As empresas brasileiras levaram pouco tempo para colocar a inteligência artificial no atendimento, no marketing e na análise de contratos. Arrumar os dados que alimentam essas ferramentas está levando bem mais.
Com os projetos saindo da fase de teste, muitas descobrem que pularam uma etapa: as informações continuam espalhadas por sistemas que não conversam entre si, desatualizadas e, muitas vezes, sem dono.
“A adoção da IA avançou muito rápido, mas a organização dos dados e os mecanismos de governança não acompanharam o mesmo ritmo”, afirma Adriano Mota, líder de equipe e arquiteto de soluções da WSO2. Segundo ele, as empresas agora correm atrás de uma estrutura que deveria ter acompanhado a tecnologia desde o início, e percebem que a qualidade dos dados virou o principal gargalo dos projetos.
O problema é que, com a IA, um dado errado deixa de estragar só um relatório e passa a alimentar respostas e decisões em escala. “Sem dado não existe inteligência, e com dado ruim existe uma desinteligência”, resume Marlon Menezes, Field CTO e especialista em IA para a América Latina da Nutanix.
Para Marcelo Toledo, diretor e consultor de indústria para varejo e bens de consumo na América Latina da Salesforce, a velha máxima de que lixo que entra é lixo que sai nunca foi tão atual. Antes, explica, os sistemas eram determinísticos e devolviam uma resposta exata para a pergunta feita. A IA faz recomendações, e a qualidade delas depende do que ela recebeu. “A recomendação no final vai ser ruim, imprecisa, alucinada, falando do teu concorrente”, diz.
Correr atrás do concorrente
Para Menezes, muitas empresas trocaram a bússola pela corrida: em vez de seguir um plano, reagem ao que o concorrente faz. “Eu sou um banco, vi que o banco do lado lançou um assistente pessoal, eu tenho que lançar também. E aí, na guerra da competição, seguir regras nem sempre é o caminho seguido. A velocidade sem o controle é um perigo.”
Na avaliação dele, o mercado viveu primeiro a fase da experimentação, com muitos pilotos, e agora chega à da produção, quando o controle passa a pesar. O setor público saiu na frente nesse amadurecimento. Por questões de soberania dos dados, muitos órgãos tiveram de construir os próprios sistemas e aprenderam mais rápido. As empresas privadas preferiram testar ferramentas prontas na nuvem e só depois perceberam que, em escala, o custo é alto. Hoje, os dois lados começam a ter o mesmo nível de discussão.
Já Toledo vê empresas em estágios muito diferentes. Há as que experimentam tudo, as que consideram falta grave usar uma IA de consumo com dados da empresa e as que ainda nem definiram quais plataformas vão adotar. Em tecnologia, porém, o Brasil não está atrás. Segundo o executivo da Salesforce, a defasagem de cinco a seis meses em relação aos Estados Unidos, que existia há cerca de um ano, praticamente desapareceu.
O preço da pressa
A conta aparece de várias formas. A mais comum é a resposta incompleta que parece certa. Cada área tem o seu sistema e a sua versão do cliente, e a IA só enxerga o que recebe. “O financeiro tem um histórico do cliente, o atendimento registra outras informações e a logística trabalha com dados diferentes. Uma pessoa consegue cruzar essas informações e entender o cenário completo, mas a IA depende dos dados e das conexões disponibilizados a ela”, explica Mota. Segundo o arquiteto da WSO2, o problema costuma ser descoberto tarde, quando o piloto já foi aprovado e boa parte do orçamento já foi gasta.
Outra é o desperdício. Toledo, que acaba de voltar de uma viagem ao exterior com um grupo de 42 varejistas brasileiros, defende que as empresas troquem mais informação entre si para evitar gastos à toa. “Primeiro, para racionalizar o investimento. Segundo, para evitar que a gente se perca nessa jornada e perca dinheiro consumindo tokens absurdamente”, diz.
Em alguns setores, o custo vai além do dinheiro. Menezes dá dois exemplos: uma seguradora de saúde que autoriza ou nega um procedimento com base na resposta de uma IA e um sistema que acompanha em tempo real técnicos na manutenção de redes de alta tensão para alertar quando um deles erra. “Agora imagina um treinamento errado, com dados que eu tenho no meu data lake e não tratei, analisando um procedimento que é errado, mas colocando como normal. Não é mais custo operacional, é custo de vida, e custo de vida eu não meço”, afirma.
Nas pequenas e médias empresas, o estrago tende a ser proporcionalmente maior, porque, com equipes enxutas, em que uma pessoa acumula várias funções, um desvio de rota demora mais a ser percebido. “Quando você descobre, o seu estoque já foi, o seu cliente já foi”, alerta o executivo da Nutanix.
Shadow AI, o atalho dos funcionários
A pressa também vem de baixo. Menezes conta o caso de uma empresa que proibiu o uso de IA por questões de compliance. Um funcionário encontrou a saída: passou a mandar os contratos do e-mail corporativo para o pessoal e a analisá-los no ChatGPT da própria conta. “O usuário é que nem água, sempre encontra o caminho. Não importa se a coisa é certa ou errada, ele encontra”, diz.
