A IA não tem problema de dados sujos. Tem problema de dados que ninguém governa.

O mito da faxina

Quando um gestor ouve que precisa "cuidar da qualidade dos dados antes de usar IA", ele imagina uma faxina. Remover duplicatas, corrigir CPFs errados, padronizar planilhas. É a parte fácil — e a parte que quase não importa.

O problema real não é sujeira. É ausência de dono. Ninguém governa a fonte, ninguém define quem enxerga o quê, ninguém sabe o que quebra quando um sistema muda de formato. A IA só torna esse vácuo visível — e caro.

Os números do abandono confirmam. Segundo o Gartner, pelo menos 30% dos projetos de IA generativa foram abandonados até o fim de 2025 depois da prova de conceito, por má qualidade de dados, controle de risco frouxo ou custo crescente. Repare na ordem das causas. Não é o modelo que falha. É tudo o que está ao redor dele. E a McKinsey já mostrava o sintoma antes: cientistas de dados gastam de 70% a 80% do tempo caçando, limpando e preparando dados em vez de treinar modelos. Isso não é ineficiência de pessoas. É falta de estrutura de governança que deveria vir muito antes deles.

Governar dado é responder quatro perguntas chatas

Organizar dados para IA não é um projeto de limpeza. É responder, para cada fonte, quatro perguntas que a maioria das empresas nunca formalizou: de onde vem, como se chama, quem pode ver e o que acontece se mudar.

A Siemens respondeu a última pergunta com o que o mercado chama de contratos de dados. Nas fábricas inteligentes, antes de alimentar os modelos de manutenção preditiva com dados de sensores IoT, a empresa formalizou o formato de cada pipeline. Se um sensor de temperatura altera a forma de enviar os dados, o contrato bloqueia a entrada automática. Sem isso, o modelo interpretaria a mudança de formato como uma anomalia física na máquina — e mandaria parar uma linha de produção por causa de uma vírgula deslocada. É a diferença entre um sistema que erra e um sistema que sabe quando não confiar em si mesmo.

A Unilever respondeu a segunda pergunta — como se chama. A companhia padronizou a taxonomia de produtos e cadeia de suprimentos em mais de 190 países antes de aplicar IA preditiva de demanda. O motivo é banal e devastador: o mesmo ingrediente, a mesma embalagem, eram cadastrados com nomes e códigos diferentes por equipes locais. A IA não sabia que dois registros eram a mesma coisa, contava estoque duplicado e previa demanda errada. Nenhum algoritmo mais potente resolveria isso. É problema de vocabulário, não de matemática.

A pergunta que ninguém quer fazer: quem pode ver?

Das quatro perguntas, a mais negligenciada é a de permissão. E é a que mais destrói.

Conectar um agente de IA à base corporativa sem uma taxonomia de segurança rígida transforma o chatbot interno num superusuário involuntário. O estagiário pergunta "qual o maior salário da diretoria?" e recebe a resposta, porque a permissão nunca foi modelada no dado — só na interface antiga que a IA contornou.

O Itaú tratou isso como pré-condição, não como remendo. Para usar IA em larga escala, o banco fez uma das maiores migrações de dados para nuvem do mundo e montou um Data Lakehouse unificado, catalogando dados de milhões de clientes. O ponto não é a nuvem. É que os modelos de propensão de crédito e os assistentes virtuais passaram a operar sem cruzar dados de forma indevida, respeitando sigilo bancário e LGPD por desenho da arquitetura. Permissão embutida na fonte, não na tela.

Isso importa juridicamente no Brasil. O artigo 6º da LGPD já consagra o princípio da qualidade dos dados — exatidão, clareza, relevância, atualização. Uma IA que nega crédito ou recusa seguro com base em dado desatualizado não é um erro técnico. É exposição a multa da ANPD. E o PL 2338, em tramitação avançada, vai exigir avaliação de vieses em sistemas de alto risco. Dado histórico brasileiro é enviesado por questões socioeconômicas e raciais; treinar IA de contratação ou crédito sobre essa base sem balanceá-la será, em breve, ilegal — não apenas feio.

O erro oposto: esterilizar até virar mentira

Aqui vai o contraponto que quase ninguém faz. Existe higienização demais.

Na ânsia de entregar uma base "perfeita", equipes removem outliers, ruídos e inconsistências até apagar o mundo real. O resultado é uma IA que brilha no laboratório e fracassa no balcão. Ela sofre de sobreajuste: aprendeu um mercado limpo que não existe. Pior — perde exatamente a capacidade de detectar fraude rara e comportamento de consumo emergente, porque esses sinais são, por definição, ruído estatístico. Foram apagados na faxina.

É por isso que a Mayo Clinic é um exemplo mais inteligente do que parece. A instituição padronizou terminologias clínicas como SNOMED-CT e LOINC antes de deixar a IA analisar prontuários, para que dois médicos escrevendo o mesmo diagnóstico de formas diferentes não confundissem o modelo. Note a natureza da limpeza: ela unifica sinônimos, não apaga variação clínica real. Padronizar vocabulário é o oposto de esterilizar comportamento. A meta não é dado limpo. É dado fiel.

O caso brasileiro é pior — e mais óbvio

A FGV é direta ao apontar que a integração de sistemas e a qualidade das fontes legadas seguem sendo a maior barreira para IA nas médias e grandes empresas brasileiras. O CIO daqui vive um problema específico: mainframe dos anos 90 convivendo com SaaS em nuvem. Dado fragmentado entre eras tecnológicas.

E tem o volume invisível. A Deloitte estima que 80% a 90% dos dados corporativos são não estruturados — e-mails, PDFs, áudios. Para o RAG, o padrão corporativo de conectar LLMs à base interna, isso é uma mina terrestre. Se o repositório tem documentos desatualizados, duplicados e contraditórios, a IA produz o que se convencionou chamar de alucinação autoritativa: erro convicto, citando um PDF oficial que está errado.

O que isso significa para empresas brasileiras

Pare de tratar dado como projeto de TI que antecede a IA e comece a tratá-lo como estrutura de governança permanente. A recompensa é medível: a IDC aponta ROI 2,5 vezes maior em IA para quem investe em integridade de dados, contra o custo médio de US$ 12,9 milhões por ano que o Gartner atribui a dados ruins.

Na prática, duas decisões devem vir antes de qualquer piloto:

• Defina um dono por fonte e um contrato de dados por pipeline crítico — para que ninguém descubra que o modelo quebrou porque um sistema mudou de formato no silêncio.
• Modele permissão no dado, não na interface — porque a IA vai contornar toda tela antiga que você achava que protegia o confidencial.

E resista à tentação da base perfeita. Dado bom para IA não é dado limpo. É dado com dono, com vocabulário único, com permissão embutida — e com ruído suficiente para que a máquina reconheça o mundo real quando ele bater na porta.