Falta de integração entre sistemas, processos desorganizados e falhas de governança podem comprometer resultados e retorno financeiro das iniciativas de IA
A expansão da inteligência artificial nas empresas tem colocado em evidência um desafio que começa antes da escolha das ferramentas: a qualidade e a organização dos dados. Embora a tecnologia abra possibilidades para automatizar tarefas, antecipar cenários e apoiar decisões estratégicas, os resultados dependem da estrutura que sustenta sua aplicação.
Reportagem publicada pela Exame aborda os desafios enfrentados pelas organizações para preparar seus dados para projetos de inteligência artificial. Desta forma, a qualidade das informações, a integração entre sistemas e a governança são fatores que influenciam diretamente a eficiência das soluções e a capacidade de transformar tecnologia em resultados concretos.
Segundo a Gartner, 30% das provas de conceito (PoCs) com inteligência artificial devem falhar, enquanto 60% dos projetos de IA podem ser abandonados pelo mesmo motivo. Os dados reforçam a necessidade de uma estrutura sólida de sustentação, com informações confiáveis, bem organizadas e continuamente atualizadas, para reduzir riscos e garantir que os projetos alcancem resultados consistentes.
Para Beto Yunes, CTO da Globalsys, parte do problema está na forma como as empresas conduzem seus projetos. Em vez de começar pela escolha de uma ferramenta, ele defende que as organizações avaliem primeiro seus processos, a consistência das informações e a integração entre os sistemas utilizados no dia a dia.
“Muitas começam pela ferramenta, quando deveriam começar pela base. A IA não corrige um processo mal desenhado nem resolve inconsistências nos dados. Pelo contrário, ela acelera e escala o que já existe, inclusive os problemas”, afirma.
O executivo também chama a atenção para os riscos de investir em inteligência artificial sem avaliar a maturidade da operação. De acordo com ele, o planejamento deve começar pelo entendimento de como as atividades são realizadas e pela identificação das informações necessárias para cada iniciativa.
“Sempre digo que, se você consegue descrever o processo em uma folha, entregá-la a um estagiário e ele entende, o processo está pronto para receber IA. Caso contrário, a tecnologia só vai acelerar a confusão”, explica.
Após essa etapa, é necessário verificar se os dados estão completos, atualizados e livres de duplicidades, além de definir quem responde por cada base de informação. Na avaliação de Iunes, esse diagnóstico permite dimensionar o que a empresa está preparada para implementar e reduz o risco de projetos que não entregam os resultados esperados.
Integração transforma informação em decisão
Outro ponto determinante é a comunicação entre sistemas como ERP, plataformas de relacionamento com clientes e canais de atendimento. Quando essas ferramentas operam de maneira isolada, uma mesma informação pode aparecer com valores diferentes, dificultando a visão do negócio e a tomada de decisões.
“É a integração que transforma dados em decisões. Hoje é comum encontrar a mesma informação em versões diferentes no ERP, no CRM e nos canais de atendimento, sem que nenhuma delas seja a referência oficial. Quando os sistemas se comunicam, a empresa passa a ter uma única fonte de verdade e enxerga a operação de ponta a ponta”, destaca o CTO.
Um exemplo está na gestão de estoques. Se o armazém tem 80 unidades de um produto, mas o sistema registra 100, as vendas podem continuar sendo realizadas com base em uma quantidade que não está disponível. O resultado pode ser atraso nas entregas, insatisfação dos clientes e perda de credibilidade.
Com os sistemas integrados, as movimentações de estoque podem atualizar os registros automaticamente, enquanto os pedidos são encaminhados para separação e transporte. O atendimento também passa a acompanhar as etapas da entrega, ampliando a visibilidade sobre a operação.
O executivo ressalta, porém, que a integração precisa estar acompanhada de uma política consistente de qualidade dos dados. Caso contrário, as inconsistências podem ser replicadas entre as plataformas, comprometendo também as análises feitas pela inteligência artificial.
Governança é parte da estratégia
A preparação para a IA envolve ainda regras claras de acesso, definição de responsabilidades e acompanhamento contínuo dos resultados. Sem esses cuidados, as empresas podem expor informações sensíveis, permitir alterações indevidas por agentes autônomos e perder a capacidade de verificar se os investimentos estão gerando benefícios concretos.
Iunes identifica três falhas recorrentes: a ausência de clareza sobre quem pode acessar e utilizar os dados, a falta de limites para sistemas autônomos e a inexistência de monitoramento depois que uma solução entra em operação.
“Sem responsáveis, indicadores e uma rotina de revisão, o ROI vira uma promessa que ninguém consegue comprovar”, alerta.
A atenção à governança também é importante para reduzir riscos relacionados à Lei Geral de Proteção de Dados (LGPD), especialmente quando informações de clientes são utilizadas em ferramentas de inteligência artificial sem critérios adequados de acesso e proteção.
Para o CTO da GlobalCIS, o caminho é começar com projetos menores, estabelecer indicadores de desempenho e avaliar os resultados antes de ampliar a aplicação da tecnologia. A estratégia permite identificar ajustes necessários e direcionar recursos para iniciativas que demonstrem valor para o negócio.
“A tecnologia precisa ser vista como meio, não como fim. O caminho é começar com experimentos menores, que permitam medir resultados, ajustar e escalar o que funciona”, conclui.
