TI: Ferramenta Nova, Dados Velhos, Mesmo Problema

A composição é familiar para qualquer head de tecnologia: a empresa cresceu, os dados estão espalhados em doze sistemas diferentes, e alguém na diretoria decidiu que "precisamos de inteligência artificial." O orçamento foi aprovado. O fornecedor, escolhido. O cronograma, definido. Em seis meses, tudo estaria funcionando.

Seis meses depois, o projeto estava morto.

Não por falta de investimento, de comprometimento da liderança, ou de qualidade técnica do fornecedor. Morreu porque ninguém olhou para o que estava embaixo da ferramenta: os dados.

O Projeto Que Tinha Tudo Para Dar Certo

A empresa — serviços B2B, 180 funcionários, faturamento na casa dos R$ 40 milhões — queria previsibilidade. O comercial vendia, mas não conseguia projetar o pipeline do trimestre com precisão. O financeiro fechava o mês com atraso. O CS perdia clientes sem identificar o padrão de saída.

A solução parecia óbvia: uma plataforma de analytics com inteligência artificial que cruzasse dados de vendas, financeiro e atendimento para gerar dashboards preditivos. Orçamento aprovado: R$ 280 mil. Razoável para o porte.

Nos dois primeiros meses, tudo andou. Integrações configuradas, dashboards montados, time treinado. No terceiro mês, as perguntas começaram: "Por que o dashboard mostra 412 clientes ativos e o comercial diz que são 380?" "Por que o forecast errou em 35% se a ferramenta deveria corrigir isso?"

No quarto mês, a equipe parou de consultar os dashboards. No sexto, o projeto foi oficialmente "pausado" — o eufemismo corporativo para cancelado.

A Causa-Raiz: Ninguém Olhou Para Baixo

O diagnóstico pós-mortem revelou o que deveria ter sido óbvio antes: a empresa não tinha um problema de ferramenta. Tinha um problema de fundação.

O CRM carregava 23% de cadastros duplicados. O ERP não conversava com a base de contratos. O financeiro mantinha uma planilha paralela porque "o sistema nunca bate." E o time de CS registrava interações em três lugares diferentes — nenhum deles o CRM oficial.

Quando a plataforma de analytics tentou cruzar esses dados, o resultado foi previsível: inconsistência entra, inconsistência sai. Não importa quão sofisticado seja o algoritmo. Se os dados de entrada divergem entre departamentos, a saída será um espelho da confusão interna.

Segundo o Gartner, 73% dos líderes de dados corporativos apontam qualidade de dados como a barreira número um para projetos de inteligência artificial. E 42% das empresas americanas já abandonaram pelo menos um projeto por essa razão. O custo médio anual do dado ruim por organização, ainda segundo o Gartner, é de US$ 12,9 milhões.

Quantas fontes diferentes alimentam o relatório que chega na sua mesa todo mês? Se a resposta for mais de uma — e se elas não batem entre si — o problema já está instalado.

A Conta da Correção: 5x o Investimento Original

O erro mais comum — e mais caro — que líderes de TI cometem ao avaliar projetos de dados é tratar governança como "fase 2." Primeiro compra a ferramenta, depois arruma os dados. É o equivalente a erguer três andares e só depois verificar se o terreno sustenta a fundação.

Dados de mercado mostram que corrigir problemas de qualidade após a implementação custa cinco vezes mais do que investir em governança e validação antes do projeto começar. No caso que descrevemos, os R$ 280 mil do projeto viraram custo afundado. A limpeza e reestruturação dos dados — que deveria ter sido o primeiro passo — custou R$ 90 mil. Conta total: R$ 370 mil e nove meses perdidos.

E aqui vai o momento de honestidade que poucos vendedores de tecnologia vão ter com a sua empresa: nem todo negócio está pronto para um projeto de inteligência artificial. Se o financeiro e o comercial da empresa discordam sobre quantos clientes ativos existem, o primeiro projeto não é de IA — é de limpeza de base. Admitir isso antes de assinar o contrato pode ser a decisão mais inteligente do ano.

Quando a Fundação Vem Primeiro, o Projeto Funciona

A boa notícia: o problema tem solução. E ela não exige milhões, nem dois anos de consultoria.

Quando a governança de dados é automatizada antes do projeto principal, três coisas mudam. Primeiro, cada dado que entra no sistema passa por validação automática. O cadastro de cliente que chega pelo site é cruzado automaticamente com a base fiscal e com o histórico no CRM. Se há divergência — CNPJ diferente, endereço conflitante, razão social desatualizada — o sistema sinaliza e encaminha para revisão antes que a informação entre em qualquer relatório. Sem ninguém ter que abrir planilha nenhuma.

