Preparação de dados se torna gargalo para expansão da inteligência artificial nas empresas
Um estudo recente da Iron Mountain revela que, apesar do forte interesse das organizações em usar dados para impulsionar resultados, a falta de uma base de informações confiável e acessível está atrasando ou até cancelando iniciativas de IA. Nos últimos doze meses, 86% das empresas consultadas enfrentaram atrasos ou interrupção de projetos de inteligência artificial devido a problemas relacionados aos dados.
O tempo dedicado à preparação manual dos dados
A pesquisa mostra que 40% das organizações destinam pelo menos 41% do cronograma de seus projetos de IA exclusivamente à preparação manual dos dados. Essa etapa envolve localizar arquivos dispersos, corrigir inconsistências e integrar informações armazenadas em diferentes ambientes.
A fragmentação dos dados é apontada como um dos principais obstáculos. Para 56% dos participantes, dados distribuídos por sistemas desconectados ou departamentos dificultam o avanço das iniciativas. Outros 53% citam formatos obsoletos e arquivos físicos como barreiras adicionais.
Apenas 39% das organizações são classificadas como digitalizadas e estruturadas, com informações centralizadas, indexadas e prontas para uso em análises e aplicações de IA. O contraste é evidente: 95% dos entrevistados consideram o uso de dados para melhorar os resultados dos negócios uma prioridade, mas muitas ainda não conseguem explorar essas informações de forma eficiente.
Agentes de IA exigem maior controle sobre os dados
Com a expansão dos agentes de inteligência artificial, capazes de executar tarefas e interagir com diferentes etapas de um fluxo de trabalho, a necessidade de dados precisos e atualizados se intensifica. Para operar com confiabilidade, essas aplicações precisam acessar informações corretas, respeitar regras de acesso e permitir que suas ações sejam rastreadas.
No entanto, 70% das organizações não conseguem rastrear de forma eficaz a origem ou o percurso dos dados utilizados por suas aplicações de IA. Sem esse controle, torna-se mais difícil identificar erros, investigar resultados e reduzir riscos de segurança e conformidade. Além disso, a ausência de registros claros compromete a capacidade de explicar as conclusões alcançadas por uma aplicação.
Passos para fortalecer a governança de dados
A preparação começa pelo mapeamento detalhado das informações disponíveis. Identificar onde os dados estão armazenados, quem é responsável por atualizá-los e quais equipes podem acessá-los ajuda a estabelecer uma base mais confiável para novos projetos.
As empresas podem iniciar com os dados diretamente relacionados ao objetivo da iniciativa, verificar sua qualidade e definir critérios para acompanhar os resultados. A governança deve fazer parte desse processo: regras de acesso, atualização e uso das informações ajudam a reduzir inconsistências e a manter o controle sobre aplicações que passam a executar tarefas com maior autonomia.
Embora os números divulgados pela Iron Mountain reflitam as organizações participantes do levantamento e não representem uma estimativa universal, eles evidenciam que a maturidade no uso de dados é um fator crucial para determinar o ritmo de expansão da inteligência artificial nos negócios.








