Sua empresa está pronta para IA? O problema pode não estar no modelo, mas nos dados

Há uma cena se repetindo em muitas empresas. O conselho aprova orçamento para IA, a companhia contrata modelos de última geração, cria alguns copilotos e, semanas depois, alguém descobre que a resposta para uma pergunta simples depende de três sistemas, duas planilhas, quatro PDFs, um grupo de WhatsApp e da memória de uma pessoa chamada Marcelo que está de férias. O modelo não é exatamente o problema. Ele só teve o azar de conhecer a organização por dentro. A McKinsey aponta que apenas 7% das empresas haviam escalado IA plenamente em toda a organização em 2026, e que mais de dois terços das empresas de alta performance citam dados como o principal obstáculo para habilitar IA em escala. A ironia é quase elegante: compramos inteligência artificial antes de organizar a inteligência institucional.

O conceito de AI-Ready Data nasce justamente dessa diferença entre “ter dados” e “ter dados que uma IA consegue usar de forma confiável”. Durante anos, empresas organizaram informação para relatórios, dashboards e consultas humanas. Isso não é a mesma coisa que preparar informação para sistemas que precisam buscar evidências, interpretar contexto, combinar fontes e eventualmente executar ações. A KPMG resume o problema em cinco lacunas: fragmentação, baixa confiança, falta de contexto, governança que não acompanha a velocidade da IA e ausência de um modelo operacional claro para cuidar dessa nova camada de dados. Imagine um agente comercial tentando decidir se deve oferecer desconto a um cliente. No CRM, o cliente aparece como “ativo”. No ERP, está com pagamento vencido. Em uma planilha do financeiro, existe uma renegociação em andamento. Em uma conversa no WhatsApp, o diretor comercial autorizou uma exceção. A IA encontrou dados. O que ela não encontrou foi uma versão coerente da realidade.

Fragmentação, portanto, não é apenas um problema de integração técnica. É um problema de visão parcial. Uma IA conectada somente ao CRM pode concluir que determinado cliente é excelente. Conectada apenas ao ERP, pode considerá lo inadimplente. Conectada às duas fontes, ainda pode errar se ninguém explicou qual sistema prevalece, o que significa “cliente ativo” ou quais exceções são válidas. Esse é o ponto em que muitas empresas descobrem que contexto é dado também. A KPMG enfatiza que sistemas de IA precisam de significado semântico, relações, regras de negócio e lógica de exceção, não apenas acesso a campos e documentos. O LLM mais sofisticado do mercado não adivinha que “receita líquida” significa uma coisa para finanças, outra para vendas e uma terceira para a planilha que alguém criou em 2021 e que, por razões históricas nunca totalmente esclarecidas, virou fonte oficial.

O problema fica ainda mais interessante com dados não estruturados. Contratos, e-mails, apresentações, atas, manuais, tickets de atendimento, transcrições de chamadas e políticas internas carregam uma enorme parte do conhecimento real da empresa. A McKinsey observa que um único PDF pode virar texto extraído, tabelas, imagens, resumos, metadados, tags de sensibilidade e outros artefatos usados por aplicações de IA. Isso significa que tornar um documento pesquisável não basta. Considere uma política comercial revisada em janeiro e uma versão antiga ainda armazenada no SharePoint. Um sistema de RAG pode recuperar perfeitamente o parágrafo errado do documento errado e entregá lo com a segurança vocal de quem acabou de consultar o oráculo. Busca funcionou. Governança falhou. Para IA, uma resposta precisa não depende apenas de encontrar informação, mas de saber qual versão é válida, quem pode vê la, como ela se relaciona com outros dados e até quando continua correta.

Confiança também muda de significado quando a IA deixa de responder e começa a agir. Em analytics tradicional, um executivo pode olhar um número estranho e pedir para o analista conferir. Em Agentic AI, um sistema pode usar esse mesmo número para aprovar crédito, priorizar estoque, alterar uma previsão ou iniciar uma compra antes de alguém terminar o café. Por isso, a qualidade dos dados não é uma obsessão de engenharia, mas um limite para autonomia. No Global AI Pulse do primeiro trimestre de 2026, com mais de 2.100 líderes, a KPMG encontrou data quality entre as principais barreiras para escalar IA, citada por 34% dos respondentes, enquanto 42% apontaram privacidade de dados e 42% cibersegurança. Para os 12 meses seguintes, 36% indicaram qualidade dos dados como desafio esperado. Um agente só pode ser tão autônomo quanto a empresa está disposta a confiar nos dados que alimentam suas decisões. Se toda ação precisa ser revisada manualmente porque ninguém acredita na base, talvez você não tenha criado um agente. Criou um estagiário digital sob supervisão intensiva.

