A IA corporativa não está quebrada; seus dados é que estão

Uma amiga que lidera engenharia de dados em uma empresa de logística de médio porte me mostrou algo certa vez que me fez rir — e depois me deixou um pouco triste. Sua equipe passou quatro meses construindo um chatbot que deveria responder perguntas simples como "quantas remessas estão atrasadas no armazém de Chennai agora".

O bot funcionou perfeitamente na demonstração. Então alguém fez uma pergunta real, e ele respondeu com confiança um número que estava errado por quase um fator de dez. Não porque o modelo fosse ruim. Mas porque três sistemas diferentes na empresa chamavam o mesmo armazém por três nomes diferentes, e ninguém jamais havia se preocupado em reconciliá-los.

Essa é a história toda, na prática. Todo mundo queria culpar a IA. Ninguém queria culpar a planilha.

Tenho observado esse padrão se repetir em vários setores há algum tempo e não acredito mais que seja coincidência. A adoção de IA corporativa avançou rapidamente. Toda empresa quer um assistente, um chatbot, um agente que "simplesmente resolva". Mas quanto mais converso com pessoas que realmente constroem esses sistemas, mais percebo uma verdade silenciosa e desconfortável.

A maioria das empresas não está falhando em IA. Está falhando naquilo que a IA deveria expor com delicadeza — e que acabou expondo de forma brutal: seus dados nunca estiveram em boas condições para começar.

Por anos, isso não importou muito. Os dados ficavam em data warehouses e dashboards, e as pessoas faziam silenciosamente o trabalho de interpretá-los. Uma analista sabia que "Chennai_WH", "Chennai Warehouse 1" e "CHN-01" eram o mesmo lugar. Ela já tinha visto aquela bagunça antes. Ela se adaptava sem nem precisar pensar. A IA não tem esse instinto. Ela pega o que recebe e opera com isso — e quando o que recebe é inconsistente, mal rotulado, duplicado ou simplesmente desatualizado, a saída parece confiante e errada ao mesmo tempo. Essa combinação — confiança mais erro — é o que faz as pessoas dizerem que "a IA alucina", quando na verdade ela está apenas refletindo a bagunça que lhe foi entregue.

Vale a pena refletir sobre isso por um momento, porque deveria mudar a forma como você interpreta cada manchete sobre "projeto de IA fracassado". Quando um projeto-piloto trava, a narrativa fácil é que o modelo não era bom o suficiente, ou o fornecedor prometeu demais, ou o caso de uso era ambicioso demais. Às vezes isso é verdade.

Mas cada vez mais, quando você analisa esses post-mortems a fundo, o problema real é muito menos glamoroso. Registros duplicados de clientes. Taxonomias de produtos inconsistentes. Campos que significam uma coisa no CRM e algo ligeiramente diferente no ERP. Nada disso é novidade. Está lá há uma década, tolerado em silêncio porque as pessoas eram o filtro entre dados ruins e decisões ruins.

O que a IA faz é remover esse filtro.

Aqui está a parte que acho genuinamente interessante. Isso não é um problema tecnológico. É um problema de incentivos — e é assim há muito tempo. Limpeza de dados nunca foi um projeto pelo qual alguém seja promovido. É lento, sem glamour e invisível quando bem feito. Ninguém escreve um estudo de caso intitulado "Passamos seis meses padronizando nossos campos de endereço." Enquanto isso, lançar um projeto-piloto de IA chamativo rende pontos na avaliação trimestral. Então as empresas passaram anos investindo pouco na infraestrutura básica e demais nas soluções superficiais. A IA não criou esse desequilíbrio. Ela apenas fez os canos vazarem na frente de todo mundo.

Há uma segunda coisa que as pessoas entendem mal — e essa é, na verdade, a mais importante. Muitos líderes assumem que "nossos dados estão bagunçados" é um estado temporário, algo que se corrige uma vez e se supera, como uma reforma. Não é.

Os dados se deterioram constantemente. Clientes mudam de endereço. Produtos são renomeados. Equipes se fundem e rebatizam seus sistemas. Os organogramas mudam. Um conjunto de dados que estava limpo dezoito meses atrás não está limpo hoje — e fingir o contrário é como você acaba com um sistema de IA que era preciso no lançamento e ficou silenciosamente errado no segundo trimestre.

As empresas que estão realmente obtendo valor com IA corporativa agora não são as que têm os melhores modelos. São as que tratam a qualidade dos dados como uma disciplina contínua, e não como uma caixa a marcar antes da implantação.

