Rodney Repullo (*)
As empresas que desejam expandir a inteligência artificial para além de projetos-piloto isolados devem estar atentas à preparação dos dados corporativos para este objetivo. A IA depende do grau de maturidade da organização para lidar corretamente com os dados que serão submetidos aos seus projetos de IA.
Para fazer uso adequado da IA, as organizações necessitam mais do que modelos poderosos. É imprescindível ter os dados corporativos integrados corretamente, com uma governança robusta, alta qualidade a partir de uma arquitetura de integração de sistemas de dados escalável e à prova de futuro.
O grau de maturidade da organização para IA pode ser o elo perdido entre o investimento e o valor para os negócios desejado. Isso porque o investimento em inteligência artificial cresce rapidamente em todas as áreas da sociedade.
Empresas estão investindo bilhões em assistentes de IA, copilotos e IA generativa, com 88% das organizações afirmando que já utilizam a tecnologia em pelo menos uma função de negócios, segundo a mais recentepesquisa State of AI da McKinsey. No entanto, apesar dos orçamentos significativos, muitas iniciativas não conseguem avançar para além da fase piloto.
A razão raramente reside na própria tecnologia de IA. Na maioria das vezes, as empresas carecem de uma base de dados necessária para que a IA funcione de maneira confiável. É por isso que atingir um grau mínimo de maturidade está se tornando uma das prioridades estratégicas para CIOs e líderes de TI.
A maturidade não é apenas um marco tecnológico a ser atingido, mas é um pré-requisito organizacional e orientado por dados que pode transformar investimentos em IA em valor comercial mensurável e satisfatório.
O que é maturidade para IA?
A maturidade para IA descreve a capacidade de uma organização de usar inteligência artificial de maneira segura, escalável e econômica. Para que a IA corporativa forneça resultados confiáveis, as empresas necessitam ter os dados integrados, com governança clara, alta qualidade, linhagem de dados confiável e uma arquitetura de integração moderna e à prova de futuro.
Isso envolve muito mais do que modelos de linguagem robustos ou plataformas modernas de IA. O que mais importa é se os dados corporativos são:
– Sempre disponíveis;
– Utilizáveis em diversos sistemas;
– Claramente definidos;
– Gerenciados de forma transparente;
– Alinhados com os requisitos de governança e conformidade.
Somente quando esses pré-requisitos são atendidos é que os sistemas de IA podem fornecer resultados confiáveis e escaláveis em toda a organização. Na prática, porém, a realidade costuma ser bem diferente, e os projetos dão errado.
Projetos de IA falham sem os dados integrados
Muitas empresas investem em novas soluções de IA sem antes modernizar sua base de dados corporativa. Isso cria barreiras comuns à adoção e à escalabilidade da IA, que quase todas as organizações reconhecem:
– Dados distintos produzem respostas diferentes: quando os departamentos trabalham com versões de dados ou definições diferentes para a mesma métrica, os resultados da IA tornam-se inconsistentes. A confiança na tecnologia diminui;
– IA continua limitada a casos de uso individuais: muitos projetos-piloto funcionam extremamente bem dentro de uma única unidade de negócios. Mas, assim que sistemas, locais ou processos adicionais precisam ser incluídos, a base de integração necessária fica ausente;
– Os insights da IA não chegam aos processos de negócios: mesmo quando a IA fornece informações valiosas, elas frequentemente não são incorporadas automaticamente aos processos operacionais. Interrupções na comunicação e etapas manuais impedem a obtenção de valor comercial mensurável;
– A governança se torna um risco: com o crescimento acentuado da adoção da IA, aumentam também as exigências em relação à proteção de dados, rastreabilidade, direitos de acesso e conformidade. Sem responsabilidades claras, os riscos operacionais aumentam significativamente.
A maturidade para IA não começa com modelos de IA
Muitas empresas focam primeiro em novos modelos ou plataformas de IA. Ao fazer isso, muitas vezes negligenciam o verdadeiro fator de sucesso: os dados subjacentes e a arquitetura de integração necessária.
Em todas as organizações, os dados estão distribuídos entre sistemas ERP, soluções CRM, data warehouses, aplicativos em nuvem, sistemas legados e aplicativos departamentais. A IA só consegue utilizar esses dados de maneira eficaz se eles estiverem conectados entre si.
É por isso que a integração corporativa está se tornando cada vez mais um fator estratégico de sucesso para a preparação para IA, a escalabilidade e a confiabilidade da IA corporativa.
A integração entre os sistemas de dados garante que:
– Os dados fluem de forma confiável entre os sistemas;
– Redundâncias são evitadas;
– A qualidade dos dados é mantida;
– Os processos de negócio são suportados de ponta a ponta;
– A IA pode acessar informações atualizadas a qualquer momento.
O objetivo não é simplificar toda a infraestrutura de TI nem substituir os sistemas existentes. O que importa realmente é disponibilizar os dados em todos os sistemas existentes de forma controlada, consistente e rastreável. É exatamente nesse ponto que as empresas bem-sucedidas orientadas por IA se diferenciam das organizações cujos projetos de IA permanecem estagnados em ambientes piloto.
Os pilares para a preparação dos dados para IA
A preparação sustentável para a IA não surge de projetos isolados de IA, mas a partir de arquitetura de dados empresarial bem sólida. As empresas que desejam tornar sua organização preparada para a IA a longo prazo devem abordar cinco áreas-chave.
1. Estabelecer a propriedade dos dados – cada domínio de dados crítico para os negócios precisa de responsabilidades claramente definidas. Só assim é possível garantir a qualidade e a governança dos dados a longo prazo;
2. Criar um sistema de registro claro – para dados corporativos essenciais, deve-se definir claramente qual fonte é a oficial. Múltiplas versões da verdade impedem resultados confiáveis de IA;
3. Definir termos comerciais consistentes – um glossário corporativo comum evita diferentes interpretações de métricas-chave e cria a base para análises consistentes;
4. Garantir a governança e a auditabilidade – os direitos de acesso baseados em funções, rastreabilidade completa e conformidade são cada vez mais importantes devido à Lei de IA da UE e a outros requisitos regulamentares;
5. Construir uma arquitetura de integração escalável – uma plataforma de integração robusta e à prova de futuro irá conectar todos os sistemas de dados envolvidos com o ERP, CRM, serviços em nuvem e aplicações legadas para criar uma base de informações consistente para análises e IA.
Garantir a integração é a primeira coisa a se pensar antes de buscar investir em modelos diversos de IA. Sem ter os dados corporativos nas mãos, os investimentos aleatórios em IA apenas se tornarão uma barca furada – de alto custo para os negócios.
(*) CEO da Magic Software Brasil.