O problema da prontidão de dados na IA empresarial

Programas de IA empresarial raramente param porque a equipa não consegue chamar um modelo. Param porque a organização não sabe o que os dados significam, se estão atuais, qual registo prevalece, quem pode agir ou como medir o resultado. Antes de escolher o modelo, verificamos proveniência, atualidade, duplicados, baseline, direitos de ação e mensuração de resultados.

O modelo raramente é a primeira restrição

O modelo é a parte visível; a operação inclui fontes, identidades, definições, permissões, filas, escritas e feedback. Um modelo potente sobre dados pouco fiáveis produz incerteza eloquente; um modelo modesto num sistema decisório claro pode gerar valor fiável.

A RAND identifica dados inadequados, infraestrutura insuficiente e desalinhamento com o problema de negócio entre causas recorrentes de falha. O capítulo Economy do Stanford AI Index 2026 mostra adoção acelerada, mas adoção não é retorno operacional mensurável. A prontidão deve ser testada contra uma decisão e workflow.

Começar por um contrato de decisão

Definimos decisão, responsável, ações permitidas, prazo, evidência e outcome. “Usar IA para dados de produto” não basta; “recomendar atributos em falta sem substituir registos aprovados” é concreto. Lookups, limites e reconciliações continuam como regras; a IA trata entradas ambíguas ou não estruturadas.

Gate 1: Proveniência

Cada campo preserva fonte, extração, chave, transformação e correções. O lineage deve ser consultável. Um workflow reproduzível de extração regista pedido, resposta e falha para não confundir ausência com zero. Um revisor deve reconstruir o output sem o programador original.

Gate 2: Atualidade

Atualidade é a idade máxima adequada à decisão. Separamos evento, registo na fonte e consumo. Pipeline bem-sucedido não garante dados atuais. O freshness budget define aviso, abstenção, fallback ou bloqueio. Uma camada fiável de warehouse e ingestão integra o produto decisório.

Gate 3: Duplicados e identidade

Definimos quando dois registos são a mesma entidade, preservamos IDs brutos e canónicos, método e confiança. Chaves determinísticas prevalecem; matches incertos são revistos. Medimos por fonte, tornamos merges reversíveis e monitorizamos colisões. A propriedade completa dos dados operacionais permite reconciliar e repetir processos quando interfaces mudam.

Gate 4: Baselines

Sem baseline, a IA é demonstração. Medimos erro, ciclo, esforço, cobertura, exceções e outcome antes da intervenção. Evidência confidencial usa Baseline = 100; absolutos permanecem autorizados internamente. Denominador, população e janela não mudam, e segmentos e alterações simultâneas ficam documentados.

Gate 5: Direitos de ação

Acesso não autoriza ação. Mapeamos system of record, ator, aprovação, limites, segregação e rollback. Começamos em leitura ou recomendação, passamos por dry run e só então por escrita aprovada. Privilégio mínimo, separação read/write, token de aprovação, idempotência e correlation ID concretizam a supervisão humana.

Gate 6: Mensuração de resultados

Ligamos input → recomendação → revisão → ação → resultado com IDs estáveis, incluindo abstenções e rejeições. Outcome principal, guardrails e cadência incluem gravidade, overrides, reclamações, violações, latência e trabalho deslocado. Uma fila reduzida à custa de outra fila invisível não é melhoria.

Um scorecard prático

Estado	Significado	Consequência
Unknown	Evidência não recolhida	Sem piloto com claims operacionais
Defined	Owner, definição e teste existem	Só avaliação offline
Verified	Teste aprovado em dados representativos	Piloto controlado
Monitored	Limiar e resposta de produção existem	Escala limitada possível

O gate mais fraco capaz de causar dano limita o release. Para builders é backlog de testes; para executivos, filtro de portfólio.

Ordenar investimento antes do modelo

Resolvemos identidade antes de capacidade, contexto antes de previsão, direitos antes de agentes e baseline antes da mudança. Só depois comparamos sucesso, calibração, latência, privacidade e custo. Fontes, IDs e permissões mudam; cada gate exige owner, testes e resposta.

A pergunta executiva

Não “Que modelo usamos?”, mas “Mostrem a cadeia da evidência à ação autorizada e ao resultado medido”. Se for reproduzível, o programa aprende; caso contrário, mais capacidade acelera um processo não verificado.