Líderes de pensamento
A governança da IA nas empresas começa na infraestrutura de bancos de dados

Pontos-chave% dos pilotos de IA corporativa falham porque a governança não está incorporada na…
Ver mais
- % dos pilotos de IA corporativa falham porque a governança não está incorporada na camada de dados.
- Os agentes autônomos exigem controles na camada de dados, uma vez que gravações sem governança podem se propagar em cascata pelos sistemas.
- A governança com prioridade na infraestrutura, no nível do banco de dados, fecha a lacuna entre o piloto e a produção.
A experimentação com IA nas empresas nunca avançou tão depressa, mas o caminho até a produção continua lento. As equipes iniciam projetos-piloto, testam modelos e apresentam resultados promissores em semanas, às vezes em dias. Porém, quando chega a hora de implantar esses sistemas em escala, o progresso costuma parar. Surgem preocupações de segurança, os requisitos de conformidade ficam mais rigorosos e as questões de governança se multiplicam.
O relatório do MIT The GenAI Divide: State of AI in Business 2025 constatou que 95% dos projetos-piloto de IA nas empresas não geram impacto mensurável nos negócios. Apenas 5% chegam à produção e proporcionam retorno financeiro real. A pesquisa incluiu mais de 300 implantações de IA e 150 entrevistas com executivos e concluiu que a principal barreira não é a capacidade do modelo, mas a integração deficiente com os sistemas empresariais. A maioria das organizações trata isso como uma questão de políticas a ser resolvida pela alta administração. Eu diria que a governança de IA é um desafio de sistemas e começa na camada de dados.
Por que os projetos de IA param na fase piloto
Muitas iniciativas de IA enfrentam dificuldades porque os ambientes usados para criar seus protótipos são fundamentalmente incompatíveis com a realidade da implantação empresarial. Os desenvolvedores são incentivados a agir rapidamente, usando ferramentas flexíveis, conjuntos de dados com governança pouco rigorosa e infraestrutura de autoatendimento para comprovar valor o mais depressa possível. Isso é ideal para experimentar, mas não se aplica diretamente aos ambientes de produção, que exigem capacidade de auditoria, controles de acesso rigorosos, conformidade regulatória e resiliência operacional.
Por isso, a governança costuma ser introduzida somente depois de uma prova de conceito bem-sucedida. Nesse ponto, a camada que deveria viabilizar a implantação se transforma em uma restrição. As equipes precisam adaptar os modelos de segurança posteriormente, reprojetar os fluxos de dados e rever premissas de conformidade que deveriam ter servido de base desde o início.
Isso amplia a distância entre o que os sistemas de IA conseguem demonstrar em ambientes controlados e o que as empresas podem implantar com segurança e confiabilidade em produção.
Ao mesmo tempo, a estrutura tecnológica moderna da IA evoluiu para priorizar velocidade e acessibilidade, muitas vezes em detrimento do controle. Plataformas convenientes para desenvolvedores facilitam os projetos-piloto, mas podem ocultar onde os dados estão, como são usados e quem pode acessá-los.
Isso cria riscos operacionais e regulatórios reais, como exposição involuntária de dados, limites pouco claros entre dados de diferentes ambientes e capacidade insuficiente de auditar o comportamento do sistema. Esses problemas aparecem diretamente nas avaliações de prontidão para produção e de conformidade. Pesquisas com empresas mostram de forma consistente que problemas de qualidade e governança dos dados estão entre as principais causas de fracasso dos projetos de IA, sendo citados em 60–70% dos casos. A crescente dependência de infraestrutura de terceiros e serviços gerenciados de banco de dados agrava o problema, pois pode fragmentar ainda mais a propriedade dos dados e dificultar a adequação regulatória. Em muitos casos, as organizações presumem que as plataformas cuidam implicitamente da governança, quando, na realidade, a responsabilidade se distribui por várias camadas da estrutura tecnológica.
O resultado é um paradoxo: as ferramentas que aceleram a experimentação com IA costumam ser as mesmas que criam dificuldades na passagem para a produção.
O banco de dados como a verdadeira camada de governança
Para resolver essa incompatibilidade, é preciso repensar onde a governança realmente acontece.
A governança costuma ser apresentada como uma função de definição de políticas, a cargo das equipes jurídicas, de conformidade ou da alta administração, com cumprimento assegurado por documentação e processos de revisão. Esses mecanismos são essenciais, mas insuficientes por si sós. A governança só ganha sentido quando seu cumprimento é imposto no nível do sistema.
Na prática, essa imposição ocorre onde os dados são armazenados, acessados e transformados. Isso torna o banco de dados e a infraestrutura de dados ao seu redor a camada mais importante de governança na estrutura tecnológica da IA.
Os bancos de dados modernos não são repositórios passivos. Eles definem permissões de acesso, impõem requisitos sobre a localização geográfica dos dados, gerenciam criptografia e controles de chaves e geram os registros de auditoria necessários à conformidade e à supervisão de segurança. Cada vez mais, também funcionam como o ponto de controle pelo qual os sistemas de IA interagem com os dados empresariais.
Isso importa porque os sistemas de IA herdam a condição de governança da infraestrutura de dados da qual dependem. Se a camada de banco de dados subjacente não tem estrutura, controles ou visibilidade, essas fragilidades se propagam diretamente para os sistemas de IA construídos sobre ela. Nenhuma política posterior no nível da aplicação consegue compensar plenamente uma base de dados sem governança.