O executivo da Nutanix chama isso de shadow AI, uma versão do antigo shadow IT, quando equipes de tecnologia usavam serviços sem aprovação para ganhar tempo. A diferença é quem pega o atalho. Antes era alguém de TI, que sabia o que estava fazendo. Agora é o funcionário do RH, do financeiro ou do jurídico.
Toledo repete o mesmo conselho há três anos em palestras: dados da empresa não devem ir para a ferramenta de IA usada em casa. “Não coloque suas informações, nem mesmo as suas perguntas, dentro do modelo que você usa para programar uma viagem com a família ou pedir uma receita. No momento em que você coloca ali, essa informação deixa de ser tua”, alerta. Segundo ele, ela pode acabar alimentando um modelo que o concorrente também usa.
Com os agentes de IA, que além de consultar dados executam tarefas, o cuidado precisa ser maior. Para Mota, a saída é dar a cada agente o mesmo tratamento dado a um funcionário. “Cada agente deve ter uma identidade própria, com permissões definidas de acordo com sua função, sem utilizar acessos de outras pessoas ou ter liberdade para consultar qualquer informação”, explica o arquiteto da WSO2.
Toledo traduz a ideia num exemplo do varejo: um agente de vendas autorizado a dar no máximo 10% de desconto numa camiseta. “Se o agente burlar os guardrails, é um outro problema. Mas, se você não definir, ele pode dar o preço que quiser”, diz.
Como preparar os dados para a IA
Para o executivo da Salesforce, a arrumação deve começar pelo negócio, e não pelos dados. Quando a conversa começa pelas bases, diz, vira uma discussão de custo. Quando começa pelos processos que podem ser melhorados, a empresa entende o valor que o dado tem. “O negócio das empresas não são dados. É fazer a sua atividade principal. Elas descobriram que têm um ativo valiosíssimo que, quando utilizado para a geração de inteligência, é magnífico”, afirma.
O caminho, segundo ele, é buscar primeiro as vitórias rápidas. “Imagina que você tem uma matriz de complexidade e de impacto no teu negócio. Quanto menor a complexidade e maior o impacto, aquilo vira a tua iniciativa de curto prazo. Se você mexer na tua política de desconto, tem uma vitória rápida. Se mexer no teu prazo de pagamento, tem outra”, explica.
Mota chama a atenção para a forma como os sistemas se conectam. Sem um padrão, cada equipe acessa os dados do seu jeito, e fica difícil achar a origem de um erro. Com APIs, as interfaces que padronizam essa troca entre sistemas, a correção é feita uma vez só. “Se uma informação muda ou apresenta algum problema, a correção pode ser feita em um único lugar e chegar a todos os sistemas que utilizam aquele dado”, afirma. E o trabalho não termina. “Preparar os dados para a IA não é uma etapa que se encerra antes do projeto, mas um trabalho permanente de organização, controle e atualização.”
Para as informações sensíveis, uma saída são os dados sintéticos, gerados para reproduzir estatisticamente dados reais. Um hospital que quer calcular quantos médicos manter de plantão, por exemplo, não precisa abrir o prontuário de cada paciente. Menezes compara esse tipo de dado a um hambúrguer vegetal. “A cor é parecida, a textura é parecida, o sabor é parecido, mas ele não é um hambúrguer. A pergunta é: ele precisa ser?”, diz. O cuidado, ressalta, é o mesmo dos dados reais. “Assim como um dado real tem viés, um dado fabricado pode ter. E quem fabrica pode enviesar o dado do jeito que quiser.”
Nada disso funciona sem gente preparada. Para Menezes, muitos projetos de IA param na prateleira não por falta de tecnologia, mas porque as pessoas que vão usá-los ainda não entendem o que está por trás deles, mesmo em grandes empresas. “As pessoas têm dificuldade de se comunicar em português. Imagina se comunicar com uma máquina”, brinca.
Também é preciso aceitar que ninguém tem, por enquanto, o mapa completo. Perguntado se a própria IA pode passar a gerar o lixo que vai alimentar os próximos modelos, Toledo preferiu a franqueza. “Eu não sei te responder isso. Tem um monte de gente que tem verdades absolutas. Nesse momento em que tudo está mudando, falar que tem que ser assim é, no mínimo, ser um grande inseguro. Quem acha que é o dono da verdade agora, no mínimo, está errado”, afirma.
Para quem já começou do jeito errado, o executivo da Nutanix recomenda uma pausa antes de seguir. “Todo sistema de IA tem que ter um freio de mão, um botão de alerta para falar: pessoal, para, vamos olhar para trás, ver o que a gente tem disponível e recomeçar. Nunca é tarde para recomeçar. É melhor um passo bem dado do que dez passos na direção errada. A direção sempre vai ser mais importante do que a velocidade.”
