Prontidão de dados: a resposta certa, mas inconveniente

Digital & IA2025-10-177 min de leituraAtlas Strategy Group

Pergunte a um fornecedor de IA se os dados da empresa estão prontos, e a resposta será um slide com a palavra “jornada”. Se perguntar com franqueza, a resposta geralmente será “ainda não” — e é essa resposta que distingue as empresas capazes de acumular resultados com IA daquelas cuja IA se limita a gerar demonstrações. A prontidão dos dados é o tema menos glamouroso da área e também o que melhor permite prever resultados: quase todo projeto de IA decepcionante tem origem não no modelo, mas nos dados usados para alimentá-lo.

O que significa, de fato, estar “pronto”

Fáceis de localizar: os dados existem e alguém consegue encontrá-los — em sistemas identificados, com responsáveis definidos, e não no notebook do gerente que deixou a empresa. A maioria das empresas de médio porte não passa nesse teste antes mesmo de discutir qualquer tecnologia.
Consistentes: a mesma coisa recebe o mesmo nome em todos os sistemas; o cliente tem uma única identidade; os status significam o que dizem. A empresa que tem quatro definições de “cliente ativo” ainda não tem dados: tem quatro hábitos disfarçados de banco de dados.
Completos o suficiente: não “grandes”, mas suficientes. Dez meses de histórico confiável do processo que será automatizado valem mais do que dez anos de ruído. O nível de prontidão é definido de acordo com o caso de uso; por isso, a auditoria vem depois da seleção, e não antes dela.
Com respaldo legal: há permissão para usar os dados com a finalidade pretendida — verificada antes do projeto, e não durante a revisão jurídica do lançamento.

Por que ninguém quer ouvir a resposta sincera

A auditoria sincera costuma ser mal recebida porque atrasa tudo: o orçamento já foi aprovado, a estratégia já foi anunciada, e então chega um documento informando que a base precisa de dois trimestres de preparação. O caminho mais cômodo — começar mesmo assim e corrigir os dados “no decorrer do trabalho” — é como dois trimestres acabam se transformando em dois anos de projeto, sem que ninguém perceba, com os custos de um projeto. As empresas bem-sucedidas tratam o “ainda não” como a primeira entrega do projeto: um trabalho de saneamento com escopo definido e prazo limitado, direcionado exatamente aos casos de uso selecionados — os casos prioritários da avaliação, não todo o histórico da empresa. O trabalho de preparação permite deixar todo o restante de lado.

A preparação dos dados é a única parte de uma estratégia de AI em que “deixamos para depois” invariavelmente custa mais do que resolver agora.

A abordagem pragmática

A auditoria pragmática é dimensionada de acordo com a ambição: para cada caso de uso em avaliação, os quatro critérios — se os dados são localizáveis, consistentes, suficientes e limpos — são avaliados em poucas semanas, e a entrega é uma lista de correções com os respectivos custos. Essa auditoria é a etapa inicial da avaliação de oportunidades, a parte menos visível da questão do P&L e a etapa inicial padrão da prática de IA — porque a escolha do modelo, do fornecedor e da arquitetura importa menos do que a decisão que fundamenta todas elas. “Ainda não” só é uma resposta ruim quando é ignorada.