Falhas em dados bloqueiam 70% dos projetos de IA no Brasil hoje

Inteligência Artificial

Desorganização e falta de manutenção em dados atrasam avanços em projetos de IA no país.

Leia também: FMI revela: IA ameaça 60% dos empregos em países ricos até 2030

Projetos de inteligência artificial aplicada seguem presos à fase de demonstração em muitas empresas brasileiras porque esbarram em bases de dados desorganizadas, fluxos de trabalho mal descritos e ausência de responsáveis claros pela manutenção dos sistemas após a entrega, apontam Jean Pierre Lessa e Santos Ferreira, CTO. O resultado é um acúmulo de pilotos elogiados em apresentações internas, mas com pouco impacto concreto no dia a dia de áreas como finanças, logística, varejo e manufatura.

O que trava o avanço da inteligência artificial aplicada segundo Jean Pierre Lessa e Santos Ferreira?

Para Jean Pierre Lessa e Santos Ferreira, o divisor de águas entre projetos que viram rotina e aqueles que morrem na prova de conceito não é o algoritmo. “A diferença raramente está no modelo escolhido. Ela aparece na qualidade das bases disponíveis, na clareza dos fluxos que serão alterados e na capacidade da equipe de sustentar o funcionamento depois da entrega”, afirmam.

Na prática, muitos pilotos são testados em ambientes controlados, com volume reduzido de requisições e dados tratados à mão. Quando o mesmo sistema vai para produção, precisa lidar com sistemas legados, integrações instáveis e picos de uso. O que parecia um problema estatístico do modelo se revela, na verdade, um gargalo de infraestrutura ou de processo.

Os especialistas classificam os obstáculos em três grupos: falhas de dado, falhas de integração e falhas de processo. Tratar tudo como defeito do modelo leva as empresas a trocar de fornecedor, de tecnologia ou de plataforma, sem atacar a raiz do problema — o que explica por que tantos projetos somam esforço e orçamento, mas entregam ganhos discretos.

Entenda o contexto

A inteligência artificial aplicada se espalha pelas empresas brasileiras em projetos de atendimento automatizado, recomendação de produtos, previsão de demanda, detecção de fraude e otimização de rotas, entre outros. Quase sempre, os primeiros testes funcionam bem, mas a transição para uso em larga escala expõe uma fragilidade comum: a companhia não conhece a fundo seus próprios dados nem consegue garantir estabilidade nas integrações entre sistemas.

Esse descompasso já aparece nos orçamentos das áreas técnicas, que acumulam pilotos bem avaliados em apresentações para a diretoria, enquanto as áreas de negócio continuam operando quase da mesma forma de antes.

Dados ruins, respostas erradas

O ponto de partida, defendem Jean Pierre Lessa e Santos Ferreira, é tratar o dado como pré-requisito, não como detalhe. “Antes de qualquer treinamento, importa saber de onde vem cada registro, com que frequência ele é atualizado e quem responde por sua correção”, dizem.

Bases duplicadas, campos preenchidos de maneira inconsistente e históricos incompletos produzem respostas que parecem plausíveis, mas estão erradas. Como as áreas de negócio tendem a confiar no sistema, erros desse tipo podem orientar decisões de crédito, formação de preço, compras ou roteirização sem que ninguém perceba de imediato.

Organizar essas bases consome tempo e orçamento, e justamente por isso precisa entrar formalmente no escopo do projeto, com prazos, entregas e responsáveis. Quando o trabalho de governança de dados fica separado, sem dono definido, ele se arrasta. Ao incorporar essa etapa ao projeto de IA, as áreas de negócio passam a enxergar o custo real da iniciativa e ajustam suas expectativas de retorno.

Integrações frágeis e processos nebulosos

Outro ponto crítico são as integrações entre sistemas. Em ambiente de testes, a IA muitas vezes recebe arquivos limpos, estáveis, gerados sob medida. Em produção, o fluxo depende de APIs instáveis, filas congestionadas ou sistemas legados que não foram pensados para trabalhar em tempo real. Qualquer oscilação nessa cadeia derruba a performance.

Além disso, muitos processos que a IA pretende automatizar não estão claramente documentados. Quando o fluxo real diverge do que a equipe técnica imaginou, o modelo passa a responder bem a um cenário teórico que quase não acontece na prática. A cada exceção não prevista, a área de negócio precisa intervir manualmente, o que corrói a confiança na automação.

Quem cuida do sistema depois da entrega?

Mesmo quando a implantação inicial funciona, o risco aparece no dia seguinte. “A entrega de um modelo não encerra o projeto, apenas muda sua natureza”, afirma a dupla. O volume de uso se altera, o perfil dos dados muda, fornecedores atualizam versões de componentes e, aos poucos, a qualidade das respostas se degrada.

