender que um grande software sozinho não é suficiente; você precisa de grandes pessoas, líderes fortes e processos que escalonem sem desacelerar. Isso significou investir mais cedo na contratação, empoderar equipes e construir sistemas repetíveis em vendas, suporte e operações, enquanto ainda protege a cultura de engenharia. A mudança de mentalidade foi perceber que meu trabalho não era apenas fazer uma grande tecnologia, mas criar um ambiente onde uma grande tecnologia pudesse ser construída consistentemente por uma equipe global em crescimento.

A CData sempre se concentrou em “simplificar o acesso a qualquer dado, em qualquer lugar”. Como essa missão evoluiu à medida que a indústria se move mais para aplicações nativas de IA?

Desde o início, nossa missão na CData foi tornar os dados universalmente acessíveis usando interfaces padrão e padronizadas, porque acreditávamos que o maior gargalo para a inovação não era o armazenamento ou o processamento, mas o acesso. Essa ideia central não mudou, mas o contexto mudou. À medida que as organizações mudaram de análise para nuvem e agora para IA, o custo do acesso a dados fragmentado e inconsistente aumentou. O que evoluiu é nossa responsabilidade: não é mais apenas conectar aplicativos a dados, mas garantir que os dados sejam confiáveis, em tempo real e utilizáveis em ambientes distribuídos e complexos. Na era da IA, o acesso sozinho não é suficiente. Os dados precisam ser imediatamente utilizáveis sem semanas de engenharia personalizada.

À medida que as aplicações nativas de IA se tornam a norma, nossa missão expandiu-se para tornar os dados prontos para IA por padrão. Isso significa habilitar semântica consistente, conectividade de alto desempenho, acesso consciente da governança e integração em tempo real em fontes de dados estruturadas e SaaS, para que os modelos e agentes possam trabalhar com informações frescas e confiáveis, e não com integrações pontuais ou cópias desatualizadas. Em termos práticos, estamos nos concentrando em eliminar a fricção entre onde os dados vivem e onde os sistemas de IA operam, para que as equipes possam se mover da experimentação para a produção mais rapidamente. Vemos a nós mesmos não apenas como fornecedores de conectividade, mas como uma camada de dados fundamental para empresas impulsionadas por IA, alimentando silenciosamente os sistemas que tornam as aplicações inteligentes possíveis.

Com a IA gerativa acelerando, o que “dados prontos para IA” realmente significa para você, e onde as organizações mais interpretam mal essa ideia?

Para mim, “dados prontos para IA” significa dados que são acessíveis, confiáveis, atuais e compreensíveis por humanos e máquinas sem camadas de encanamento personalizado. Não é apenas sobre mover dados para um lago ou armazéns. É sobre garantir que os sistemas, modelos e agentes possam acessar consistentemente os dados certos no momento certo por meio de interfaces padronizadas e governadas. A prontidão para IA depende menos de onde os dados são armazenados e mais de se eles podem ser descobertos, consultados, confiáveis e integrados em tempo real. Sem essa fundação, mesmo os modelos mais avançados acabam operando com informações incompletas ou desatualizadas.

Ona onde vejo as organizações interpretando mal o conceito é ao supor que a centralização automaticamente significa prontidão. As equipes frequentemente acreditam que, uma vez que os dados estejam consolidados em uma única plataforma, elas estão “prontas para IA”, quando, na realidade, elas criaram um novo silo. Outras superinvestem em ferramentas sem abordar a qualidade dos dados, semântica e conectividade, os problemas desinteressantes que fazem ou desfazem sistemas de IA do mundo real. A IA não falha por causa dos modelos; ela falha por causa de dados confusos, inacessíveis ou desatualizados. As organizações que vencerão são aquelas que tratam a prontidão dos dados como disciplina operacional, não como um projeto de migração único.

Sua nova pesquisa, O Estado da Conectividade de Dados de IA: Perspectiva 2026, mostra que apenas 6% dos líderes de IA acreditam que sua infraestrutura de dados está totalmente pronta para IA. Por que você acha que a lacuna de prontidão é tão grande, e o que isso nos diz sobre a trajetória atual da indústria?

