A maior parte dos projetos de inteligência artificial que nunca saem do papel não falha pelo modelo escolhido. Falha antes disso, na camada de dado que deveria sustentar esse modelo. Levantamentos recentes do setor mostram que a maioria das empresas não tem, ou nem sabe se tem, uma prática estruturada de governança de dado voltada para iniciativas de IA, e consultorias estimam que essa lacuna deve interromper uma fatia relevante dos projetos em andamento nos próximos anos.
É isso que aponta Jean Pierre Lessa e Santos Ferreira, especialista em tecnologia, software e inteligência artificial: governança de dado mal feita compromete projeto de IA muito antes de qualquer modelo ser treinado, porque o problema nasce na qualidade e na origem da informação usada para alimentá-lo.
Por que o problema aparece no modelo, mas nasce no dado?
Quando um projeto de IA entrega resultado inconsistente, a reação mais comum é revisar o modelo, ajustar parâmetros ou trocar de fornecedor de tecnologia. Raramente a primeira pergunta é sobre a origem do dado usado para treinar ou alimentar aquele modelo, mesmo quando o problema real está ali.
Um exemplo comum: o CRM da empresa define cliente ativo de um jeito, o sistema financeiro define de outro, e nenhum dos dois concorda com o critério usado pelo time de operação. Um modelo treinado em cima dessa base reproduz a inconsistência em escala, só que de forma automatizada e mais difícil de rastrear até a causa original, porque o resultado errado sai disfarçado de saída de um sistema sofisticado, e não do problema simples que originou tudo.
O que entra numa governança de dado real?
Governança de dado, na prática, começa por definir quem é dono de cada conjunto de informação e quem responde pela qualidade dele, prática conhecida como linhagem, o registro de onde cada dado nasceu e por quais sistemas passou antes de chegar ao modelo. Sem esse registro, corrigir um erro na origem exige refazer o caminho de trás para frente, sistema por sistema, até achar onde a informação começou a se distorcer.
Jean Pierre Lessa e Santos Ferreira explica que esse mapeamento também exige acordos explícitos entre quem produz o dado e quem consome, definindo o que conta como informação válida, com que frequência ela é atualizada e quem deve ser avisado quando algo muda na origem.
Diferença entre ter muito dado e ter dado confiável
Ter volume grande de dados disponíveis não é o mesmo que ter dado confiável. Base extensa, mas cheia de registros duplicados, campos desatualizados ou critérios de rotulagem inconsistentes entre times, produz resultado tão problemático quanto a falta de dados, só que mais difícil de diagnosticar, porque o volume passa a impressão de que o problema já foi resolvido.
Jean Pierre Lessa e Santos Ferreira mostra que essa confusão entre quantidade e qualidade costuma aparecer tarde, quando o modelo já está em produção e passa a reproduzir viés herdado da base ou a apresentar respostas inconsistentes para perguntas parecidas, sintoma direto de um dado que nunca teve dono nem critério claro por trás.
Governança de dado como pré-requisito, não etapa posterior
Tratar a governança como algo a ser resolvido depois que o modelo já está rodando inverte a ordem que deveria ter desde o início do projeto. Corrigir a base de dados com o sistema em produção custa mais caro, demora mais e ainda expõe o negócio ao risco de decisão tomada em cima de informação ruim enquanto o ajuste não é feito, período em que cada relatório e cada previsão gerados pelo modelo carregam o mesmo problema que ninguém resolveu na origem.
Jean Pierre Lessa e Santos Ferreira avalia que, quando a governança chega depois que o modelo já está em produção, ela deixa de ser prevenção e vira reparo, quase sempre mais caro e mais lento do que teria sido corrigir a base antes de qualquer linha de código do modelo ser escrita. Nessa fase, cada ajuste exige tirar o sistema do fluxo de decisão do negócio, refazer parte do treinamento e reconstruir a confiança de quem já foi impactado por uma saída errada, um custo que raramente entra na estimativa inicial do projeto.