Segundo, os departamentos param de manter versões paralelas da verdade. Quando a base é limpa e atualizada em tempo real, a planilha paralela perde razão de existir. Financeiro, comercial e CS consultam a mesma fonte — e os números batem. É o tipo de infraestrutura de dados que a Sincron IA monta antes de qualquer projeto de inteligência artificial: primeiro o alicerce, depois a construção.

Terceiro, a qualidade dos dados vira métrica visível. O time recebe alertas quando a taxa de inconsistências sobe acima do limite definido, e a correção acontece na semana — não no trimestre. A empresa do caso voltou ao projeto depois de investir três meses em limpeza e automação de dados. O resultado: os mesmos dashboards que antes mostravam ruído passaram a refletir a operação real. O forecast do trimestre seguinte errou em 8%, contra 35% do primeiro ciclo. E a planilha paralela do financeiro virou peça de museu.

Quatro Perguntas Antes de Assinar Qualquer Projeto

Se o seu time está avaliando fornecedores de analytics ou inteligência artificial, passe por este filtro antes de qualquer conversa comercial:

1. Quem é o dono de cada dado crítico? Se ninguém sabe responder quem é responsável pela atualização e precisão da base de clientes, contratos ou produtos, o projeto vai travar no terceiro mês. Dado sem dono é dado que ninguém corrige.

2. Quantas versões da verdade existem? Peça ao financeiro e ao comercial o número de clientes ativos. Se os números divergem, a empresa tem ruído — não dado. Nenhuma ferramenta de IA resolve esse problema sozinha.

3. Qual a latência da informação? Dados de sexta-feira informando decisões de quarta é latência que compromete qualquer modelo. Se a atualização depende de alguém exportar uma planilha uma vez por semana, o analytics vai operar permanentemente no passado.

4. O fornecedor perguntou sobre seus dados? Um fornecedor sério investiga a qualidade da sua base antes de propor solução. Se ele foi direto para features e demos sem entender o estado dos seus dados, desconfie. Ele está vendendo ferramenta, não resultado.

O Anti-Padrão Que Enterra Projetos

Existe um padrão que se repete em quase todo projeto de dados que fracassa: a empresa trata o dado como commodity e a ferramenta como protagonista. Inverte a ordem inteira.

Não faça isso. Não compre a plataforma de analytics primeiro para "depois a gente arruma os dados." Cada mês que a ferramenta roda sobre dados inconsistentes é um mês de decisões baseadas em ficção — e de perda de credibilidade do projeto internamente. Quando a diretoria perde a confiança nos números, não importa se os dados foram corrigidos depois. O projeto já morreu politicamente.

Se essas quatro perguntas acenderam algum sinal de alerta, o diagnóstico da Sincron IA mapeia exatamente onde seus dados estão quebrando — antes que o próximo projeto quebre junto.

Perguntas Frequentes

Quanto tempo leva para organizar os dados antes de um projeto de IA?

Depende do porte e do grau de fragmentação. Em PMEs de 50 a 200 pessoas, um diagnóstico de dados leva de duas a quatro semanas. A correção das fontes mais críticas, dois a três meses. Parece muito — até comparar com os seis a doze meses de um projeto que morre por dados inconsistentes.

Minha empresa é pequena demais para governança de dados?

Se a empresa tem mais de três sistemas que guardam dados de clientes — CRM, ERP, planilhas, e-mail marketing —, o problema já existe. Governança de dados não é luxo de multinacional. É higiene operacional. Em empresa menor, aliás, consertar é mais rápido e mais barato.

O fornecedor de IA não deveria cuidar da qualidade dos dados?

Um bom fornecedor avisa que seus dados não estão prontos. Um fornecedor medíocre aceita o projeto e entrega dashboards bonitos com números errados. A responsabilidade pela qualidade dos dados é da empresa — transferir isso para o fornecedor é a receita do fracasso descrito neste texto.

Como saber se meus dados estão prontos para IA?

Três critérios rápidos: (1) existe uma única fonte de verdade para cada informação crítica — cliente, receita, contrato; (2) os dados são atualizados em tempo real ou com frequência definida e cumprida; (3) menos de 5% dos registros apresentam inconsistências entre sistemas. Se a resposta para qualquer um desses é "não sei", você já tem a resposta.