IA obriga as empresas a responder pelos seus dados

Durante décadas, a propriedade dos dados foi um tema frequentemente adiado dentro das empresas. A razão era simples, os sistemas tradicionais conseguiam funcionar apesar dessa indefinição. Uma equipa de business intelligence podia preparar uma extração limpa para um relatório trimestral, um data warehouse podia guardar uma cópia do registo de cliente e uma área de negócio podia criar soluções próprias sem discutir, de forma estrutural, quem respondia pela qualidade e pela atualização da informação.

Este modelo tornou-se parte da normalidade operacional. Os dados eram muitas vezes vistos como um subproduto dos sistemas que os geravam, geridos por quem desenvolvia ou mantinha a aplicação, mas sem um responsável de negócio claramente identificado. A ambiguidade era tolerável enquanto o risco se limitava a um relatório incompleto ou a um dashboard ocasionalmente incorreto.

A chegada da inteligência artificial a ambientes de produção altera esse equilíbrio. Quando um modelo passa a trabalhar com dados reais de clientes, contratos ou informação financeira, a questão deixa de ser apenas técnica. É necessário definir quem autoriza o acesso, como são feitas as atualizações, que histórico acompanha cada dado e quem responde quando a informação de base está errada.

Estas decisões pertencem à organização, não apenas às equipas de tecnologia. Exigem responsáveis de negócio com autoridade para validar regras, resolver conflitos e assumir a responsabilidade pela utilização dos dados. A dívida acumulada por anos de decisões adiadas sobre propriedade e governação dos dados torna-se visível quando a empresa tenta escalar projetos de IA.

Em muitas organizações, o problema surge depois de um piloto bem-sucedido. A demonstração funciona, os resultados parecem promissores e a tecnologia prova capacidade num ambiente controlado. Mas, no momento de passar para produção, aparecem as questões que tinham ficado fora do âmbito inicial: quem é o dono do dado, quem pode alterá-lo, que área tem prioridade quando existem interpretações diferentes e que processo garante a sua fiabilidade ao longo do tempo.

O bloqueio tende a materializar-se em reuniões entre tecnologia, equipas de dados, áreas comerciais, departamentos jurídicos e, quando existe, o Chief Data Officer. Cada interveniente tem uma leitura legítima, mas parcial. A área comercial pode considerar que detém a relação com o cliente; o departamento jurídico pode enquadrar o mesmo registo como um ativo sujeito a políticas de retenção; a engenharia de dados pode gerir os fluxos técnicos sem poder decidir sobre a sua utilização; e a governação pode exigir comités, documentação e políticas formais.

Ninguém está necessariamente errado, e é precisamente isso que torna a decisão difícil. O projeto de IA, que parecia depender sobretudo de tecnologia, passa a estar condicionado por uma questão organizacional anterior ao próprio projeto. Surgem grupos de trabalho, cartas de governação e patrocinadores executivos que nem sempre estavam envolvidos quando o piloto foi aprovado.

O custo deste atraso não se mede apenas em meses perdidos. Mede-se também em credibilidade interna. A área de negócio vê uma solução que funcionou numa demonstração, mas que não chega ao terreno. O CIO passa a responder por um bloqueio que, na origem, não é apenas tecnológico. A perceção que se cria é a de uma iniciativa que prometeu rapidez e ficou presa na execução.

Com o tempo, o entusiasmo inicial desaparece. O patrocinador de negócio pode mudar de prioridade, a relação com o fornecedor perde intensidade e a organização tem de voltar a mobilizar equipas que já se tinham afastado do projeto. Cada implementação que fica suspensa por falta de clareza sobre os dados torna mais difícil financiar, justificar e executar a iniciativa seguinte.

As organizações que conseguem ultrapassar melhor este obstáculo seguem uma lógica diferente. Em vez de tratar a propriedade dos dados como uma questão a resolver durante a implementação, colocam-na como condição prévia para expandir o projeto. Antes de pedir aprovação para escalar, obrigam a empresa a discutir quem detém autoridade sobre os dados necessários e que decisões vinculativas devem ser tomadas.

Este método implica trazer a conversa para o nível certo da organização. A governação de dados não pode ficar limitada a uma discussão técnica se o impacto da decisão recai sobre processos comerciais, informação contratual, relação com clientes ou registos financeiros. O CIO pode facilitar a discussão, mas não deve ficar como único responsável por resolver uma indefinição que pertence ao modelo de funcionamento da empresa.

Alguns responsáveis tecnológicos utilizam a própria fase piloto para revelar estas fragilidades. Começam com um conjunto de dados restrito e claramente identificado, observam onde surgem conflitos quando o acesso se alarga e documentam essas dependências antes de apresentar os resultados ao comité executivo. Desta forma, a passagem à produção deixa de ser apresentada apenas como um problema tecnológico e passa a incluir, desde o início, o trabalho organizacional indispensável.

A abordagem exige mais preparação antes da primeira decisão executiva, mas tende a reduzir atrasos no conjunto do processo. Também altera a distribuição de responsabilidades. Quando a propriedade dos dados é enquadrada como uma decisão de negócio desde o início, a tecnologia deixa de absorver sozinha o custo de uma falha de governação empresarial.

A inteligência artificial não cria a ambiguidade sobre os dados. Expõe-na. Durante anos, muitas empresas conseguiram viver com definições incompletas porque os sistemas permitiam contornar a questão. A IA em produção reduz essa margem. Para funcionar de forma fiável, precisa de dados com dono, regras claras e mecanismos de responsabilização.

A conclusão é simples, mas exigente para a gestão: a maturidade em inteligência artificial não depende apenas da qualidade dos modelos ou dos fornecedores escolhidos. Depende, sobretudo, da capacidade da organização para saber quem responde pelos dados que alimentam esses modelos. Sem essa resposta, a passagem do piloto para a produção continuará a ser menos uma questão de tecnologia e mais um teste à capacidade de decisão interna das empresas.