Um estudo divulgado nesta semana pela ABES em parceria com a IDC mostra que o Brasil já superou Estados Unidos e a média mundial na adoção de agentes de IA: 76% das empresas brasileiras mantêm agentes de IA em produção, contra 67% nas empresas americanas e 62% na média global. O mesmo levantamento, porém, traz o dado que explica por que essa liderança não está virando resultado proporcional: apenas 48% das empresas dizem ter dados bem estruturados e governados — e os próprios pesquisadores apontam isso como o principal gargalo para escalar.
A resposta direta para quem decide orçamento de IA numa empresa média é esta: ter agente de IA em produção não é o mesmo que ter capacidade de gerar valor com ele. Um agente que consulta cadastro desatualizado, campos inconsistentes entre sistemas ou planilhas paralelas sem dono definido produz decisão errada com a mesma velocidade — e a mesma aparência de sofisticação — de um agente bem alimentado. A adoção correu na frente da base que deveria sustentá-la, e é isso que separa empresa com agente rodando de empresa com agente gerando resultado.
Principais aprendizados
- Adoção de agentes de IA não é indicador de maturidade: o Brasil lidera em produção (76%) e ainda assim só 48% das empresas têm dado estruturado o suficiente para sustentar essa operação, segundo ABES/IDC.
- “Dado estruturado para IA” tem critério prático, não é conceito abstrato: taxonomia consistente entre sistemas, dono de negócio nomeado por fonte de dado e regra mínima de qualidade e acesso antes de qualquer agente consultar aquele dado.
- Arrumar a base não exige projeto de meses: o diagnóstico de gargalo (frequência × tempo × retrabalho) e o mapeamento de fontes de dado cabem em semanas quando o escopo é um processo, não a empresa inteira.
- O risco de pular essa etapa não é técnico, é de decisão: agente com dado ruim erra com confiança — e erro de crédito, de estoque ou de atendimento custa mais caro quanto mais rápido ele escala.
- Empresas médias têm vantagem estrutural aqui: escopo menor de sistemas e menos camadas de legado tornam a estruturação de dados mais rápida do que em uma grande corporação — desde que alguém trate isso como prioridade antes de comprar mais ferramenta.
Por que ter agentes de IA em produção não garante resultado?
Porque produção mede presença, não qualidade. Um agente “em produção” pode estar automatizando uma resposta de atendimento, uma triagem de documento ou uma recomendação de crédito — e nenhuma dessas tarefas garante valor se o dado que alimenta a decisão for inconsistente entre sistemas, estiver desatualizado ou não tiver um responsável definido do lado do negócio. A pesquisa ABES/IDC também mostra que o investimento em IA no Brasil está projetado acima de US$ 3,4 bilhões em 2026, com 95% das empresas de mais de 100 funcionários já usando ou planejando usar IA. O volume de investimento em ferramenta cresceu mais rápido do que o trabalho, normalmente invisível, de decidir quem é o dono de cada base de dado, com que frequência ela é validada e o que fazer quando duas fontes discordam.
O erro mais comum em empresa média não é técnico — é de sequência. A empresa compra ou assina a ferramenta de IA primeiro, descobre o problema de dado depois, quando o agente já está errando em produção e alguém pergunta “por que isso aconteceu”. Inverter essa ordem — mapear o dado antes de escalar o agente — é mais barato e mais rápido do que corrigir depois de um incidente, mas exige que alguém trate isso como decisão executiva, não como tarefa de TI a ser encaixada quando sobrar tempo.
O que significa, na prática, ter dados bem estruturados e governados para IA?
Significa três coisas concretas, não um projeto de “qualidade de dados” genérico. Primeiro, taxonomia consistente: o mesmo campo (nome de cliente, status de pedido, categoria de risco) precisa significar a mesma coisa em todos os sistemas que o agente consulta — inconsistência de nomenclatura entre CRM, ERP e planilha paralela é a causa mais comum de erro de agente que ninguém investiga a tempo. Segundo, dono de negócio nomeado por fonte de dado: alguém responde por aquele cadastro, aquele relatório ou aquela base, com autoridade para corrigir e critério definido de quando ela está “boa o suficiente” para uso automatizado. Terceiro, uma regra mínima de acesso e atualização — não uma política de governança de dezenas de páginas, mas o suficiente para saber quem pode alterar o quê e com que frequência aquele dado é revalidado.