Sem monitoramento estruturado, a queda de desempenho só é percebida quando alguém reclama que “o sistema parou de funcionar”. Nesse momento, rastrear o que mudou — se foi o dado, uma integração ou a própria configuração do modelo — costuma custar mais do que teria custado acompanhar desde o início.

Para reduzir esse desgaste, os especialistas defendem a definição antecipada de limites de operação. “A definição de limites operacionais evita boa parte desse desgaste”, dizem. Isso inclui parametrizar critérios de aceitação, estabelecer faixas de custo por requisição e desenhar gatilhos de revisão — por exemplo, se a taxa de erro passar de um determinado ponto ou se o custo de infra subir além do esperado.

Ambientes considerados maduros registram em detalhe o uso dos sistemas, fazem amostragem periódica das respostas para verificar qualidade e atribuem um responsável nomeado para cada fluxo automatizado. Sem essa figura clara, problemas ficam “sem dono” e se arrastam por semanas.

Quais soluções são propostas para superar as limitações da inteligência artificial aplicada?

As recomendações de Jean Pierre Lessa e Santos Ferreira partem de uma mudança de foco: menos obsessão pela escolha do modelo e mais atenção à combinação entre dados, processos e equipe. No curto prazo, a principal medida é incorporar ao escopo dos projetos de IA a organização das bases de dados e a revisão dos fluxos de negócio que serão alterados.

Isso significa mapear a origem de cada informação utilizada, definir responsáveis pela correção de erros, consolidar bases duplicadas e eliminar campos inconsistentes. Ao mesmo tempo, é preciso redesenhar os processos que a IA vai automatizar, definindo o que acontece em cada etapa, quais exceções são aceitáveis e onde o humano ainda precisa intervir.

No campo operacional, a orientação é estabelecer critérios de aceitação antes da virada de chave: taxas mínimas de acerto, limites de custo por requisição, janelas de disponibilidade e indicadores que disparem investigações ou pausas. Esses parâmetros transformam a degradação de performance em alerta controlado, não em incidente surpresa.

Outra frente é a formação de equipes multidisciplinares. Para lidar com o cenário atual, já marcado pela introdução de agentes autônomos que executam sequências de ações e conversam com vários sistemas sem intervenção humana, não basta um especialista em modelo ou em infraestrutura isoladamente. A combinação de engenharia de software, domínio de infraestrutura e entendimento profundo dos processos de negócio passa a ser decisiva.

“A formação interna dessas pessoas tende a ser mais lenta e mais determinante que a escolha de qualquer plataforma”, avaliam Jean Pierre Lessa e Santos Ferreira. Isso coloca o tema no centro da agenda de recursos humanos e desenvolvimento organizacional.

Setores mais pressionados e impacto no mercado

Os setores mais pressionados pelas travas em IA são justamente aqueles que dependem de dados estruturados e processos integrados de ponta a ponta. Em finanças, inconsistências de cadastro ou falhas em integrações com bureaus de crédito podem gerar decisões equivocadas de concessão ou cobrança. Em logística e manufatura, erros em históricos de demanda, prazos de entrega ou níveis de estoque levam a previsões falhas e rotas ineficientes.

No varejo, bases de clientes duplicadas e registros incompletos prejudicam sistemas de recomendação, segmentação e precificação dinâmica. Nesses ambientes, uma pequena distorção nas respostas de IA pode escalar rapidamente, porque o volume de transações é alto e a confiança nas automações tende a ser grande.

Quem se antecipa, investindo em governança de dados, monitoramento e equipes multidisciplinares, tende a ganhar sistemas mais estáveis, respostas mais precisas e redução de custos operacionais — ainda que isso exija, no início, reconhecer e bancar um esforço que muitas vezes fica invisível nas planilhas de orçamento.

Agentes autônomos ampliam ganhos e riscos

Em algumas organizações brasileiras, a etapa seguinte já começou: a adoção de agentes autônomos, sistemas capazes de tomar decisões em sequência, consultar diferentes bases internas e acionar múltiplos sistemas sem supervisão a cada passo. A promessa é de saltos de produtividade e redução de tarefas repetitivas.

Ao mesmo tempo, a superfície de erro cresce. Uma decisão equivocada de um agente pode se propagar rapidamente por vários processos — afetar pedidos, estoques, faturamento — antes que alguém note o problema. Isso torna ainda mais crítico o desenho de limites operacionais, trilhas de auditoria e responsabilidades claras.

Com esse movimento, a demanda por consultorias e programas de treinamento em inteligência artificial aplicada tende a crescer, agora com foco menos em demonstrações tecnológicas e mais em governança de dados, desenho de processos e formação de times híbridos. O futuro próximo promete separar, com mais clareza, empresas que assumem esse investimento e elevam sua maturidade em IA daquelas que continuam acumulando pilotos brilhantes no slide, mas pouco transformadores na prática.