Trocar de software ou ligar a IA aos sistemas da empresa parece uma decisão tecnológica. O resultado, porém, depende de três coisas que nenhuma ferramenta traz consigo: um processo claro, dados fiáveis e regras sobre a forma como esses dados são tratados. Isto vale para uma empresa de 15 pessoas e para um grupo de 5 000.
A pergunta que costuma vir primeiro é a errada
Quando os ficheiros se multiplicam, a informação é introduzida duas vezes e ninguém sabe ao certo em que ponto está um pedido, a reação natural é procurar uma ferramenta melhor. Com a IA, a tentação é a mesma, só mais rápida: um assistente, um agente, uma integração.
Uma ferramenta acelera o que já existe. Se o processo é claro e os dados são fiáveis, acelera um bom trabalho. Se não são, acelera a confusão, agora com mais volume e mais confiança aparente.
Em vez deQue ferramenta devemos comprar?
PergunteQue decisão ou tarefa queremos melhorar, com que dados, e quem responde por esses dados?
O problema raramente é a ferramenta
A BCG inquiriu 1 000 executivos em 2024 e separou as empresas que já obtêm valor da IA das restantes. As líderes distribuem os recursos segundo uma regra simples: 10 % para os algoritmos, 20 % para a tecnologia e os dados, 70 % para as pessoas e os processos.
É um princípio de afetação de recursos observado nas empresas líderes do estudo, não uma regra universal. Serve para mostrar onde fica a maior parte do trabalho.
Ver dados em tabela
| Componente | Parte dos recursos |
|---|---|
| Algoritmos | 10 % |
| Tecnologia e dados | 20 % |
| Pessoas e processos | 70 % |
A mesma lógica aplica-se a uma mudança de ERP, de CRM ou de ferramenta de gestão de projetos. A licença e a configuração são a parte visível. O trabalho que decide o resultado está em definir o processo, limpar e organizar os dados e preparar quem vai usar a ferramenta.
A IBM encontra o mesmo padrão do lado dos CEO: metade reconhece que o ritmo de investimento deixou a empresa com tecnologia desligada e fragmentada, e 68 % consideram crítica uma arquitetura de dados integrada para toda a empresa.
Na era da IA, o contexto é o ativo
Um modelo de IA responde com base no que recebe. Sem contexto, produz uma resposta genérica e plausível. Com contexto errado, produz uma resposta errada e convincente. O que distingue uma empresa da outra não é o modelo, que está disponível para todos, mas o contexto que consegue dar-lhe: os seus dados, as suas definições, as suas regras.
Esse contexto organiza-se em camadas. Cada camada só funciona se a de baixo estiver resolvida.
-
Pergunta de controlo: que decisão concreta muda se a ferramenta funcionar?
Sintoma quando falha: o projeto avança sem critério de sucesso e ninguém consegue dizer se correu bem.
-
Pergunta de controlo: a ferramenta lê os dados de referência ou uma cópia?
Sintoma quando falha: a ferramenta nova convive com as folhas de cálculo antigas, e ninguém sabe qual está certa.
-
Pergunta de controlo: duas pessoas descrevem o processo da mesma forma?
Sintoma quando falha: o trabalho fica parado à espera de uma pessoa, e a ferramenta só mostra o atraso com uma notificação.
-
Pergunta de controlo: "vendas do mês" inclui encomendas não faturadas? E devoluções?
Sintoma quando falha: dois relatórios dão dois valores diferentes e a reunião discute o número em vez da decisão.
-
Pergunta de controlo: para cada dado, onde está a versão de referência e quem a mantém?
Sintoma quando falha: a mesma morada de cliente existe em três sítios, com três valores.
A definição de "dados preparados para IA" da Gartner vai no mesmo sentido: dados representativos do caso de uso concreto, incluindo erros, exceções e situações inesperadas. Não existem dados prontos em abstrato. Estão prontos, ou não, para uma utilização específica.
A confiança nos dados está a descer
O inquérito anual da Precisely e da Drexel University (LeBow College of Business) a mais de 565 profissionais de dados mostra uma evolução desfavorável entre 2023 e 2024 em três indicadores.
- 2023
- 2024
Ver dados em tabela
| Indicador | 2023 | 2024 |
|---|---|---|
| A qualidade dos dados é o principal desafio de integridade | 50 % | 64 % |
| Avaliam a qualidade dos seus dados como média ou pior | 66 % | 77 % |
| Não confiam totalmente nos dados usados para decidir | 55 % | 67 % |
No mesmo estudo, apenas 12 % dizem que os seus dados têm qualidade e acessibilidade suficientes para uma utilização eficaz da IA. Do lado da Gartner, 63 % das organizações não têm, ou não sabem se têm, as práticas de gestão de dados adequadas à IA.
