Ter dados não é ter dados prontos para IA. A diferença é o que trava o projeto

O que quer dizer "dados prontos para inteligência artificial"?

Dados prontos para IA são dados que uma máquina consegue localizar, ler e conferir sem ajuda humana no meio do caminho. Isso exige quatro coisas simultâneas: uma fonte reconhecida como a verdadeira, um formato legível por programa, histórico suficiente para comparar períodos e alguém encarregado de corrigir o que estiver errado.

A frase que resume o problema veio de uma executiva da SAS numa apresentação em São Paulo, em setembro de 2026: "Há uma diferença entre ter dados e ter dados prontos para IA" (IT Forum, 10/09/2026). Segundo ela, muitas organizações investiram pesado em estrutura de armazenamento sem definir antes quais casos de uso seriam atendidos e de onde viria o retorno.

Guardar dado é barato e ficou mais barato ainda. Deixar dado utilizável continua custando o mesmo de sempre, porque o custo não é de disco: é de decisão. Alguém precisa dizer qual cadastro vale quando dois divergem.

Por que 95% das empresas adiaram ou cancelaram projetos de IA?

Porque o obstáculo aparece depois que o projeto começa, não antes. Na pesquisa da Cloudera publicada em 11 de agosto de 2026, 95% dos respondentes relataram ter adiado ou cancelado iniciativas de IA no último ano por questões de governança de dados, conformidade ou regulação, e 55% disseram que isso aconteceu com mais de seis projetos (Cloudera, 11/08/2026).

O release não hierarquiza causas, mas os outros achados compõem um quadro reconhecível: 72% dizem que a arquitetura de dados atual precisa de reforma significativa para atender ao que a IA exige, 73% afirmam que a IA tornou a governança de dados mais complexa e 84% registram aumento de custo de infraestrutura por causa das cargas de trabalho de IA (Cloudera, 11/08/2026).

Há um detalhe contraintuitivo nesse levantamento: 66% moveram cargas de IA da nuvem pública de volta para nuvem privada ou para servidores próprios (Cloudera, 11/08/2026). Não é nostalgia de servidor local. É consequência de custo e de exigência regulatória — quando o volume de processamento cresce e o dado é sensível, a conta e as regras mudam de lugar.

O que impede um dado de estar pronto?

O que trava quase sempre são cinco problemas específicos, e nenhum deles exige vocabulário técnico para ser identificado. Vale passar por eles olhando para a própria empresa.

1. O mesmo dado mora em vários lugares. O cadastro do cliente está no sistema de gestão, na planilha do comercial e na agenda do atendimento, com telefones diferentes. A IA não erra por burrice: ela lê a versão que encontrou primeiro.
2. Ninguém responde pelo dado. Quando o cadastro está errado, não existe uma pessoa encarregada de corrigir. Sem dono, o erro sobrevive a qualquer projeto.
3. O dado está preso em formato que a máquina não lê. Nota em PDF escaneado, contrato em imagem, informação que só existe dentro de uma conversa de WhatsApp. Dá para extrair, mas isso é um projeto à parte, com custo próprio.
4. Não há histórico. O sistema mostra a situação de hoje e sobrescreve a de ontem. Qualquer pergunta que comece com "e no ano passado" fica sem resposta.
5. Não existe controle de quem vê o quê. Sem isso, qualquer ferramenta de IA ligada à base enxerga folha de pagamento, margem e dado pessoal de cliente junto com o resto.

Repare que quatro dos cinco são problemas de organização, não de tecnologia. É por isso que trocar de ferramenta raramente resolve, e por que o orçamento estoura na etapa que parecia a mais simples.

Uma observação de quem faz esse levantamento em campo: o item que mais surpreende o cliente é o segundo. A conversa sobre dado costuma começar em ferramenta e terminar em pessoa — descobrir que ninguém é responsável por corrigir o cadastro é mais desconfortável do que descobrir que o sistema é antigo. Quando a empresa não quer nomear esse responsável, o projeto de IA vai falhar independentemente do que for contratado, e é melhor saber disso na primeira semana.

Ter dado organizado é a mesma coisa que estar pronto para IA?

Não. Uma empresa pode ter relatórios impecáveis e ainda assim não estar pronta, porque relatório é feito para pessoa ler e IA precisa de dado que ela mesma consiga cruzar. São exigências diferentes, e a segunda é mais rigorosa.

A diferença aparece num exemplo comum. O relatório mensal de vendas mostra o total por vendedor, bonito e correto. Para a IA responder "quais clientes compraram menos este trimestre do que no anterior e por quê", o total não serve: ela precisa da venda item a item, com data, cliente identificado do mesmo jeito nos dois períodos e o motivo do cancelamento registrado em campo, não escrito à mão na observação.