A lacuna é tão grande porque a maioria das organizações investiu em coletar e armazenar dados muito antes de investir em torná-los utilizáveis para IA. Ao longo da última década, as empresas construíram lagos, armazéns e pipelines, mas raramente construíram uma camada de acesso coesa que garanta que os dados sejam consistentes, em tempo real e disponíveis em todos os sistemas. Como resultado, os líderes descobrem que, uma vez que começam a implantar IA em fluxos de trabalho reais, sua infraestrutura subjacente não pode suportar a velocidade, a escala ou a confiabilidade que a IA exige. A figura de 6% não reflete uma falta de ambição, mas sim a realidade de que a IA expõe fraquezas que sempre estiveram lá, mas não importavam tanto na análise tradicional.

O que os dados nos dizem sobre a indústria é que estamos no início da curva de adoção de IA, não no final. As organizações estão experimentando agressivamente na camada de aplicativos, mas agora estão percebendo que o sucesso depende da modernização de sua base de dados subjacente. Estamos entrando em uma fase corretiva onde o foco está mudando de pilotos impressionantes para prontidão operacional — acesso padronizado, integração governada e conectividade em tempo real. Os vencedores não serão as empresas que construem os mais provas de conceito, mas as que modernizam sua infraestrutura de dados rapidamente o suficiente para mover esses experimentos para a produção em escala.

As descobertas também mostram que 71% das equipes de IA gastam mais de um quarto do seu tempo em “encanamento” de dados. Em sua opinião, qual parte desse trabalho é realmente estratégica e não apenas dívida técnica?

Alguma quantidade de “encanamento” de dados é absolutamente estratégica quando se trata de criar acesso duradouro a dados por meio de interfaces padronizadas e projetar para escalabilidade e governança desde o início. Investir em conectividade consistente, serviços de dados compartilhados e padrões de integração confiáveis é um trabalho fundamental que paga dividendos em todos os aplicativos e modelos que vêm depois. O problema é que a maioria das equipes não está fazendo esse tipo de “encanamento”. Elas estão reconstruindo pipelines de uma vez, escrevendo conectores frágeis e corrigindo integrações que só resolvem um problema uma vez. Isso é dívida técnica disfarçada de progresso.

O que é estratégico é qualquer coisa que reduza a fricção futura: eliminar código personalizado em favor de padrões, construir serviços de dados reutilizáveis e conectar sistemas de forma que escalonem em diferentes casos de uso e equipes. Quando o “encanamento” se torna invisível e repetível, ele para de ser um imposto sobre as equipes de IA e se torna um facilitador. O objetivo real não é gastar menos tempo com dados. É parar de gastar tempo com os mesmos problemas de dados repetidamente.

Um ponto de dados surpreendente do relatório é que 46% das empresas agora exigem acesso em tempo real a seis ou mais fontes de dados para um único caso de uso de IA. Isso reflete o que você está vendo com os clientes, e o que torna esse nível de conectividade tão difícil?

Sim, isso se alinha estreitamente com o que estamos vendo com os clientes. Os casos de uso modernos de IA, seja análise preditiva, motores de recomendação ou fluxos de trabalho autônomos, raramente dependem de um único sistema. As empresas frequentemente precisam combinar ERP, CRM, aplicativos SaaS, plataformas de streaming e bancos de dados legados para gerar insights significativos. O desafio não é apenas o número de fontes; é a variedade, diferentes protocolos, formatos e frequências de atualização, e a expectativa de que esses dados estejam disponíveis em tempo real para os modelos de IA consumirem.

O que torna esse nível de conectividade difícil é que as abordagens tradicionais de integração nunca foram projetadas para a escala, velocidade e confiabilidade que a IA exige. Conectores de uma vez e pipelines em batch simplesmente não podem acompanhar. O acesso em tempo real real exige interfaces gerenciadas e padronizadas, semântica consistente em diferentes sistemas e monitoramento para garantir a qualidade e disponibilidade dos dados. Sem essa fundação, as equipes gastam mais tempo combatendo incêndios em pipelines do que construindo soluções de IA, o que desacelera a inovação e introduz riscos. As organizações que têm sucesso são aquelas que tratam a conectividade como uma capacidade estratégica, não apenas como uma tarefa técnica.

O relatório enfatiza a consistência semântica, contexto e conectividade como características definidoras de uma infraestrutura de dados de IA madura. Como as organizações devem pensar sobre a sequência dessas prioridades?