Uma leitura possível: quanto mais as empresas tentam usar os dados para decidir ou alimentar a IA, mais descobrem os seus limites. A qualidade não piorou necessariamente; ficou visível.
Os dados já estão a sair da empresa, com ou sem estratégia
A questão do tratamento dos dados não espera pela decisão de adotar IA. Os colaboradores já usam ferramentas por iniciativa própria, e com elas circula informação da empresa.
Ver dados em tabela
| Indicador | Valor | Estudo e população |
|---|---|---|
| Utilizadores de IA que trazem as suas próprias ferramentas para o trabalho | 78 % (80 % nas PME) | Microsoft e LinkedIn, 2024. 31 000 pessoas em 31 países |
| Inseriram informação não pública da empresa em IA generativa | 48 % | Cisco, 2024. 2 600 profissionais de privacidade e segurança, 12 países |
| Inseriram informação sobre colaboradores | 45 % | Cisco, 2024. Mesma população |
| Organizações sem política de governação de IA | 63 % | IBM, 2025. 600 organizações que sofreram uma violação de dados |
| Utilizadores de IA que receberam formação da empresa | 39 % | Microsoft e LinkedIn, 2024 |
O custo também já está medido. No relatório de 2025 sobre violações de dados, a IBM estima que o uso de ferramentas de IA não aprovadas acrescentou 670 000 dólares ao custo médio de uma violação. Entre as organizações que tiveram um incidente de segurança ligado à IA, 97 % não tinham controlos de acesso adequados.
Proibir é uma resposta possível: 27 % das organizações do estudo da Cisco proibiram a IA generativa, pelo menos temporariamente. A proibição não elimina a necessidade que levou ao uso. Sem uma alternativa aprovada e regras claras, o risco tende a deslocar-se em vez de desaparecer.
Um mapa de dados mínimo
Antes de migrar dados, ligar uma ferramenta ou dar acesso a um assistente de IA, uma tabela simples responde à maior parte das perguntas. O exemplo abaixo usa categorias genéricas.
Mapa de dados (exemplo)| Dado | Versão de referência | Dono | Definição escrita? | Sensibilidade | Pode entrar numa ferramenta de IA? |
|---|---|---|---|---|---|
| Clientes (contactos, moradas) | CRM | Comercial | Sim | Dados pessoais (RGPD) | Só em ferramenta aprovada, com contrato de tratamento |
| Encomendas e faturas | Programa de faturação | Financeiro | Sim | Comercial confidencial | Agregado ou anonimizado |
| Margem por projeto | Folha de cálculo partilhada | Por definir | Não | Estratégica | Não, até haver dono e definição |
| Dados de colaboradores | Sistema de RH | Recursos humanos | Sim | Dados pessoais, alguns sensíveis | Não, salvo caso validado juridicamente |
| Procedimentos internos | Pasta partilhada | Operações | Parcial | Interna | Sim, em ferramenta aprovada |
As linhas com "por definir" ou "não" na coluna da definição são o primeiro trabalho a fazer. Uma ferramenta nova não as resolve: herda-as.
Informação geral, sem valor de aconselhamento jurídico. As regras de proteção de dados e as obrigações do regulamento europeu de IA aplicam-se caso a caso. Sobre o AI Act, ver também o que mudou em 2026.
5 perguntas antes de mudar de ferramenta ou adotar IA
Cada pergunta corresponde a um sinal frequente de que o problema está no contexto e não na ferramenta.
O processo é descrito da mesma forma por quem o executa?
Se duas pessoas descrevem percursos diferentes para o mesmo pedido, falta uma regra comum. Para a IA: um processo ambíguo dá instruções ambíguas e resultados inconsistentes.
Cada dado tem uma versão de referência?
A mesma informação introduzida em vários sítios acaba por divergir. Para a IA: com três versões do mesmo dado, o modelo usa a que encontrar, não a correta.
Os indicadores têm uma definição única e escrita?
Dois valores para as vendas do mês costumam ser duas definições, não um erro de cálculo. Para a IA: sem definição, uma análise automática calcula com rigor a coisa errada.
Há um responsável e um critério de decisão?
Quando o trabalho espera por uma pessoa, falta autoridade ou informação, não software. Para a IA: sem alguém que valide, nada do que a ferramenta prepara deve sair da empresa.
