João Miguel Mesquita
A forma como as organizações lidam com os dados está a ser colocada em causa pela velocidade com que a inteligência artificial está a ser adotada. O que antes era suficiente para assegurar controlo, conformidade e segurança está agora longe de responder às exigências dos novos sistemas baseados em IA.
Muitas empresas ainda não conseguiram adaptar os seus processos de governança de dados à nova realidade tecnológica. Persistem dúvidas sobre a validade dos modelos atuais, ao mesmo tempo que aumenta a complexidade dos dados utilizados pelos algoritmos e se multiplicam os riscos associados à sua utilização.
Há quem continue a aplicar as políticas existentes, convencido de que os princípios básicos permanecem relevantes. Mas, na prática, a forma como a IA consome e processa dados obriga a repensar tanto as regras como as estruturas que as suportam. A realidade operacional mudou: os fluxos de dados são mais dinâmicos, os contextos de aplicação são mais variáveis e os resultados nem sempre são previsíveis.
Um dos grandes obstáculos identificados é a dificuldade em definir quando um modelo de IA está pronto para produção. Ao contrário do software tradicional, que pode ser testado e validado com critérios bem definidos, os modelos de IA requerem aprendizagem contínua, testes em diferentes ambientes e uma preparação de dados muito mais rigorosa.
Esta exigência revela fragilidades organizacionais persistentes, como a falta de competências especializadas e a ausência de uma cultura orientada para a qualidade dos dados. Apesar do entusiasmo com o potencial da IA, muitas lideranças continuam relutantes em investir na preparação e tratamento da informação, o que compromete os resultados esperados.
A própria noção de risco mudou, mas ainda não há resposta clara sobre como geri-lo. Desde a qualidade dos dados até à soberania e responsabilidade sobre os outputs dos modelos, os riscos associados à IA continuam mal definidos — e, por vezes, ignorados.
É também evidente que não existe uma abordagem única que garanta sucesso. Algumas organizações estão a reformular as suas infraestruturas e processos antes de apostar em IA; outras preferem começar com pequenos projetos e aprender com os resultados. Há ainda quem use a própria IA como ferramenta para detetar falhas nos dados — uma estratégia promissora, mas dependente de um grau elevado de maturidade digital.
Os dados tornaram-se ainda mais centrais para a inovação, mas a forma de os gerir ainda não acompanha essa centralidade. E sem essa adaptação, os projetos de IA correm o risco de falhar não por falta de ambição, mas por ausência de condições estruturais para os sustentar.
A evolução da IA está a expor uma lacuna que muitos acreditavam já ter resolvido: a de como gerir, qualificar e proteger dados num contexto empresarial. Ignorá-la poderá sair caro — em eficácia, em reputação e em retorno.
