A falta de integração entre sistemas, processos desorganizados e falhas de governança podem comprometer a eficiência de projetos de inteligência artificial (IA) e reduzir o retorno financeiro dos investimentos. Antes de adotar a tecnologia, empresas precisam avaliar a qualidade, a consistência e a atualização das informações utilizadas nas operações.
A expansão da inteligência artificial no ambiente corporativo tem ampliado o debate sobre a preparação das bases de dados. Embora a tecnologia permita automatizar tarefas, antecipar cenários e apoiar decisões, os resultados dependem da estrutura que sustenta sua aplicação.
Segundo dados atribuídos à 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 números reforçam a importância de preparar os dados e os processos antes de ampliar o uso dessas ferramentas.
Para Beto Yunes, CTO da Globalsys, um dos problemas está em iniciar projetos pela escolha da tecnologia, sem avaliar a organização interna da empresa.
“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.
Na avaliação do executivo, o primeiro passo é entender como as atividades são realizadas, quais informações são necessárias e se os processos estão suficientemente definidos para receber soluções de inteligência artificial.
Depois desse diagnóstico, é necessário verificar se os dados estão completos, atualizados e livres de duplicidades, além de estabelecer responsáveis por cada base de informação. A avaliação ajuda a identificar limitações e dimensionar quais iniciativas podem ser implementadas.
Integração de sistemas influencia decisões
A comunicação entre plataformas, como sistemas de gestão empresarial (ERP), ferramentas de relacionamento com clientes (CRM) e canais de atendimento, também é apontada como um fator importante.
Quando os sistemas funcionam de forma isolada, uma mesma informação pode aparecer com valores diferentes, dificultando o acompanhamento das operações e a tomada de decisões.
“Quando os sistemas se comunicam, a empresa passa a ter uma única fonte de verdade e enxerga a operação de ponta a ponta”, destaca Yunes.
Um exemplo é o controle de estoque. Se um armazém tem 80 unidades de determinado produto, mas o sistema registra 100, as vendas podem continuar sendo realizadas com base em uma quantidade superior à disponível. A divergência pode provocar atrasos nas entregas, insatisfação dos clientes e perda de credibilidade.
Com a integração, as movimentações podem atualizar os registros automaticamente, enquanto os pedidos seguem para as etapas de separação e transporte. O atendimento também pode acompanhar o andamento das entregas.
A integração, porém, não elimina sozinha os problemas. Se os dados de origem estiverem incorretos, as inconsistências podem ser reproduzidas entre os sistemas e comprometer as análises feitas pela inteligência artificial.
Governança e segurança dos dados
Além da organização das informações, a preparação para projetos de IA envolve regras de acesso, definição de responsabilidades e monitoramento contínuo dos resultados.
A ausência desses controles pode aumentar o risco de exposição de informações sensíveis, alterações indevidas por sistemas autônomos e dificuldade para verificar se os investimentos estão trazendo benefícios.
Entre as falhas apontadas pelo executivo estão a falta de clareza sobre quem pode acessar e utilizar os dados, a ausência de limites para sistemas autônomos e a falta de acompanhamento depois que as soluções entram em funcionamento.
“Sem responsáveis, indicadores e uma rotina de revisão, o ROI vira uma promessa que ninguém consegue comprovar”, alerta. ROI é a sigla em inglês para retorno sobre o investimento.
A governança também tem relação com a proteção de dados pessoais. O uso de informações de clientes em ferramentas de inteligência artificial exige atenção à Lei Geral de Proteção de Dados Pessoais (LGPD), incluindo critérios de acesso, finalidade e segurança.
Como estratégia para reduzir riscos, Yunes defende que as empresas comecem com projetos menores, definam indicadores de desempenho e avaliem os resultados antes de expandir a tecnologia.
“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.
A estratégia, segundo o executivo, permite identificar necessidades de ajustes e direcionar recursos para iniciativas que apresentem resultados mensuráveis.
