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 das mais de 300 implantações corporativas que analisou estavam gerando retornos financeiros mensuráveis.

Passei mais de 25 anos trabalhando em programas de dados corporativos. Muito antes da IA generativa entrar na conversa, vi quão rapidamente a tecnologia perdia credibilidade quando as pessoas não podiam confiar nos dados que a sustentavam. A IA generativa eleva o nível de 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, a pessoa 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 encontrem. 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 ela não encontrasse. Comparo isso a meias sujas debaixo da cama: esses dados podem estar fora de vista, mas a IA vai encontrar esses dados obscuros e usá‑los.

O contexto precisa viajar junto com os dados e ser a base que os LLMs utilizam. 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 a sua pizza (exemplo antigo). Considere 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 estudadas pelo MIT continuam usando ferramentas de IA pessoais por conta própria, mesmo depois que o piloto oficial criado pelo empregador não conseguiu ganhar sua confiança. Quando a ferramenta aprovada não ganhou sua confiança, os funcionários buscam outra forma de realizar o trabalho.

Grande parte da pesquisa 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 carecem das práticas corretas de gerenciamento de dados para IA ou não têm certeza se as possuem. Pesquisa separada da IDC encontrou uma lacuna semelhante no aspecto da confiança: 78 por cento das organizações dizem confiar plenamente em sua IA, mas apenas 40 por cento realmente investiram na 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 deixam de se alinhar ao valor pretendido.

Governança de IA É Agora a Vantagem Competitiva

Durante a maior parte da minha carreira, a governança de dados era uma das áreas menos glamorosas da TI corporativa. Catalogar metadados, definir propriedade, perfilar dados e gerenciar fluxos de trabalho podia parecer um 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 a criação de modelos de dados, a elaboração de glossários curados pela indústria e a 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 regulamentação também está tornando a transparência de dados mais urgente. O EU AI Act tornou‑se amplamente aplicável em 2 de agosto de 2026, incluindo regras de transparência para certos sistemas e conteúdo gerado por IA. A lei 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 clara e governança facilitam a documentação de quais dados foram usados, de onde vieram e como o sistema deve operar.

O panorama regulatório dos 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 regulamentações 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 deles precisava analisar 300 planilhas separadas toda vez que surgia uma discrepância nos livros. 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. Da próxima vez que um problema surgisse, a correção exigiu uma fração do esforço que antes era necessário. Apenas nesse processo, economizou aproximadamente 750 dias de trabalho. Isso representa milhões de dólares em economia 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 o reuso possibilitaram isso. Produtos de dados confiáveis podem ser alinhados com os padrões corporativos, estendidos e atualizados ao longo do tempo, avaliados quanto à confiança e gerenciados para gerar valor. Essa abordagem reduz a necessidade de criar centenas ou milhares de produtos vinculados a tabelas de banco de dados físicas individuais.

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.

O número 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 oferecendo 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.