Isso exige uma mudança arquitetônica mais ampla: a governança precisa estar incorporada à infraestrutura desde o início, em vez de ser acrescentada depois da implantação. Uma abordagem de IA que parte da infraestrutura significa projetar sistemas nos quais a governança seja uma propriedade inerente, e não uma restrição externa. O acesso aos dados passa por interfaces controladas. Consultas e interações dos sistemas são registradas por padrão. Regras de conformidade, como restrições de acesso, políticas de retenção e requisitos de localização geográfica, são impostas no nível do sistema, em vez de depender de supervisão manual ou validação posterior.
Isso requer soluções arquitetônicas como camadas seguras de mediação de consultas, controles de acesso orientados por políticas e observabilidade centralizada em ambientes de dados distribuídos. Esses mecanismos garantem a aplicação contínua da governança, em vez de sua verificação periódica.
A diferença entre governança proativa e reativa é fundamental. As abordagens reativas tentam corrigir problemas depois que os sistemas são construídos e implantados. As proativas evitam que esses problemas ocorram, incorporando controles diretamente à arquitetura do sistema.
Nos ambientes de IA, essa distinção determina se os sistemas conseguem crescer em escala ou ficam estagnados.
Quando os agentes entram em cena
Os agentes autônomos mudam a dinâmica da governança de formas para as quais a maioria das organizações não está preparada. Um agente não se limita a ler dados. Ele os grava, aciona operações em vários sistemas e faz as duas coisas sem intervenção humana.
Isso muda completamente a natureza das falhas. Uma consulta sem governança adequada devolve uma resposta errada. Um agente sem governança adequada age com base nessa resposta: atualiza registros, aciona fluxos de trabalho subsequentes e propaga decisões entre sistemas antes que alguém perceba o erro.
Por isso, as salvaguardas não podem ficar apenas na camada da aplicação. Um agente que opera em vários sistemas sempre encontra o caminho de menor resistência. Os controles precisam ser impostos na camada de dados, onde cada leitura e gravação passa por mediação e é registrada, independentemente do que a tenha acionado.
A Gartner prevê que mais de 40% dos projetos de IA agêntica serão adiados ou cancelados por problemas de governança e confiabilidade. Esse número me parece baixo, pois pressupõe que as organizações identifiquem corretamente a governança como causa, em vez de atribuir as falhas ao modelo ou às ferramentas. A causa raiz geralmente permanece invisível até gerar custos elevados.
Da experimentação à IA pronta para produção
As organizações que levam a IA com sucesso da experimentação à produção costumam ter uma característica em comum: alinham seus ambientes de desenvolvimento e produção desde cedo.
Em vez de deixar os sistemas experimentais se afastarem das restrições da produção, projetam os dois ambientes com princípios consistentes de governança, segurança e acesso aos dados. Isso reduz os obstáculos mais adiante no ciclo de vida, quando os modelos passam de protótipos a cargas de trabalho de produção.
Esse alinhamento se torna cada vez mais importante porque a maioria das empresas ainda não dispõe de infraestrutura de IA madura e adequada à produção. Persistem lacunas no acesso seguro aos dados, no monitoramento, na observabilidade e na aplicação das regras de conformidade. Elas não são isoladas: são desafios estruturais que surgem quando a IA ultrapassa os ambientes piloto e passa a integrar fluxos de trabalho essenciais ao negócio.
Outra incompatibilidade importante entre prototipagem e produção ocorre quando as aplicações e os bancos de dados de produção precisam ser hospedados nas instalações da empresa ou em contas de nuvem administradas com rigor, mas os protótipos foram desenvolvidos em plataformas de banco de dados na nuvem.
Nas organizações maduras, as cargas de trabalho de IA recebem o mesmo rigor que outros sistemas sujeitos a regulamentação. Isso significa registros consistentes, controles de acesso rigorosos, monitoramento contínuo e estruturas claras de responsabilização entre as equipes. Também exige maior alinhamento entre engenharia de dados, engenharia de plataformas, segurança e conformidade desde o início, em vez de acrescentá-lo posteriormente.
Os benefícios dessa abordagem vão além da redução de riscos. As organizações também obtêm ciclos de implantação mais rápidos, menos falhas em produção e maior confiança interna nos sistemas de IA. Nesse contexto, ampliar o uso da IA depende menos da inovação dos modelos e mais da maturidade da infraestrutura.
A governança é uma necessidade arquitetônica
Em última análise, a discussão sobre governança de IA precisa ir além das políticas e chegar à arquitetura.
A governança costuma ser tratada como uma função de supervisão, mas, na prática, é imposta pelos sistemas que definem como os dados são acessados e usados. O banco de dados não é apenas uma camada de armazenamento: é o ponto de controle de segurança, conformidade e integridade operacional de toda a estrutura tecnológica da IA.
À medida que a IA se incorpora mais profundamente aos fluxos de trabalho empresariais, a importância desse ponto de controle aumenta significativamente. Cada interação entre um modelo e os dados empresariais se torna um evento sujeito à governança, independentemente de as organizações projetarem isso explicitamente.
Ao priorizar a governança a partir da infraestrutura, começando na camada do banco de dados, as empresas podem eliminar a distância entre os projetos-piloto e a produção. Assim, transformam a IA de experimentos isolados em uma capacidade duradoura e escalável, incorporada a toda a organização.