Daqui para baixo o texto entra na parte mais técnica: o que fazer primeiro, e o que a lei brasileira acrescenta a essa conta.

Por onde uma empresa média começa?

O caminho que funciona é estreito de propósito: escolha um processo, arrume o dado daquele processo e só dele, e meça. Não é projeto de governança corporativa, que numa empresa média nunca termina.

1. Escolha a pergunta antes do dado. Quais clientes estão em risco de parar de comprar é uma pergunta. Organizar os dados não é, e por isso não termina nunca.
2. Encontre a fonte única daquela pergunta. Se o dado está em três lugares, decida qual vale. Essa decisão é de gestão, não de tecnologia, e leva minutos quando alguém tem autoridade para tomá-la.
3. Nomeie o responsável pela correção. Uma pessoa, com nome. É o passo mais barato e o mais pulado.
4. Confira o histórico disponível. Se o sistema sobrescreve, descubra quanto tempo dá para recuperar antes de prometer análise de tendência a alguém.
5. Defina o indicador antes de começar. O country manager da IDC Brasil resumiu bem: "Desde o início, é fundamental definir quais indicadores permitirão mensurar os resultados efetivamente alcançados e o valor gerado" (IT Forum, 10/09/2026). Sem linha de base, não há como distinguir resultado de impressão.

No mesmo evento, a pesquisa da IDC apontou que 50% das empresas brasileiras consultadas já estão em estágio "integrado" de IA, com a tecnologia presente em grande parte dos processos, e que a expectativa média de retorno é de 100% sobre o investido (IT Forum, 10/09/2026). O levantamento registra, no entanto, que muitas dessas organizações ainda não têm indicadores claros para medir o que de fato foi obtido — a expectativa existe sem a régua que a confirmaria.

O que a LGPD acrescenta a essa conta?

A LGPD transforma parte da preparação de dados em obrigação legal, não em boa prática. Como a Lei nº 13.709/2018 responsabiliza a empresa pelo tratamento dos dados pessoais que ela controla, ligar uma ferramenta de IA a uma base que contém dado de cliente ou de funcionário é uma decisão que precisa de critério antes de ser tomada.

Duas consequências práticas, que valem para empresa de qualquer tamanho. A primeira é o controle de acesso: se a ferramenta enxerga a base inteira, ela enxerga também o que não deveria, e "ninguém vai perguntar" não é um controle. A segunda é a escolha do fornecedor: usar uma ferramenta gratuita para processar dado de cliente coloca esse dado num lugar que a empresa não contratou nem auditou, e a responsabilidade continua sendo dela.

Esse ponto é o inverso do que se costuma ouvir. A organização dos dados não atrasa o projeto de IA por burocracia — ela é o que permite ligar a IA sem transferir risco jurídico junto. A VT Sávio atua em conformidade com a LGPD e trata essa etapa como parte do escopo, não como anexo.

Quem quiser ver o outro lado da mesma moeda, o artigo sobre o retorno esperado com IA agêntica no Brasil mostra o que acontece com as expectativas de retorno quando essa base não existe.

O que esta pesquisa não diz

Três ressalvas precisam acompanhar todos os números acima.

A amostra é de empresas grandes. A pesquisa da Cloudera ouviu 1.500 profissionais em nove mercados, com porte mínimo de 1.000 funcionários na maioria dos países e 250 em três deles. Os percentuais descrevem corporações, não a empresa de 40 pessoas. O que se aproveita é o padrão de causa, que não depende de tamanho: fonte duplicada, dono ausente e formato ilegível aparecem igual numa distribuidora com três sistemas.

O estudo foi encomendado por quem vende a solução. A Cloudera comercializa plataforma de dados, e a pesquisa foi conduzida pela Wakefield Research a pedido dela. A conclusão de que a arquitetura de dados precisa ser reformada é, convenientemente, a conclusão que favorece a contratante. Isso não invalida a metodologia, que está declarada, mas define quais perguntas foram feitas.

São respostas autodeclaradas. Ninguém auditou as arquiteturas de dados dessas empresas. O que se mediu foi o que arquitetos e líderes de infraestrutura relataram sobre a própria organização, com o viés que isso carrega nos dois sentidos.

O achado que sobrevive às três ressalvas é simples e não depende de nenhum fornecedor: os projetos de IA que param, param antes do modelo. Verificar as cinco condições listadas acima custa uma tarde e evita descobrir o problema depois da assinatura do contrato.

---

Este artigo foi escrito a partir do release da pesquisa* The Great AI Re-Architecture*, da Cloudera, publicado em 11/08/2026 e conduzido pela Wakefield Research, e da cobertura do IT Forum sobre a pesquisa da IDC apresentada no SAS Innovate on Tour em São Paulo, em 10/09/2026.