Ampliar a IA não deve significar reconstruir as bases de dados a cada vez

O período de planejamento de 2027 está quase começando para as empresas, e os investimentos em IA voltam a ocupar o topo das discussões da alta liderança. Uma pesquisa recente da Akeneo com responsáveis por decisões de TI mostrou que 93% relataram ganhos de produtividade com IA, mas 43% disseram que a IA também acrescentou novas responsabilidades às suas funções.

Esses resultados destacam o volume significativo de trabalho preparatório necessário para tirar projetos de IA do papel. A preparação de dados, em particular, representa uma parte substancial desse trabalho. Entre os líderes de TI consultados pela Akeneo, 36% disseram que suas organizações dedicam mais da metade do esforço total de um projeto de IA à preparação de dados. Outros 53% relataram dedicar entre 26% e 50% do esforço de seus projetos de IA à preparação de dados. Embora essa preparação seja necessária, a oportunidade está em garantir que o trabalho realizado para uma implantação de IA possa ser reaproveitado para dar suporte à próxima.

A IA pode eliminar trabalho em uma área da empresa e, ao mesmo tempo, criar um conjunto diferente de tarefas para as equipes de TI, que precisam preparar dados e reconstruir o contexto a cada nova implantação. A oportunidade agora é tornar reutilizável uma parcela maior desse trabalho, para que cada implantação aproveite a anterior, em vez de começar do zero.

O contexto humano no centro da IA

As pessoas continuam no centro de todos os projetos-piloto e implantações de IA. As equipes de TI participam de todo o ciclo de vida das novas tecnologias, desde a compreensão das necessidades do negócio e a avaliação de soluções até a implementação, o treinamento, o desenvolvimento de processos e a segurança contínua. Com o tempo, as equipes podem deixar de documentar as exceções e regras não escritas que encontram, inclusive casos em que um mesmo termo tem definições diferentes entre sistemas. Esse contexto muitas vezes se transforma em conhecimento institucional mantido por integrantes individuais da equipe, em vez de ficar disponível como informação que toda a organização possa acessar de maneira confiável.

Esse trabalho pode prosseguir até que a pessoa que sabe a resposta não esteja disponível. Quando os funcionários mudam de função, deixam a organização ou simplesmente não estão disponíveis quando surge um problema, o contexto se perde. Registrar esse conhecimento em um formato estruturado e acessível digitalmente permite que ele fique disponível para além de qualquer pessoa. Isso também permite que cada equipe mantenha o domínio sobre sua própria expertise, garantindo que o conhecimento possa ser acessado e reutilizado em toda a organização, em vez de ser redescoberto a cada nova implantação.

Dados de qualidade nem sempre estão prontos para IA

É tentador descrever tudo isso como mais um problema de qualidade de dados, mas a pesquisa da Akeneo sugere algo mais complexo. 92% dos líderes de TI classificam como bons ou excelentes os dados de produtos e operacionais usados por seus sistemas de IA. Isso apesar de a grande maioria dedicar mais de um quarto do esforço total de um projeto de IA à preparação de dados.

Dados de qualidade não garantem que estejam prontos para IA, sobretudo porque o que é considerado “bom” pode depender de quem ou do que os consome. Modelos e agentes precisam de mais do que informações precisas. Eles precisam entender de onde vêm os dados, como se relacionam com outras informações, qual fonte tem prioridade e em que condições podem ser usados. É fácil deixar essas regras passar despercebidas, pois muitas vezes estão implícitas na maneira como equipes experientes já trabalham.

Uma pesquisa recente da McKinsey sobre a preparação de dados para IA aponta uma questão semelhante em relação ao contexto. Nem todas as informações serão valiosas para modelos ou agentes. Mas, quando uma informação é valiosa, seu contexto precisa poder ser transmitido. Quando as informações se afastam de sua fonte original, suas origens e relações com os dados ao redor precisam continuar claras para que seu significado não se perca.

É nesse ponto que a arquitetura por trás da IA começa a ser tão importante quanto o próprio modelo. Ao contrário dos softwares tradicionais, os LLMs muitas vezes conseguem trabalhar com dados fragmentados e sistemas desconectados, mesmo quando as informações estão estruturadas ou rotuladas de maneiras diferentes entre as fontes. Eles podem identificar relações que talvez não tenham sido definidas explicitamente antes. O desafio maior é a ausência total de dados. À medida que modelos e agentes trabalham entre sistemas, as informações e o contexto de que precisam devem existir e estar acessíveis desde o início.