Quero ser justo aqui, porque há um debate real no setor que merece reconhecimento. Alguns tecnólogos argumentam que a qualidade dos dados é exatamente o motivo pelo qual a nova geração de ferramentas de IA importa — que os sistemas de recuperação e os processos de IA foram projetados especificamente para lidar com dados corporativos bagunçados e não estruturados, em vez de exigir que estejam perfeitamente organizados. Há verdade real nessa argumentação. As abordagens de recuperação aumentada (RAG) tornaram possível apontar um modelo para seus documentos internos reais do mundo real, em vez de exigir uma estrutura de banco de dados impecável. Isso é progresso, e vale registrar.

Mas não é a resposta completa — e aqui está o motivo. A recuperação pode ajudar um modelo a encontrar o documento certo. Ela não pode dizer ao modelo qual dos seus três documentos conflitantes está realmente correto. Se o seu sistema de gestão de contratos diz que os prazos de pagamento de um cliente são de 30 dias, e a planilha da equipe financeira diz 45 dias, nenhum sistema de recuperação por mais sofisticado que seja resolve isso. O modelo simplesmente vai recuperar a contradição mais rápido e apresentá-la com mais confiança. Uma infraestrutura melhor ajuda você a acessar a bagunça com mais eficiência. Ela não limpa a bagunça.

É aqui que grande parte da conversa sobre IA vai ligeiramente na direção errada. Há uma suposição implícita, quase nunca dita em voz alta, de que a qualidade dos dados é um problema resolvido e que o trabalho interessante agora acontece na camada do modelo. Eu diria o oposto.

A camada do modelo está amadurecendo mais rápido do que a disciplina interna de dados da maioria das empresas. Construímos motores cada vez mais capazes e os parafusamos em fundações que nunca foram projetadas para suportar essa carga.

O que me fascina é como isso se manifesta no nível humano dentro das organizações. Já conversei com equipes em que os engenheiros de dados sabem exatamente o que está errado — sabem há anos — e simplesmente nunca tiveram orçamento nem autoridade para corrigir.

Então uma iniciativa de IA recebe financiamento da alta liderança, as expectativas sobem, e de repente os mesmos engenheiros de dados são solicitados a fazer problemas antigos desaparecerem em uma única sprint. É uma posição injusta em que colocar as pessoas. E isso explica algo que tenho notado em muitas revisões pós-lançamento. As pessoas mais próximas dos dados raramente se surpreendem quando as coisas dão errado. Elas já previam. Ninguém as consultou antes de o prazo ser definido.

Há também um ponto mais silencioso e desconfortável enterrado em tudo isso. Corrigir a qualidade dos dados adequadamente significa que alguém precisa ser o responsável por ela — de ponta a ponta, entre departamentos que historicamente zelaram pelos próprios sistemas com ciúme. A área comercial não quer que a TI dite como nomear seus campos. O financeiro não quer reconciliar suas definições com as operações. Qualidade de dados, feita corretamente, exige humildade organizacional. Exige admitir que a versão da verdade do seu departamento pode não ser a correta. Isso é mais difícil do que comprar uma nova ferramenta de IA — e suspeito que seja parte do motivo pelo qual tantas empresas continuam recorrendo à ferramenta em vez de enfrentar o problema de frente.

Se há uma única ideia com a qual quero que as pessoas saiam daqui, é esta: a IA corporativa não é uma solução para problemas de qualidade de dados; ela é um amplificador de qualidade de dados.

Ela pega qualquer disciplina — ou a ausência dela — que já existe em uma organização e torna as consequências visíveis mais rápido e de forma mais pública do que nunca. Uma empresa com governança de dados sólida vai parecer genuinamente impressionante com a IA. Uma empresa com governança frágil vai parecer — muitas vezes pela primeira vez — tão desorganizada quanto realmente é. A tecnologia não está criando problemas novos. Ela está finalmente enviando as cobranças pelos antigos.

Continuo pensando no problema de nomenclatura de armazéns da minha amiga. No fim, a solução não foi um modelo melhor ou um prompt mais inteligente. Foram três equipes sentadas em uma sala, concordando com um único nome para um único armazém, e atualizando em todos os lugares. Sem glamour, lento e necessário. A IA funcionou bem depois disso. Sempre teria funcionado.

Então talvez a pergunta real que vale a pena fazer não seja "nossa IA é boa o suficiente". É se algum dia respeitamos verdadeiramente nossos próprios dados o suficiente para merecer uma boa resposta de qualquer coisa que pedimos a eles.

Artigo traduzido. Conteúdo original escrito por Nandini Malhotra.

Nota: encontre a revenda da ManageEngine certa. Entre em contato com a nossa equipe de canais pelo e-mail latam-sales@manageengine.com.

Importante: a ManageEngine não trabalha com distribuidores no Brasil.