Quando se pensa em sequenciar, as organizações devem começar com a conectividade. Se os dados não são acessíveis de forma confiável em diferentes sistemas, tudo o mais se torna irrelevante. Os modelos de IA não podem aprender com o que não podem alcançar. Estabelecer conexões padronizadas e governadas em todas as fontes de dados críticas estabelece a fundação para tudo o que segue. Sem essa camada, as equipes acabam construindo pipelines frágeis e de uma vez que criam mais trabalho à frente.

Uma vez que a conectividade esteja no lugar, a consistência semântica se torna a próxima prioridade. Os dados precisam de uma linguagem comum para que as informações de múltiplas fontes possam ser interpretadas corretamente e combinadas de forma significativa. O contexto segue naturalmente: entender não apenas os valores, mas o seu significado dentro do processo de negócios, tempo e relações, garante que os modelos de IA possam fazer previsões precisas e ações. Tratar esses elementos como uma sequência estruturada — conectividade primeiro, semântica em segundo lugar, contexto em terceiro lugar — permite que as organizações construam uma infraestrutura de dados pronta para IA que escala e suporta inteligência de produção confiável.

Os provedores de software nativos de IA agora exigem aproximadamente três vezes mais integrações externas do que os fornecedores tradicionais. O que está impulsionando essa lacuna crescente, e o que isso revela sobre para onde o software está indo?
A lacuna crescente é impulsionada pela natureza da IA em si: as aplicações nativas de IA prosperam em dados diversificados e em tempo real de múltiplas fontes. Ao contrário do software tradicional, que opera dentro de um único sistema ou suíte, os modelos de IA precisam ingerir, correlacionar e analisar informações em diferentes sistemas ERP, plataformas CRM, aplicativos SaaS, fontes de streaming e mais. Cada integração é essencial para dar à IA o contexto e a cobertura suficientes para gerar previsões precisas, recomendações ou ações automatizadas.

Essa tendência revela que o software está se movendo de aplicações isoladas para ecossistemas inteligentes interconectados. Os vencedores não serão os produtos que funcionam bem sozinhos. Eles serão as plataformas que podem acessar e integrar dados onde quer que eles vivam. Em termos práticos, isso significa que a conectividade, a padronização e a integração em tempo real não são mais recursos desejáveis. São capacidades fundamentais para o software nativo de IA entregar valor real.

Olhando cinco anos à frente, o que você acredita que se tornará o maior gargalo para o sucesso da IA — conectividade, pipelines em tempo real, modelagem semântica, governança ou algo completamente diferente?

Olhando para a frente, acredito que governança e segurança se tornarão o maior gargalo para o sucesso da IA. Embora a conectividade e os pipelines em tempo real sejam fundamentais — os modelos de IA só podem ser tão eficazes quanto os dados que podem acessar — as organizações estão rapidamente percebendo que a IA não governada é insustentável e potencialmente perigosa. À medida que a IA se move da experimentação para a produção e começa a influenciar decisões comerciais críticas, os riscos de viés, violações de conformidade, vazamento de dados e erros operacionais se multiplicam exponencialmente.

O desafio não é apenas mover dados — é mover os dados certos, com os controles certos, para os sistemas certos, de forma rastreável e auditável. As organizações que falham em incorporar fortes estruturas de governança e protocolos de segurança desde o início enfrentarão uma pressão regulatória crescente, risco de reputação e, eventualmente, sistemas de IA que elas não podem confiar ou escalar. Já estamos vendo sinais precoces: empresas hesitantes em implantar IA porque não podem garantir a linhagem de dados, controles de acesso ou conformidade com regulamentações em evolução.

As organizações mais bem-sucedidas daqui a cinco anos serão aquelas que tratam a governança e a segurança não como afterthoughts, mas como habilitadores centrais da IA. Sim, você precisa de conectividade e pipelines em tempo real para fazer os dados fluírem — mas sem governança e segurança no lugar, esses dados se tornam uma responsabilidade em vez de um ativo. O futuro da IA não é apenas sobre velocidade ou escala; é sobre confiança, responsabilidade e implantação responsável em cada camada da pilha de dados.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar CData Software.