A desculpa dos dados

Todo mundo concorda que dado ruim mata projeto de IA. Pouca gente pergunta: que tipo de IA? Essa pergunta muda tudo. E a ausência dela está levando empresas a adiarem indefinidamente a adoção de algo que já poderia estar funcionando — enquanto culpam a planilha desorganizada por um problema que a planilha nunca causou.

Dado ruim mata IA preditiva — mas a maioria das PMEs usa IA generativa

Existe um tipo de IA que depende completamente dos seus dados históricos internos. Chama-se IA preditiva — modelos que analisam o passado para prever o futuro. Previsão de demanda, detecção de fraude, score de crédito. Nesse caso sim: dado ruim entra, previsão ruim sai. Sem discussão.

Só que a maioria das PMEs não está construindo isso.

Está usando IA generativa — ChatGPT, Claude, ferramentas de automação de texto, assistentes de atendimento. Esse tipo de IA opera em cima de linguagem. Ela não vai abrir sua planilha de clientes do Excel para responder um e-mail. Não precisa que seu CRM esteja normalizado para resumir uma reunião.

Exigir que uma empresa organize toda sua infraestrutura de dados antes de usar um assistente de texto é como exigir que ela reforme a cozinha antes de pedir uma pizza.

A diferença entre IA preditiva e generativa está bem documentada — a IBM descreve com precisão quando cada abordagem faz sentido. O problema é que o conselho "arrume seus dados primeiro" virou um mantra repetido sem distinção, como se todo projeto de IA fosse o mesmo.

95% dos projetos de IA não geram retorno: o problema é falta de processo, não de dado

O MIT, a RAND Corporation e pesquisas da indústria apontam para o mesmo padrão: organizações que falham em projetos de IA quase sempre falham por razões organizacionais, não técnicas. A ausência de um problema bem definido antes de escolher a solução é a raiz do problema.

O dado do Sebrae reforça o outro lado: mais de 60% dos pequenos negócios brasileiros já usam IA, e 94% relatam impacto positivo — sem pré-requisito de dado perfeito. Eles começaram com clareza de objetivo, não com banco de dados normalizado.

O erro mais comum: adotar a ferramenta antes de definir o problema

O padrão que vejo se repetir: a empresa assina o ChatGPT Teams, distribui para o time, e depois sai procurando onde aplicar. É o martelo em busca do prego. A ferramenta fica cara, os funcionários ignoram depois de duas semanas, e o gestor conclui que "IA não funcionou aqui."

Não foi a IA. Foi a ausência de um problema bem definido antes de comprar a solução.

IA amplifica o que já existe. Processo claro vira processo mais rápido. Processo confuso vira confusão automatizada — e em alta velocidade. É por isso que o trabalho de diagnóstico estratégico precisa vir antes da implementação: não para organizar dados, mas para mapear onde a decisão trava, onde a dependência manual cria risco, e onde a fragmentação esconde o custo real.

Quando os dados voltam a importar: RAG e o conhecimento interno da empresa

Falei até aqui dos casos mais comuns: assistentes de texto, automação de atendimento, geração de conteúdo. Nesses, a bagunça nos dados não impede o começo.

Mas existe um passo além que muitas empresas querem dar: conectar a IA ao conhecimento interno. Documentos, contratos, histórico de clientes, manuais. Fazer com que o assistente responda com base no que a sua empresa sabe, não só no que o modelo aprendeu na internet. Essa técnica tem nome — RAG (Retrieval-Augmented Generation) — e é o coração de boa parte das implementações de IA aplicada que construímos para clientes.

Aqui os dados voltam a importar — de um jeito diferente. Não é sobre banco de dados relacional ou SQL. É sobre a qualidade dos documentos alimentados no sistema. Um manual com cinco versões desatualizadas espalhadas em pastas diferentes vai gerar respostas erradas com total confiança. Um contrato escaneado com qualidade ruim vai ser interpretado de forma incorreta.

Isso não é motivo para não começar. É motivo para ir organizando enquanto avança — não como pré-requisito, mas como parte natural da maturidade do projeto.

Os três ingredientes que garantem que projetos de IA cheguem ao resultado

O que vejo nas empresas que realmente avançam não é dado mais limpo. São três coisas que ninguém coloca no meme do castelo desmoronando:

1. Processo mínimo documentado. Não precisa ser perfeito. Precisa existir. A IA não cria processo do nada — ela acelera o que já está mapeado.

2. Uma pessoa responsável pela execução. Projetos de IA sem dono de resultado morrem no piloto. Alguém precisa ser responsável por medir, ajustar e escalar.

3. Disposição para iterar. A empresa que espera ter tudo perfeito antes de começar vai esperar para sempre. A que começa com clareza de objetivo — mesmo com dado imperfeito — aprende, ajusta, e vai chegando.

Para quem quer construir essa capacidade internamente de forma estruturada, o caminho mais direto é um workshop com foco nos processos reais do negócio, não em features de ferramentas.