IA empresarial: do piloto à plataforma exige dados e governança

IA empresarial: do piloto à plataforma exige dados e governança

A adoção de inteligência artificial nas grandes empresas deixou de ser uma questão de escolher ferramentas e passou a exigir uma revisão da própria arquitetura operacional. Essa é a tese apresentada por Thorsten Leiduck, vice-presidente sênior e chefe global do ecossistema da plataforma SAP Business AI, e por Satinder Pal Singh, vice-presidente associado para a América do Norte de SAP BAIP e estratégia de IA na Infosys, em episódio do podcast Business Lab, do MIT Technology Review, publicado em 16 de novembro de 2026 e produzido em parceria com a Infosys.

Do experimento isolado à plataforma corporativa

Segundo Leiduck, a IA está presente em praticamente toda conversa com clientes, mas a dificuldade aparece na hora de converter interesse em modelo operacional. O problema recorrente é que muitos programas começam como provas de conceito separadas, apoiadas em bases de dados fragmentadas, o que gera duplicação de esforços, desempenho inconsistente e nenhum caminho claro para escalar.

A proposta dele é tratar a IA como plataforma corporativa, conectando uma camada de dados unificada ao contexto de processo das aplicações de negócio.

O executivo sustenta que a IA é totalmente dependente da fundação de dados. Sem uma camada conectada e semanticamente rica, que reflita a realidade da empresa, não é possível implantar agentes de forma confiável em diferentes processos.

Ele cita dois levantamentos para dimensionar o problema: um relatório da BCG que aponta 74% das organizações presas no modo piloto, sem plano de escala, e uma pesquisa da Anthropic segundo a qual 42% das empresas têm dificuldade de acesso e de qualidade de dados para ampliar as capacidades de IA.

A fundação de dados decide o que vale a pena

Satinder Pal Singh descreve os agentes de IA como "colegas de trabalho digitais" e recomenda avaliar cada caso de uso por três lentes: impacto, viabilidade e escalabilidade. A primeira pergunta é onde o agente consegue mover métricas de negócio relevantes.

A segunda é se os dados e o talento disponíveis sustentam aquela aplicação. A terceira é se o sucesso observado em um piloto pode ser replicado em outras áreas.

A síntese proposta por ele é direta: um piloto que não escala é apenas um experimento.

Leiduck acrescenta que o nível de exigência muda quando a IA entra em fluxos críticos. Em aplicações cotidianas, acertar 80% das vezes pode ser suficiente.

Já em áreas como cadeias de suprimentos ou fechamento financeiro, esse mesmo patamar de acurácia é um resultado muito ruim. A consequência prática é que a qualidade da base de dados e o contexto de processo deixam de ser detalhes técnicos e passam a definir quais projetos merecem investimento.

Governança como condição de escala

A ampliação do uso de agentes traz a governança para o centro da discussão. Políticas claras, controles de acesso, monitoramento e supervisão são apresentados como requisitos para manter os agentes confiáveis e alinhados às regras do negócio.

Singh argumenta que a ausência de governança não acelera a adoção de IA, e sim acumula um passivo de risco que pode forçar, mais adiante, uma parada e uma auditoria bem mais disruptivas.

O mesmo vale para a confiança operacional. Leiduck observa que os líderes demonstram preocupação com segurança, observabilidade, confiabilidade dos agentes e implicações éticas antes de colocá-los em produção.

Essas questões deixam de ser burocracia quando o sistema passa a executar tarefas dentro dos processos que sustentam a receita e o compliance da companhia.

De ferramenta de produtividade a parceira de decisão

Os dois executivos projetam um cenário em que sistemas agênticos coordenam trabalho entre diferentes aplicações, enquanto grafos de conhecimento específicos de cada cliente e dados governados se tornam ativos centrais das empresas. Para Singh, a oportunidade de longo prazo está na transição da IA como ferramenta de produtividade para a IA como parceira de decisão, ajudando gestores a entender o que está acontecendo, antecipar os próximos movimentos e definir como responder.

A mensagem final é que a tecnologia não pode ser simplesmente adicionada ao conjunto de ferramentas já existente. Ela exige reconfiguração do que está dentro da empresa e de como cada peça é usada, com dados integrados, processos redesenhados e governança embutida desde o início.

Fontes e links

Matéria publicada originalmente em MIT Technology Review

Últimas Notícias

Google Maps lança Ask Maps para viagens e preparativos de fim de ano
IA empresarial: do piloto à plataforma exige dados e governança
Audible lança descoberta de audiolivros com sinopses por IA
FrontierML: agentes de IA já convertem orçamento em desempenho