Dominic Sartorio, VP de Marketing de Produto da Denodo – Série de Entrevistas

Dominic Sartorio é VP de Marketing de Produto da Denodo. Dominic tem mais de 20 anos de experiência no mercado de gerenciamento e governança de dados, tendo ocupado várias funções de liderança de produto e marketing na Informatica, Protegrity, entre outros principais fornecedores.

Denodo é um líder global em gerenciamento de dados, alimentando agentes e aplicativos de IA confiáveis. A Plataforma Denodo, uma solução de gerenciamento de dados lógicos premiada, transforma os dados empresariais em insights confiáveis para IA, análise e iniciativas de autoatendimento. As organizações em todo o mundo usam a Denodo para entregar dados prontos para IA e negócios em uma fração do tempo em comparação com os tradicionais data lakehouses, alcançando até 4x mais rápido tempo de insight, 345% de ROI e 10x melhor desempenho. Com base em insights de 850 líderes empresariais, o Relatório de Lacuna de Confiabilidade da IA da Denodo revela por que muitos projetos de IA lutam para ir além das fases de piloto e o que as organizações devem fazer para construir IA confiável e pronta para produção.

Você ocupou funções de liderança sênior em empresas como Informatica, Protegrity, Infoworks e agora Denodo, todas focadas em diferentes camadas de infraestrutura de dados empresariais. Como sua perspectiva sobre “dados confiáveis” evoluiu à medida que a IA mudou de análise para sistemas autônomos e agentes?

No início da minha carreira, dados confiáveis eram basicamente sobre precisão, linhagem, segurança e dar confiança aos analistas em dashboards e relatórios. Com agentes de IA autônomos, as apostas são muito mais altas porque os sistemas não estão apenas interpretando dados; eles podem estar agindo autonomamente, acionando fluxos de trabalho de negócios ou tomando decisões com impacto real no mundo. Isso significa que dados confiáveis agora têm que incluir contexto operacional em tempo real, significado de negócios consistente e guardrails impostos para que se possa ter confiança de que os agentes estão agindo corretamente e com segurança.

Relatório de Lacuna de Confiabilidade da IA da Denodo descobriu que 66% das organizações dizem que os dados da IA devem ser em tempo real ou quase em tempo real para serem confiáveis. Por que você acha que tantas empresas ainda estão lutando para entregar dados operacionais em tempo real para sistemas de IA?

A maioria das empresas não foi projetada para agentes de IA que precisam de conscientização situacional em tempo real em muitos sistemas. Seus dados estão espalhados por aplicativos, nuvens, armazéns, lakehouses, sistemas legados e outras plataformas operacionais. Eles podem estar copiando esses dados para um armazém central ou data lake para análise e BI, mas isso não é apropriado para agentes de IA que precisam de conscientização situacional em tempo real. Uma vez que os dados são copiados, eles não estão mais em tempo real. É possível transmitir em tempo real, mas isso se torna muito caro muito rapidamente. É exatamente aqui que a abordagem de gerenciamento de dados lógicos da Denodo se torna importante, porque fornece aos sistemas de IA acesso governado a dados em tempo real sem exigir que as empresas copiem e replatforem tudo constantemente.

Uma das descobertas mais surpreendentes no relatório é que as iniciativas de IA empresariais agora extraem de centenas de fontes de dados, com algumas organizações acessando mais de 1.000. Como esse nível de fragmentação muda a forma como as empresas devem pensar sobre a arquitetura de IA?

Nesse nível de fragmentação, a arquitetura não pode depender da consolidação física de cada fonte antes que a IA possa usá-la. As empresas precisam de uma camada de abstração que possa descobrir, integrar, governar e entregar dados em toda a realidade distribuída que elas já têm. Na minha opinião, a arquitetura de dados tem que se tornar mais lógica, impulsionada por metadados e semântica, para que os agentes possam encontrar os dados certos no contexto sem estar fortemente acoplados aos sistemas subjacentes.

O relatório argumenta que muitos fracassos de IA são, na verdade, “fracassos de arquitetura de dados” em vez de falhas de modelo. Você acha que a indústria gastou muito tempo obcecada por modelos enquanto subestimava a importância da infraestrutura de dados?

Sim. Os modelos são importantes, é claro, mas muitos projetos de IA fracassados não fracassam porque o modelo é incapaz; eles fracassam porque o modelo está operando com dados incompletos, estagnados, inconsistentes ou mal governados. O modelo funcionou muito bem no piloto, usando um conjunto de dados bem definido e curado, mas uma vez implantado no “mundo real”, com sua bagunça distribuída, a IA falha em produzir resultados confiáveis. Minha experiência tem sido que as empresas obtêm muito melhores resultados de IA quando tratam a camada de dados como uma parte de primeira classe da arquitetura de IA, e não como uma afterthought.