Isso não precisa nascer de um projeto de meses. No primeiro passo da metodologia AMPLIFICA da HAIA — diagnóstico de ecossistema e governança —, mapeamos as ferramentas e fontes de dado autorizadas antes de qualquer construção de agente começar. Em um programa recente de validação cadastral numa operação de saúde de médio porte, com equipe de 8 pessoas, o ciclo de validação documental caiu de 5–6 dias para até 24 horas depois de estruturar o processo de checagem — a operação passou a rodar com 3 pessoas em vez de 8, redirecionando o restante da equipe para trabalho que exige julgamento humano. Como a própria HAIA registra publicamente sobre os cases do programa: os resultados refletem o contexto, a maturidade e os processos de cada organização, e não constituem promessa de resultado equivalente em outros ambientes — mas o padrão de causa (estruturar antes de automatizar) se repete em praticamente todo caso que funciona.
Por onde uma empresa média deve começar para arrumar a base antes de escalar agentes de IA?
Comece pelo gargalo, não pela empresa inteira. Escolha um processo específico — o que mais custa em tempo, retrabalho ou erro hoje — e mapeie só as fontes de dado que alimentam aquele processo. Tentar arrumar “os dados da empresa” como projeto único é a forma mais confiável de nunca terminar; arrumar os dados de um processo é trabalho de semanas, com escopo claro e dono definido. A mesma lógica vale para governança de agentes de IA de forma mais ampla: decidir perímetro e responsável antes de escalar, não depois de um incidente forçar a conversa.
Depois de nomear o dono e validar a taxonomia daquele processo, só então introduza ou ajuste o agente de IA — e valide o resultado com uma métrica de negócio, não com “o agente está rodando”. Esse é o critério que separa os 48% que já têm base pronta dos que só têm ferramenta em produção: não é o tamanho do investimento em IA, é ter resolvido, antes do agente entrar em operação, quem responde pelo dado que ele consulta.
Perguntas frequentes
O que significa “dados bem estruturados” para IA, na prática?
Significa taxonomia consistente entre sistemas, um dono de negócio nomeado por fonte de dado e uma regra mínima de qualidade e atualização. Não é sinônimo de projeto grande de tecnologia: para um processo específico, esses três pontos costumam caber em semanas de trabalho, desde que alguém com autoridade real assuma a responsabilidade por eles antes de qualquer agente entrar em operação.
Toda empresa precisa de um projeto de governança de dados antes de usar IA?
Não um projeto amplo — um escopo mínimo por processo. Empresas médias não precisam replicar a estrutura de governança de uma corporação para começar bem; precisam decidir dono, taxonomia e regra de atualização para o processo específico que o agente vai tocar, e expandir esse padrão conforme mais processos entram em produção.
Quanto tempo leva para estruturar dados o suficiente para um agente de IA funcionar bem?
Depende do escopo escolhido, mas quando o recorte é um único processo — não a empresa inteira —, o diagnóstico e a estruturação inicial costumam caber em poucas semanas, não em meses. O caso de validação cadastral citado neste artigo levou o ciclo de dias para horas depois de estruturar o processo, sem depender de um projeto de tecnologia de longa duração.
Minha empresa já usa IA generativa informalmente — isso conta como adoção madura?
Não necessariamente. Uso informal e disperso de IA generativa por colaboradores individuais é diferente de ter um agente em produção com dono, dado estruturado e métrica de resultado definida. A pesquisa ABES/IDC mostra que a maioria das empresas brasileiras já passou do primeiro estágio — a pergunta que decide o resultado é se a base de dado por trás desse uso já tem estrutura e governança mínimas.