Isso não significa que a empresa precise iniciar um épico projeto de “limpar todos os dados” antes de fazer IA. Essa é uma ótima maneira de passar três anos modernizando arquitetura e chegar ao fim com um belo catálogo de dados e nenhum caso de negócio. A McKinsey defende uma abordagem mais pragmática: definir o que é “bom o suficiente” para cada caso de uso, considerando necessidade de negócio e risco. Se o objetivo é criar um assistente interno para localizar políticas de férias, o padrão de qualidade e controle é um. Se o objetivo é permitir que um agente bloqueie uma transação suspeita ou aprove um pagamento, o nível de precisão, rastreabilidade, atualização e governança precisa ser outro. A pergunta correta não é “nossos dados estão prontos para IA?”. É “nossos dados estão prontos para esta IA, neste processo, com este nível de autonomia e este risco?”.

Na prática, preparar dados para IA significa construir algumas capacidades menos glamourosas e muito mais valiosas do que trocar de modelo a cada lançamento. A informação precisa ser encontrável entre sistemas estruturados e conteúdo não estruturado. Precisa carregar contexto suficiente para que conceitos, relações e regras sejam interpretados de forma consistente. Precisa ter lineage, permissões e políticas que continuem valendo no momento da recuperação e da geração, não apenas no arquivo original. E precisa ser reutilizável, para que cada novo projeto não construa sua própria mini infraestrutura de extração, embeddings, busca e controle. A McKinsey cita um caso de serviços financeiros que criou pipelines reutilizáveis para documentos, imagens e áudio e estimou de US$ 10 milhões a US$ 20 milhões em custos evitados à medida que novos casos de uso fossem adicionados. A parte mais estratégica desse exemplo não é o valor. É a lógica: infraestrutura de dados deixa de ser custo específico de um piloto e vira capacidade compartilhada.

Há também uma consequência organizacional que costuma aparecer tarde demais. AI-Ready Data não pertence apenas à TI, porque boa parte do contexto necessário não está na tecnologia. Quem sabe o que significa “cliente estratégico”? Quem decide qual política prevalece quando há conflito? Quem é dono da definição de margem? Quem determina que uma exceção comercial continua válida? Essas respostas moram em negócios, finanças, jurídico, operações e pessoas. A KPMG argumenta que o novo padrão exige ownership para semântica, ontologias, lógica de decisão, controles em runtime e produtos de dados preparados para IA. Em outras palavras, a empresa precisa transformar conhecimento implícito em contexto utilizável por máquinas. Isso é estratégia, desenho de processo e arquitetura ao mesmo tempo. Talvez por isso seja tão tentador comprar mais uma ferramenta. Ferramentas raramente convocam reuniões difíceis sobre quem é dono da verdade.

No fim, a discussão sobre dados para IA é menos sobre tecnologia do que parece. É sobre a capacidade da organização de explicar a si mesma como funciona. Uma empresa com dados fragmentados, conceitos contraditórios, políticas desatualizadas e conhecimento preso em conversas privadas não tem apenas um problema para treinar ou conectar modelos. Tem um problema de legibilidade operacional. A IA apenas torna isso impossível de ignorar, porque transforma inconsistências que antes eram compensadas silenciosamente por pessoas experientes em erros que podem se propagar em escala e velocidade. Antes de perguntar qual LLM deveria substituir o atual, talvez valha fazer uma pergunta menos excitante e muito mais útil: se uma inteligência recém chegada precisasse entender seu negócio hoje, ela encontraria uma organização coerente ou uma caça ao tesouro corporativa? Modelos melhores ajudam. Dados preparados, contextualizados e governados decidem se essa inteligência consegue realmente trabalhar.