Prontidão para IA começa nos dados

A conversa sobre inteligência artificial nas diretorias costuma começar pelo caso de uso: um assistente para o atendimento, previsão de demanda, leitura automática de contratos. A prova de conceito funciona na demonstração. Três meses depois, o projeto está parado porque o time descobriu que o cadastro de clientes tem quatro versões, que ninguém sabe qual sistema tem o preço correto e que a base histórica de pedidos perdeu dois anos numa migração.

Esse roteiro se repete com tanta frequência que já deveria estar no plano. A prontidão para IA depende de estratégia, pessoas e tecnologia, mas o fator que mais trava projetos em empresas médias é o estado dos dados.

O que a pesquisa diz sobre prontidão

Jöhnk, Weißert e Wyrtki (2021) entrevistaram especialistas para identificar os fatores de prontidão organizacional para IA. Eles organizaram os resultados em cinco categorias: alinhamento estratégico, recursos, conhecimento, cultura e dados. Na categoria de dados aparecem disponibilidade, qualidade, acessibilidade e o fluxo de dados entre sistemas.

A contribuição do estudo é mostrar que prontidão não é uma característica única. Uma empresa pode ter patrocínio forte da diretoria e cultura aberta à experimentação, e ainda assim não estar pronta porque os dados necessários para o caso de uso escolhido não existem na forma que o modelo precisa.

Gestão de dados é a base, e tem referência consolidada

O DAMA-DMBOK, publicado pela DAMA International, é a referência mais usada para organizar a gestão de dados. A segunda edição (2017) descreve áreas de conhecimento que incluem governança de dados, arquitetura, modelagem, armazenamento, segurança, integração, dados mestres e de referência, qualidade de dados e metadados.

Não é preciso implementar todas as áreas antes de usar IA. Mas algumas são pré-requisito para qualquer caso de uso sério.

• Governança: quem é dono de cada domínio de dados e quem decide sobre definições e acesso.
• Dados mestres: uma versão confiável de cliente, produto, fornecedor.
• Qualidade: métricas conhecidas de completude, exatidão e atualidade para os dados que alimentarão o modelo.
• Metadados: um glossário mínimo que diga o que cada campo significa e de onde vem.
• Segurança: classificação dos dados e regras de acesso, especialmente para dados pessoais.

Risco e conformidade entram cedo

O NIST AI Risk Management Framework (AI RMF 1.0), publicado em 2023, organiza a gestão de riscos de IA em quatro funções: governar, mapear, medir e gerenciar. É voluntário e não setorial, o que o torna útil como estrutura para empresas que ainda não têm obrigação regulatória específica. A ISO/IEC 42001:2023 vai além e especifica requisitos para um sistema de gestão de IA, no mesmo formato de outras normas de sistema de gestão, o que facilita a integração com ISO 9001 ou ISO/IEC 27001 já existentes.

No plano regulatório, a União Europeia aprovou o Regulamento (UE) 2024/1689, conhecido como AI Act, com obrigações escalonadas por nível de risco. Empresas brasileiras que vendem para a Europa ou operam lá precisam acompanhar o cronograma de aplicação. No Brasil, o PL 2.338/2023 foi aprovado pelo Senado em dezembro de 2024 e, no momento em que escrevemos, segue em tramitação na Câmara dos Deputados, onde é discutido em comissão especial e ainda não foi votado em plenário. O texto final pode mudar; o que já se sabe é que a lógica de classificação por risco tende a permanecer.

Para a prontidão, a consequência prática é simples: um caso de uso que envolve dados pessoais, decisões sobre pessoas ou setores regulados precisa de avaliação de risco antes do piloto, e não depois.

Um roteiro de avaliação em três perguntas

Antes de aprovar um caso de uso, recomendamos que a empresa responda, por escrito, a três perguntas sobre os dados envolvidos.

Pergunta	Sinal de prontidão	Sinal de alerta
Os dados existem e são acessíveis?	Fonte identificada, com dono e acesso documentado	"Está em planilhas de cada filial"
A qualidade é conhecida?	Métricas de completude e exatidão medidas nos últimos meses	Ninguém sabe a proporção de registros incompletos
O uso é permitido?	Base legal registrada, classificação de sensibilidade, contrato com fornecedor revisado	Dados pessoais enviados a serviço externo sem análise

Se duas das três respostas estão na coluna de alerta, o projeto de IA é, na verdade, um projeto de dados. Isso não é má notícia. Muitas vezes, arrumar a base para um caso de uso específico gera valor antes mesmo do modelo: relatórios que passam a bater, cadastros que deixam de duplicar, decisões que param de depender de quem montou a planilha.

Checklist de prontidão de dados

• Domínios de dados críticos mapeados, com dono de negócio nomeado.
• Glossário mínimo para os campos usados nos casos de uso prioritários.
• Métricas de qualidade medidas periodicamente para esses campos.
• Inventário de dados pessoais e base legal registrada, conforme a LGPD.
• Critério de classificação de risco dos casos de uso, inspirado no NIST AI RMF ou na ISO/IEC 42001.
• Responsável por acompanhar a evolução regulatória no Brasil e nos mercados de exportação.

Prontidão para IA é uma medida composta. Mas se for preciso escolher um único ponto de partida, comece pelos dados que o primeiro caso de uso vai consumir. É ali que a maioria dos projetos descobre, tarde demais, o que deveria ter sido avaliado no começo.