Existe uma medida de sucesso com ponto de partida?
"Modernizar" é uma intenção. Tempo de resposta, retrabalho ou horas de reporte são objetivos. Para a IA: sem medida antes, é impossível provar o ganho depois.
PME, média ou grande empresa: muda a escala, não a pergunta
A dimensão altera onde estão os dados, quem decide e que riscos pesam mais. Não altera a ordem do trabalho.
O que muda com a dimensão, e o que não muda| Pequena (10 a 49) | Média (50 a 249) | Grande (250 ou mais) | |
|---|---|---|---|
| Onde estão os dados | Folhas de cálculo, email, um programa de faturação | Vários sistemas por departamento, ligados à mão | ERP, CRM e dezenas de aplicações, com cópias locais |
| Risco típico | Conhecimento concentrado em poucas pessoas | Ilhas de dados entre departamentos | Ferramentas paralelas fora do controlo central |
| Quem decide | A direção, diretamente | Direção e responsáveis de área | Comités, TI, jurídico, proteção de dados |
| Primeiro passo realista | Um processo e um dono por dado | Definições comuns entre áreas | Governação de dados e alternativas aprovadas |
| O que não muda | Processo claro, dados de referência, regras de tratamento, medida de sucesso. Por esta ordem, antes da ferramenta. | ||
Diagnóstico de prontidão
Escolha um processo concreto, por exemplo o tratamento de um pedido de cliente ou o fecho mensal, e responda às nove afirmações. O resultado é dado pelo pilar mais fraco: uma ferramenta não compensa uma base que falha. Nada é guardado nem enviado.
Cinco passos, por esta ordem
-
1
Reconstruir um caso real do princípio ao fim Escolher um pedido ou um fecho recente e registar onde entrou, por que etapas passou, onde houve espera, dúvida ou repetição, e que informação faltou em cada momento.
-
2
Mapear os dados que esse processo usa Versão de referência, dono, definição e sensibilidade de cada dado, como no mapa acima. As lacunas passam a ser tarefas com responsável.
-
3
Acordar definições e regras de tratamento O que significa cada indicador, que dados podem sair para ferramentas externas, que ferramenta é a alternativa aprovada e quem valida o resultado.
-
4
Testar num âmbito pequeno, com medida antes e depois Um processo, uma equipa, um período definido. Comparar tempo, retrabalho, erros e aceitação com o ponto de partida.
-
5
Decidir: adotar, ajustar ou parar Só com o resultado medido faz sentido escolher a ferramenta definitiva ou alargar o uso. Parar também é um resultado válido, e custa menos cedo do que tarde.
Conclusão
Os modelos de IA e as ferramentas de gestão estão ao alcance de qualquer empresa. O que não se compra é o contexto: um processo que todos descrevem da mesma forma, dados com dono e definição, e regras claras sobre o que pode sair da empresa.
A pergunta útil antes de qualquer demonstração ou assinatura é esta:
Se a ferramenta chegasse amanhã, a empresa saberia que dados lhe dar, com que regras, e para melhorar que decisão?
Fontes
- Gartner, "Lack of AI-Ready Data Puts AI Projects at Risk" (26 de fevereiro de 2025): previsão de 60 % de abandono, 63 % sem práticas adequadas, definição de dados preparados para IA.
- BCG, "AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value" (24 de outubro de 2024) e relatório "Where's the Value in AI?": 74 %, princípio 10/20/70.
- IBM Institute for Business Value, "CEOs Double Down on AI While Navigating Enterprise Hurdles" (6 de maio de 2025): 2 000 CEO, 25 % com retorno esperado, 50 % com tecnologia fragmentada, 68 % sobre arquitetura de dados.
- Precisely e Drexel University LeBow College of Business, "Data Integrity Trends and Insights" (18 de setembro de 2024) e relatório completo.
- Microsoft e LinkedIn, 2024 Work Trend Index (8 de maio de 2024) e "AI at Work Is Here. Now Comes the Hard Part": 78 % e 80 % nas PME, 39 % com formação.
- Cisco, 2024 Data Privacy Benchmark Study (25 de janeiro de 2024): 27 %, 48 % e 45 %.
- IBM, "2025 Cost of a Data Breach Report: Navigating the AI rush without sidelining security" (30 de julho de 2025), estudo do Ponemon Institute: 670 000 dólares, 97 %, 63 %.
Dados verificados a 6 de outubro de 2026. Os estudos citados usam amostras e métodos diferentes; os valores não devem ser comparados entre si.