A Denodo fala frequentemente sobre consistência semântica e a importância de uma camada semântica universal. À medida que os agentes de IA começam a tomar decisões autonomamente, quão crítica se torna a alinhamento semântico para prevenir ações incorretas ou lógica de negócios alucinada?

A alinhamento semântico se torna absolutamente crítico. Se um sistema define “cliente”, “receita”, “risco” ou “abandono” de forma diferente de outro, um agente de IA pode produzir uma resposta tecnicamente plausível que ainda está errada para o contexto de negócios dado. Uma camada semântica universal ajuda a garantir que os agentes operem com significado de negócios consistente, e não apenas acesso bruto a dados.

Sua sessão na AI & Big Data Expo se concentrou em mover de pilotos de IA para produção. Em sua experiência, quais são os principais motivos pelas quais as empresas ficam presas na “fase de piloto” e falham em escalar a IA para sistemas operacionais reais?

Os pilotos geralmente funcionam porque são estreitos, curados manualmente e isolados da complexidade completa da empresa. A IA de produção tem que lidar com dados em tempo real de muitas fontes, segurança, governança, desempenho, auditoria, regras de negócios em constante mudança e integração em fluxos de trabalho reais. Muitas organizações ficam presas porque constroem um demonstrativo impressionante, mas não a fundação de dados governada necessária para operar a IA de forma confiável e escalável.

O relatório cita previsões de que uma porcentagem significativa de projetos de IA autônoma pode ser cancelada nos próximos anos devido a custos crescentes, valor incerto ou controles de risco inadequados. Você acha que a indústria está entrando em uma fase em que as empresas se tornarão muito mais seletivas sobre quais projetos de IA sobrevivem?

Sim, e acho que isso é saudável. A primeira onda de experimentação de IA foi sobre possibilidade; a próxima onda será sobre valor operacional, disciplina de custos e confiabilidade. Os projetos que sobreviverão serão aqueles vinculados a resultados de negócios mensuráveis e apoiados pelos dados, governança e arquitetura certos.

Segurança e governança aparecem ao longo do relatório como temas recorrentes, particularmente em torno de “guardrails” para IA autônoma. Como as organizações devem equilibrar capacidades de IA autônoma com a necessidade de controle de acesso estrito e auditoria?

A chave é não tratar a governança como algo acoplado após o sistema de IA ser construído. Controle de acesso, aplicação de políticas, linhagem e auditoria precisam ser incorporados na própria camada de acesso a dados, para que os agentes de IA vejam e usem apenas os dados que estão autorizados a acessar. Com a Denodo, as mesmas políticas de governança podem ser aplicadas consistentemente em fontes distribuídas, o que é essencial quando a IA está operando em ambientes híbridos e multi-nuvem.

A Denodo posiciona o gerenciamento de dados lógicos como uma forma de unificar o acesso em ambientes híbridos e multi-nuvem sem mover constantemente os dados. À medida que as empresas adotam cada vez mais arquiteturas de IA baseadas em recuperação, você vê “zero-cópia” ou arquiteturas lógicas se tornando a direção de longo prazo para a IA empresarial?

Sim. A IA baseada em recuperação depende de obter os dados certos no momento certo, e não necessariamente mover cada conjunto de dados para um repositório único com antecedência. Uma abordagem lógica em primeiro lugar, sem cópia, é muito mais alinhada com a forma como as empresas realmente operam: os dados permanecem distribuídos, mas a IA pode acessá-los por meio de uma camada governada, semântica e em tempo real. Essa é a direção em que acredito que a IA empresarial tem que ir.

Olhando para os próximos três a cinco anos, o que você acha que separará as organizações que operacionalizam com sucesso a IA confiável daquelas que permanecem presas no modo de experimentação?

Os vencedores serão as organizações que reconhecem que a IA não é apenas uma estratégia de modelo; é uma estratégia de dados, uma estratégia de governança e uma estratégia de modelo operacional. Elas investirão em acesso a dados em tempo real, consistência semântica, governança reutilizável e arquiteturas que podem abranger toda a empresa. Aquelas que continuam construindo pilotos isolados em dados fragmentados ou estagnados lutarão para ir além da experimentação.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Denodo ou baixar o Relatório de Lacuna de Confiabilidade da IA da Denodo