A pesquisa da PwC de 2026 sobre a lacuna de execução da IA constatou que a integração continua sendo o principal motivo pelo qual os investimentos em tecnologia ficam aquém das expectativas. Conectar uma ampla rede de dados não estruturados leva tempo e, muitas vezes, atrasa os projetos antes que cheguem à implantação completa.

O trabalho necessário para resolver esses problemas em uma implementação pode facilitar a próxima.

Como tornar reutilizável a infraestrutura de IA

Em um projeto de IA, boa parte dessa preparação pode acontecer nos bastidores. As equipes de TI corrigem inconsistências, preparam as informações necessárias para uma aplicação e a integram a outros sistemas para colocar o projeto em produção.

O problema surge quando esse trabalho resolve apenas o caso de uso imediato. A preparação de dados sempre fará parte da implantação de IA, mas boa parte desse esforço deve ser aproveitada em projetos futuros. Se uma equipe descobrir que o mesmo campo ou termo tem significados diferentes em dois sistemas, resolver essa ambiguidade deve resultar em uma definição que aplicações futuras possam reutilizar. Se a equipe determinar em qual fonte confiar quando os sistemas divergirem, essa decisão deverá ser mantida nas implantações futuras.

O mesmo princípio se aplica às integrações. Em vez de criar um novo caminho para acessar produtos e informações para cada modelo ou agente, as organizações devem estabelecer formas consistentes de permitir que os sistemas de IA encontrem e usem informações confiáveis.

A primeira implementação ainda pode exigir muito trabalho, pois as equipes estão identificando definições, relações e exceções que antes faziam parte da experiência das pessoas. Esse trabalho pode ser aproveitado em iniciativas futuras, à medida que o conhecimento institucional se torna cada vez mais parte da infraestrutura da organização. As implementações seguintes podem se beneficiar desse trabalho, e o grau desse benefício depende de quanto há em comum entre os dados e os casos de uso envolvidos.

Isso é cada vez mais importante à medida que a IA deixa de apenas gerar respostas e passa a executar ações em sistemas empresariais. Iniciativa de padrões para agentes de IA do NIST destaca a importância de os agentes poderem interagir com segurança com dados internos e sistemas externos. À medida que assumem mais responsabilidades e interagem com mais sistemas e modelos, as organizações precisam garantir que o contexto e os controles adequados estejam definidos para cada caso de uso, sem precisar recomeçar do zero.

A governança precisa fazer parte do ambiente

Uma infraestrutura reutilizável também exige uma governança reutilizável. Pesquisa da EY sobre riscos e governança da IA, de setembro de 2026 constatou que 91% dos altos executivos de IA disseram que suas organizações estavam testando ou implementando IA agêntica, mas 49% dos entrevistados cujas organizações usam agentes afirmaram que as estruturas de governança existentes não haviam sido atualizadas especificamente para atender aos requisitos e riscos da IA agêntica.

À medida que a IA assume mais responsabilidades em um processo de negócios, as regras que o regem precisam passar a fazer parte do ambiente em que a IA opera. Um agente pode ter acesso independente a determinadas informações, enquanto outras etapas do processo podem exigir análise ou aprovação humana antes que ele possa prosseguir. Essas decisões não podem ficar restritas a um documento de políticas ou ao entendimento de alguém sobre como o processo deveria funcionar.

As decisões de governança precisam ir além das análises internas e abranger os sistemas em que a IA opera. As políticas, permissões e etapas de aprovação que orientam um sistema devem ser definidas como parte da própria implementação. Sem esses controles incorporados ao sistema, as equipes terão de reinterpretar políticas e permissões sempre que um novo caso de uso de IA for implementado.

Preparação para a próxima onda de IA

À medida que as empresas começam a investir seus orçamentos crescentes em IA em 2027, as equipes de TI serão responsáveis por um conjunto cada vez maior de modelos, integrações e sistemas. O maior desafio será saber se as organizações construirão uma infraestrutura capaz de dar suporte ao que vem pela frente.

Se as equipes ainda estiverem resolvendo as mesmas definições, reconstruindo as mesmas conexões e traduzindo as mesmas regras, a IA talvez esteja avançando mais rápido do que a infraestrutura necessária para lhe dar suporte.

Isso oferece uma maneira diferente de pensar a preparação para a IA. O progresso não deve ser medido apenas pelo número de modelos ou agentes que entram em produção, mas também por se cada implementação deixa a empresa mais bem preparada para a próxima.

A IA já está acelerando tarefas individuais. O próximo ganho de produtividade virá de facilitar o reaproveitamento do trabalho que sustenta esses sistemas. A IA está cada vez mais integrada aos processos de negócios, o que exige que mais sistemas dependam das mesmas bases de dados. Construir essa base agora determinará com que facilidade as organizações poderão aproveitar a próxima geração de IA.