Muitas empresas adiam a adoção de inteligência artificial com a mesma justificativa: primeiro é preciso organizar os dados. André de Barros Faria, CEO da Vert Analytics e especialista em IA e inteligência analítica, comenta que o projeto de organização começa amplo, tenta abranger todos os sistemas e se arrasta por meses, às vezes anos. Quando termina, a base está mais arrumada, mas ninguém sabe ao certo para que ela servirá.
Players do setor veem nessa ordem invertida uma das razões pelas quais tantas iniciativas não saem do papel. Preparar dados para IA não é uma faxina geral. É um trabalho dirigido, que só faz sentido quando se sabe qual pergunta os dados precisam responder.
Primeiro passo: escolher a decisão que a IA vai apoiar
Aprovar ou recusar uma solicitação, priorizar um atendimento, prever a demanda de um produto, identificar um documento com inconsistência. André de Barros Faria, nesse ínterim, frisa que cada uma dessas decisões exige dados diferentes, com níveis diferentes de precisão e de atualização.
A Gartner projetou que, até o fim de 2026, as organizações abandonarão 60% dos projetos de IA que não contarem com dados prontos para IA. O conceito usado pela consultoria ajuda a entender o problema: dado pronto não é dado perfeito, e sim dado adequado a um caso de uso específico. Sem a decisão definida, não existe critério para saber se a base está pronta ou não.
Segundo passo: mapear origem, dono e significado de cada dado
O setor comercial chama de cliente ativo quem comprou nos últimos doze meses. O financeiro considera ativo quem tem contrato vigente. O atendimento conta qualquer pessoa com cadastro aberto. Os três números estão corretos, e um modelo de IA alimentado por eles sem distinção produzirá respostas incoerentes.
Por isso, depois de definir a decisão, o passo seguinte é levantar apenas os dados que a alimentam e registrar, para cada um, de onde vem, com que frequência é atualizado, o que significa exatamente e quem responde por ele. Para André Faria, esse mapa de responsabilidades costuma valer mais do que qualquer ferramenta de tratamento, porque transforma problemas técnicos em perguntas que alguém da organização sabe responder.
Terceiro passo: testar pequeno e medir pelo efeito na decisão
Um campo com 10% de registros vazios pode ser irrelevante para uma decisão e fatal para outra. A qualidade dos dados, portanto, não se mede em abstrato. Ela se mede pelo quanto as falhas alteram o resultado que a IA vai entregar.
A forma mais segura de descobrir isso é testar o modelo com dados reais em um recorte limitado da operação, antes de qualquer expansão. O teste revela lacunas que nenhuma auditoria prévia encontraria, como informações que chegam tarde demais para serem úteis ou categorias que mudaram de definição ao longo do tempo.
O executivo, à frente de uma empresa que desenvolve tecnologia própria em agentes autônomos de IA e hiperautomação, destaca que essa etapa precisa continuar depois da implantação. Dados mudam, processos mudam, e o monitoramento contínuo é o que impede que um modelo bem treinado passe a decidir com base num retrato que já não corresponde à realidade.
Dado pronto é dado que alguém consegue explicar
Por fim, André de Barros Faria menciona que a obsessão por bases completas e impecáveis costuma esconder uma questão mais simples. Quem responde, dentro da organização, pelo significado de cada informação que sustenta uma decisão automatizada?
Quando essa resposta existe, imperfeições podem ser tratadas, corrigidas e documentadas ao longo do caminho. Quando não existe, nenhuma limpeza é suficiente, porque o problema não está nos dados, e sim na ausência de quem os compreenda. A decisão orientada a dados começa, no fundo, com pessoas capazes de dizer o que cada número significa e por que ele importa.
