IA Empresarial Depende de Dados em que as Pessoas Podem Confiar

Em 2025, as empresas investiram entre US$ 30 bilhões e US$ 40 bilhões em IA generativa, porém o Projeto NANDA do MIT constatou que apenas 5 por cento de mais de 300 implantações corporativas que examinou estavam gerando retornos financeiros mensuráveis.

Passei mais de 25 anos trabalhando em programas de dados corporativos. Muito antes da IA generativa entrar na conversa, eu percebia quão rapidamente a tecnologia perdia credibilidade quando as pessoas não podiam confiar nos dados por trás dela. A IA generativa eleva o risco porque pode transformar dados questionáveis em uma resposta confiante.

Costumávamos dizer lixo entra, lixo sai. Agora é lixo entra, desastre sai. Quando os dados pareciam suspeitos, alguém podia usar seu julgamento e contatar um especialista em dados. O especialista realizava uma análise de causa raiz, identificava o problema e aplicava uma correção. Hoje, os agentes podem agir sobre quaisquer dados que encontram. Sem supervisão humana experiente, o resultado pode se tornar parte das operações, ser usado em decisões e escalar por toda a organização.

O mesmo problema pode surgir em um chatbot. A governança negligenciada pode transformar dados ruins ou mal compreendidos em uma resposta que soa autoritária, imediatamente e em escala.

Confiança é o Verdadeiro Gargalo de Adoção

Quando um chatbot interno fornece a alguém uma resposta confiante, porém errada, essa pessoa pode deixar de confiar nele. Em uma grande organização, a IA também encontrará os dados que você preferiria que não fossem encontrados. Comparo isso a meias sujas debaixo da cama: esses dados podem estar fora de vista, mas a IA vai encontrá‑los e utilizá‑los.

O contexto precisa acompanhar os dados e ser a base sobre a qual os LLMs se apoiam. Antes que um modelo de IA use os dados, as pessoas precisam saber o que eles significam, de onde vieram, quem os possui e quais regras de negócios e políticas os cercam.

A liderança pode perder isso porque o sistema raramente falha. A IA pode estar confiantemente errada; pode sugerir cola para sua pizza (exemplo antigo). Imagine um chatbot que fornece uma resposta confiante, porém errada, e a força de trabalho deixa de confiar nele. Reconstruir essa confiança leva muito mais tempo do que estabelecer os controles corretos desde o início.

Essa erosão também aparece nos dados. Funcionários em mais de 90 por cento das empresas MIT estudou continuam usando ferramentas pessoais de IA por conta própria, mesmo depois que o piloto oficial que o empregador criou não conquistou sua confiança. Quando a ferramenta aprovada não ganha sua confiança, os funcionários buscam outra forma de realizar o trabalho.

Grande parte das pesquisas de IA deste ano aponta para o mesmo problema: as organizações estão avançando com IA antes de fazer o trabalho necessário para tornar seus dados confiáveis. Gartner estimou que quase dois terços das organizações ou não possuem as práticas corretas de gerenciamento de dados para IA ou não têm certeza se as têm. Pesquisa separada da pesquisa da IDC encontrou uma lacuna semelhante no aspecto de confiança: 78 por cento das organizações afirmam confiar plenamente em sua IA, mas apenas 40 por cento realmente investiram em governança e explicabilidade que justificariam essa confiança.

O descompasso entre confiança e investimento ajuda a explicar por que tantas iniciativas de IA ficam estagnadas antes de chegar à produção ou falham em se alinhar ao valor pretendido.

Governança de IA É Agora a Vantagem Competitiva

Na maior parte da minha carreira, a governança de dados era uma das partes menos glamorosas da TI corporativa. Catalogar metadados,, definir propriedade, criar perfis de dados e gerenciar fluxos de trabalho podia parecer trabalho de limpeza. As pessoas frequentemente a ignoravam porque o esforço parecia maior que o valor que produzia.

A IA mudou isso. Está se tornando uma capacidade de governança em áreas como design de arquiteturas de dados, criação de glossários curados pela indústria e recomendação e ativação de políticas de dados. Até a linhagem de dados pode agora ser inferida e simplificada mais rapidamente, facilitando a realização do valor de pipelines de dados gerenciados e da observabilidade.

A regulação também está tornando a transparência de dados mais urgente. O EU AI Act entrou em vigor de forma ampla em 2 de agosto de 2026, incluindo regras de transparência para certos sistemas e conteúdo gerado por IA. O ato também estabelece requisitos separados para sistemas de alto risco, incluindo documentação e informações que ajudam os implantadores a interpretar seus resultados, embora algumas disposições de alto risco sigam cronogramas posteriores.

Para as empresas, a lição prática é simples: linhagem e governança claras facilitam a documentação de quais dados foram usados, de onde vieram e como o sistema deve operar.

O panorama regulatório nos EUA continua incerto. Sem uma lei federal abrangente de IA, as empresas precisam navegar por diferentes exigências estaduais, mesmo enquanto a Casa Branca busca limitar a capacidade dos estados de criar e aplicar suas próprias regras de IA. O AI Act do Colorado, a estrutura estadual mais abrangente existente, já foi adiada e reescrito uma vez nesse embate, com suas obrigações principais agora postergadas para 2027. Para muitas empresas americanas, a tentação é esperar a incerteza passar.

Eu argumentaria que esse é o instinto errado. Seja qual for o modelo regulatório que eventualmente prevalecer nos EUA, a exigência subjacente não desaparecerá. Saiba de onde seus dados vieram. Saiba se alguém realmente os validou antes que a IA os utilizasse. Desenvolver essa disciplina agora ajudará as empresas a se prepararem para novas regulações e transformar pilotos promissores de IA em ferramentas que o negócio pode usar com confiança.

O que Separa os 5 Porcento

Deixe-me contar sobre um cliente. A equipe de contabilidade geral precisava analisar 300 planilhas distintas sempre que surgia uma discrepância nos registros. Trezentas. Alguém finalmente reconstruiu toda aquela bagunça como um único ativo de dados governado, com os cálculos, os relatórios e os dados subjacentes empacotados juntos e validados antecipadamente. Na próxima vez que um problema surgisse, a correção exigiu uma fração do esforço anterior. Apenas nesse processo, foram economizados cerca de 750 dias de trabalho. Isso representa milhões de dólares em economia de custos apenas por limpar isso.

A melhoria veio de tornar os dados corretos fáceis de encontrar e confiáveis o suficiente para serem usados sem dúvidas. A colaboração e a reutilização tornaram isso possível. Produtos de dados confiáveis podem ser alinhados aos padrões corporativos, estendidos e aprimorados ao longo do tempo, avaliados quanto à confiança e geridos por valor. Essa abordagem reduz a necessidade de criar centenas ou milhares de produtos vinculados a tabelas físicas individuais de banco de dados.

Programas robustos tornam essa confiança visível. Nos marketplaces de dados com os quais trabalho, os ativos podem ser classificados como ouro, prata ou bronze com base em fatores como qualidade, curadoria, uso e propriedade. Um usuário de negócios pode ver quão confiável um ativo é antes de utilizá‑lo. Essa visibilidade ajuda as pessoas a deixarem de adivinhar e as torna mais dispostas a reutilizar dados que já existem.

A cifra de 95 por cento é um alerta sobre o quão casualmente muitas empresas têm tratado os dados por trás da IA generativa. As organizações que avançam estão proporcionando às pessoas uma visão clara de onde seus dados vieram, como foram validados e se são adequados para a tarefa. Após anos de gerenciamento de dados ser tratado como trabalho de fundo, a IA finalmente está tornando seu valor visível.