João Miguel Mesquita
O novo estudo da Salesforce mostra que a pressão para gerar valor a partir dos dados está a aumentar ao mesmo tempo que persistem fragilidades estruturais na forma como as empresas os gerem. A maioria dos responsáveis empresariais admite depender cada vez mais de informação atualizada e contextualizada, mas muitos reconhecem que os seus próprios ecossistemas tecnológicos estão longe de garantir essa fiabilidade.
Segundo o relatório, três em cada quatro líderes empresariais referem sentir maior pressão para transformar dados em valor tangível. Em paralelo, um número ainda mais elevado de profissionais especializados em dados considera que as atuais estratégias precisam de ser revistas antes de ser possível avançar de forma consistente com projetos de inteligência artificial. A distância entre objetivos e execução é particularmente evidente na transição para modelos de IA Argêntica, que exigem dados mais completos e processos de governação robustos.
Os líderes técnicos sublinham que a adoção de IA só será eficaz se forem reforçadas práticas fundamentais de gestão de dados, incluindo governação alargada e arquiteturas que permitam consultar informação dispersa sem necessidade de migração. Estas abordagens são vistas como passos essenciais para construir organizações capazes de integrar agentes inteligentes nos fluxos de trabalho diários.
O relatório sublinha que uma parte significativa das empresas se descreve como orientada por dados, mas enfrenta dificuldades em converter essa informação em resultados operacionais. Menos de metade dos líderes empresariais afirma conseguir gerar análises fiáveis e atempadas, enquanto muitos profissionais de dados alertam para conclusões incorretas resultantes da falta de contexto de negócio. A recorrência de dados incompletos ou desatualizados continua a ser um bloqueio significativo para a transformação digital.
A pressão para acelerar a implementação de IA intensificou-se, mas a falta de confiança nos resultados reflete limitações nas bases de dados existentes. Uma parte expressiva dos responsáveis por dados admite que não confia totalmente na precisão das respostas fornecidas pelos modelos de IA, estimando que uma fração relevante da informação interna tem fiabilidade reduzida. As consequências surgem em projetos já em produção, com vários líderes a indicarem episódios de resultados imprecisos e consumo de recursos acima do previsto devido a dados de má qualidade.
Ao mesmo tempo, a fragmentação tecnológica está a tornar uma parcela relevante dos dados empresariais inacessível, num contexto em que a unificação é vista como condição essencial para responder às expectativas dos clientes. As empresas utilizam centenas de aplicações, mas apenas uma parte limitada comunica entre si, o que dificulta o acesso a informação crítica para iniciativas de IA. Muitos líderes acreditam que alguns dos dados mais valiosos permanecem isolados e que esta limitação reduz a capacidade dos modelos de IA, compromete a visão integrada do cliente e impede o aproveitamento de oportunidades comerciais.
Para enfrentar estes desafios, várias organizações estão a investir em integrações de dados que dispensam a duplicação da informação e permitem consultar múltiplas bases em simultâneo. As empresas que adotam esta abordagem registam melhores resultados em iniciativas de IA e na experiência do cliente, beneficiando também de ferramentas que recorrem a linguagem natural para facilitar o acesso aos dados. Muitos decisores identificam a tradução de questões de negócio para pedidos técnicos como uma fonte relevante de erro e defendem que interfaces mais intuitivas ajudariam a alargar o uso da informação.
A evolução tecnológica está também a obrigar à atualização das práticas de governação e segurança. Uma parte substancial dos líderes de dados afirma ainda não ter políticas formais nesta área, apesar de reconhecer que a inteligência artificial exige modelos de controlo mais rigorosos e adaptados às novas exigências de proteção e qualidade.
O estudo conclui que a transformação digital será mais eficaz quando dados e inteligência artificial forem tratados como elementos de uma mesma estratégia, reforçando que a qualidade da informação determina o potencial dos modelos de IA e que estes, por sua vez, podem ampliar o valor dos dados disponíveis.
