Empresas brasileiras aumentaram o investimento médio em inteligência artificial de US$ 14,2 milhões para US$ 20,8 milhões por ano — e devem elevar esse aporte em mais 46% nos próximos dois anos, segundo o estudo “The Value of AI: Brazil 2026”, conduzido pela SAP em parceria com a Oxford Economics. Apesar do capital, só 3% das empresas dizem estar prontas para escalar agentes de IA além do piloto, e 75% apontam a qualidade e a disponibilidade dos dados como o principal freio ao retorno. O padrão se repete em praticamente todo diagnóstico de maturidade que a gente já conduziu na HAIA: o orçamento chega antes de o dado estar pronto para recebê-lo.
Para a empresa de médio porte — sem equipe de dados dedicada, sem data lake corporativo, sem um time de engenharia de dados de plantão — esse gargalo pesa mais, porque o orçamento de IA costuma ser aprovado em torno da ferramenta (qual modelo, qual assinatura, qual fornecedor), não da preparação dos dados que vão alimentá-la. O resultado é previsível: o piloto funciona em ambiente controlado e trava na escala, porque os dados vêm de sistemas fragmentados, cadastros desatualizados ou processos manuais sem padrão. Resolver isso não exige contratar uma equipe de dados — exige mapear onde o dado está, quem o usa e o que precisa ser validado antes do próximo piloto.
Principais aprendizados
- Empresas brasileiras já investem em média US$ 20,8 milhões/ano em IA, mas só 3% se dizem prontas para escalar agentes além do piloto.
- 75% das empresas apontam qualidade e disponibilidade dos dados como o principal freio ao retorno sobre o investimento em IA.
- Aumentar orçamento sem mapear e validar os dados primeiro amplia o risco de o piloto travar na escala — não de faltar dinheiro.
- Empresa de médio porte não precisa de uma equipe de dados dedicada para resolver isso: precisa de um diagnóstico do fluxo de dados do processo antes do próximo piloto.
- Quando o gargalo está no processo — não na arquitetura de dados —, o próprio time de negócio pode liderar a validação, sem esperar um projeto formal de TI.
Por que o orçamento de IA sobe e o retorno não acompanha no mesmo ritmo?
Porque o orçamento e a preparação de dados são aprovados em processos diferentes, com donos diferentes e prazos diferentes. A decisão de investir em IA costuma nascer na diretoria ou na área de tecnologia, respondendo a uma pressão competitiva ou a uma meta de eficiência — e ela é rápida de aprovar, porque compra ferramenta, não trabalho estrutural. Já a preparação de dados — validar cadastro, padronizar campo, eliminar duplicidade, definir quem é o responsável por manter aquele dado correto — é um trabalho operacional, disperso entre áreas, sem dono único e sem prazo de entrega óbvio. O mesmo padrão aparece na área financeira: a maioria das empresas brasileiras ainda opera nos estágios mais básicos de maturidade em IA, e o gargalo raramente é falta de ferramenta — é processo e dado não estruturados o suficiente para sustentar automação confiável.
Isso não significa que o investimento esteja errado. Significa que ele precisa vir acompanhado de um segundo orçamento — menor, mas obrigatório — para diagnóstico e correção do fluxo de dados do processo prioritário. Sem isso, o piloto de IA custa caro duas vezes: uma vez para construir, outra para descobrir, já em produção, que o dado não sustenta a decisão automatizada.
Como saber se os dados de um processo estão prontos para IA antes do próximo piloto?
Três critérios práticos, aplicáveis por qualquer gestor de área sem depender de uma auditoria formal de dados. Primeiro: existe uma única fonte de verdade para aquele processo, ou o mesmo dado vive em três planilhas diferentes com versões divergentes? Segundo: o dado é validado no momento em que entra no sistema, ou só é corrigido depois, quando alguém percebe o erro? Terceiro: existe um responsável de negócio nomeado para a qualidade daquele dado específico, ou a responsabilidade está diluída entre áreas?
Quando a resposta às três perguntas é frágil, o problema não é de tecnologia — é de governança de processo, e o mesmo gargalo que trava a escala de agentes de IA no Brasil hoje também trava o ROI: sem linha de base e sem responsável definido antes do piloto, não dá para medir se a IA de fato melhorou o resultado. Esse diagnóstico não precisa de um projeto de meses — precisa de um mapeamento direto do processo, feito com quem executa o trabalho todos os dias, não só com quem desenha o sistema no papel.
Vale a pena esperar um projeto de dados formal antes de investir em IA?
Não. Esperar um projeto corporativo de dados — que normalmente leva meses para ser aprovado e mais meses para ser entregue — costuma ser mais arriscado do que começar pelo processo prioritário com o dado que já existe, corrigido no escopo certo. Em um programa recente que conduzimos numa operação de saúde com equipe de oito pessoas, o gargalo era a validação de cadastro de pacientes: o ciclo levava de cinco a seis dias, porque cada etapa dependia de conferência manual em fontes separadas. Em vez de esperar um projeto de dados corporativo, a própria equipe mapeou o fluxo, padronizou os campos críticos e construiu uma automação de validação dentro do processo já existente. O ciclo caiu para até 24 horas, e a operação passou a rodar com três pessoas em vez de oito nesse fluxo específico.
Esse resultado reflete o contexto, a maturidade e os processos daquela organização — não constitui promessa de resultado equivalente em outro ambiente. O ponto não é o número: é que o time de negócio, sem uma equipe de dados dedicada, conseguiu resolver o gargalo de dado do processo mais caro antes de qualquer projeto formal de TI. Esperar a arquitetura ideal costuma custar mais caro, em tempo e em oportunidade perdida, do que corrigir o dado do processo prioritário agora.
Perguntas frequentes
Quanto uma empresa de médio porte deve investir em dados antes de escalar IA?
Não existe um valor fixo — depende do gargalo prioritário, não de um projeto de dados corporativo completo. O investimento certo é o suficiente para mapear e corrigir o fluxo de dados de um processo específico, com escopo definido e prazo curto. Empresas que tentam resolver “os dados da empresa toda” antes de qualquer piloto costumam travar no planejamento e nunca chegam à execução.
IA agêntica precisa de um data lake antes de funcionar?
Não necessariamente — depende da complexidade e do volume do processo que o agente vai automatizar. Para um processo bem definido, com volume moderado e regras claras, dados organizados e validados na origem costumam ser suficientes. Um data lake corporativo passa a ser relevante quando múltiplos processos e sistemas precisam compartilhar a mesma base — decisão de arquitetura, não pré-requisito para todo piloto.
Como saber se o problema de um piloto de IA é dado ou é ferramenta?
Teste trocando a pergunta: se um analista experiente, com os mesmos dados, também erraria ou travaria na mesma etapa, o problema é dado — não ferramenta. Se o dado está correto e completo, mas o resultado ainda é ruim, o problema pode estar no modelo, no prompt ou no desenho do processo. A maioria dos pilotos travados no Brasil hoje cai no primeiro caso, segundo o próprio estudo da SAP e Oxford Economics.
Quanto tempo leva para preparar os dados de um processo específico para IA?
Depende do escopo, mas processos bem delimitados costumam ser mapeados e corrigidos em semanas, não meses — o caso citado acima levou o ciclo de validação de cinco dias para 24 horas dentro de um programa de poucas semanas. O prazo cresce quando o escopo é ampliado para “todos os dados da empresa” em vez do processo prioritário, e esse é o erro mais comum de planejamento nesse tipo de projeto.
