Artigos · Artigo
A IA só usa os dados que consegue encontrar
Toda organização tem mais dados do que consegue usar. Antes de investir em IA, a pergunta que importa é se ela está preparada para usar os próprios dados.
Onde os dados estão
Um hospital, um laboratório, uma escola, uma empresa: a informação existe, mas está espalhada em PDFs, planilhas, e-mails e sistemas que não conversam entre si.
Sem acesso a informações confiáveis, a IA pode produzir respostas incompletas, incorretas ou sem fundamento. O modelo raramente é o gargalo; os dados que ele consegue alcançar costumam ser.
O que as pesquisas dizem
Numa pesquisa de 2026 da MIT Technology Review Insights, patrocinada pelo Google Cloud, executivos estimaram que a IA consegue acessar, em média, só 45% dos dados das suas organizações.
Uma pesquisa independente da RAND, com entrevistas a 65 cientistas de dados e engenheiros experientes, aponta a falta dos dados necessários, e de infraestrutura para gerenciá-los, entre as cinco principais causas de fracasso de projetos de IA.
São dois tipos diferentes de evidência: uma estimativa autodeclarada por executivos e um estudo qualitativo com profissionais. Os dois apontam na mesma direção: o acesso limitado aos dados está associado a iniciativas de IA que ficam aquém do esperado.
Mais acesso não é menos proteção
Aumentar o acesso aos dados não significa liberar tudo para a IA. Na saúde e nas finanças, boa parte precisa continuar protegida.
Dados bem organizados facilitam a aplicação de controles de privacidade e segurança: identificar e proteger informações pessoais, controlar o acesso conforme permissões e rastrear quem acessou o quê. Estrutura e proteção tendem a andar juntas, não em sentidos opostos.
FAIR: a resposta da ciência, dez anos depois
A ciência bateu nessa parede há uma década e respondeu com quatro princípios, publicados em 2016: dados FAIR são Findable, Accessible, Interoperable e Reusable (localizáveis, acessíveis, interoperáveis e reutilizáveis).
- Localizáveis. Você sabe quais dados existem, inclusive os enterrados em PDFs e e-mails, e cada conjunto tem um identificador e metadados suficientes para ser encontrado.
- Acessíveis. Regras claras sobre quem, e o quê, pode lê-los, por meios padronizados e documentados.
- Interoperáveis. Definições e identificadores comuns, para que os sistemas consigam ligar os pontos.
- Reutilizáveis. Origem, qualidade e contexto documentados, para que os dados mereçam confiança de novo, de pessoas ou de modelos.
Dez anos depois, escritos para pesquisadores que compartilham dados com outros pesquisadores, os princípios parecem uma checklist para a IA.
Uma pergunta antes de investir
Antes de investir em IA, sua organização está preparada para usar os próprios dados? E qual dos quatro princípios é o maior desafio hoje? Para a maioria das organizações a resposta não é a mesma para os quatro, e é aí que o trabalho começa.
Fontes
- MIT Technology Review Insights, "Scaling AI agents with trustworthy data" (2026). Relatório patrocinado pelo Google Cloud.
- RAND Corporation, "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed" (2024).
- Wilkinson, M. D. et al., "The FAIR Guiding Principles for scientific data management and stewardship", Scientific Data 3, 160018 (2016).