“Nossos dados estão prontos para IA?” é uma pergunta sem resposta enquanto ninguém disser para quê. Os mesmos dados podem sustentar bem uma consulta a procedimentos internos e ser inúteis para prever a demanda do próximo trimestre. Prontidão não é uma nota que a empresa recebe de uma vez: é uma avaliação feita para uma tarefa específica, com fontes específicas, para pessoas específicas.

Comece pela tarefa, não pela tecnologia

A primeira conversa não deveria ser sobre modelos, plataformas ou fornecedores. Deveria descrever uma tarefa real:

  • o que se faz hoje (responder a uma dúvida sobre um procedimento, conferir campos de um documento, explicar a variação de um indicador);
  • quem faz, com que frequência e quanto tempo leva;
  • onde a pessoa busca a informação para fazer;
  • o que acontece quando a resposta sai errada, e quem percebe.

Uma tarefa bem descrita já elimina muitas ideias. Se ninguém consegue dizer onde está a informação correta, a IA também não vai encontrá-la. Se um erro tem consequência séria e não há como conferir a resposta, o projeto precisa de revisão humana desde o desenho, ou não deve começar.

Fontes, qualidade, donos e permissões

Com a tarefa definida, liste as fontes que a sustentam e avalie cada uma em quatro pontos.

Fonte. Onde está a informação: banco do ERP, modelo do Power BI, pasta de documentos, sistema de chamados, planilhas. Existe uma versão oficial, ou cada área tem a sua cópia? Há documentos antigos que contradizem os atuais?

Qualidade. Os dados estão completos no período que interessa? Os campos usados na tarefa são preenchidos de forma consistente? Os documentos têm texto pesquisável, ou são imagens digitalizadas que precisariam de reconhecimento de texto antes? Em indicadores, existe uma definição escrita da regra de cálculo?

Dono. Quem responde pelo conteúdo e decide quando ele muda? Fonte sem dono envelhece sem que ninguém perceba, e uma resposta montada sobre ela envelhece junto.

Permissões. Quem pode ver o quê hoje? Se o financeiro vê dados que o comercial não vê, um assistente que consulta as duas fontes precisa respeitar a mesma separação para cada usuário. Permissão concedida “para todos” por comodidade numa pasta de rede vira vazamento quando um assistente passa a responder com base nela.

Meça o processo atual antes

Sem uma linha de base, não há como dizer depois se a IA ajudou. Antes de qualquer piloto, registre como a tarefa funciona hoje:

  • tempo médio para concluir a tarefa ou obter a resposta;
  • quantas vezes a resposta precisa ser corrigida ou refeita;
  • quanto custa o processo atual, incluindo o tempo das pessoas;
  • um conjunto de casos reais com o resultado correto, validado por quem conhece o assunto.

Esse conjunto de casos é o que depois serve para avaliar o piloto. Ele deve ser separado em duas partes: uma usada durante o desenvolvimento e outra guardada para a avaliação final, para que o teste não seja feito com as mesmas perguntas usadas para ajustar a solução.

Quando dados ou BI resolvem sem IA

Uma boa avaliação de prontidão às vezes conclui que IA não é o próximo passo. Alguns sinais:

  • a informação existe, mas está espalhada em planilhas que ninguém concilia. Uma base consolidada e um painel resolvem;
  • a dúvida se repete porque o procedimento está desatualizado ou mal escrito. Revisar o documento resolve;
  • a área pede “perguntas em linguagem natural”, mas as perguntas são sempre as mesmas cinco. Um relatório com filtros resolve, com menor custo de operação;
  • os números divergem entre relatórios. Enquanto a regra não estiver definida, qualquer assistente apenas repetirá a divergência com mais confiança.

Essas melhorias não são perda de tempo: elas formam a base que um projeto de IA vai precisar de qualquer forma.

Vale um cuidado com recursos prontos de IA em plataformas de dados. O Copilot no Power BI e os agentes de dados do Fabric, por exemplo, exigem capacidade paga e configuração do administrador, que em algumas regiões inclui permitir o processamento dos dados fora da região da capacidade. Os requisitos mudam com frequência; confira a documentação atual da Microsoft antes de contar com eles num plano.

Checklist de prontidão para uma tarefa

  • A tarefa está descrita: quem faz, com que frequência, quanto tempo leva e qual o custo de um erro.
  • As fontes que sustentam a tarefa estão listadas, com a versão oficial identificada.
  • Cada fonte tem um dono que responde pelo conteúdo.
  • A qualidade foi verificada nos campos e no período usados pela tarefa.
  • As permissões atuais estão mapeadas e fazem sentido para quem vai usar a solução.
  • Os dados pessoais envolvidos estão identificados, com finalidade e base legal avaliadas pelo jurídico.
  • Existe uma linha de base de tempo, retrabalho e custo do processo atual.
  • Existe um conjunto de casos com resultado correto, validado por especialistas e separado entre desenvolvimento e avaliação.
  • Alguém avaliou se uma melhoria de dados, de documento ou de BI resolveria sem IA.
  • Está definido quem confere as respostas no início e o que faz a operação parar se a qualidade cair.

Itens sem resposta não impedem a conversa, mas mostram o que precisa ser feito antes do piloto.

Dados pessoais e o que não enviar a modelos

A LGPD continua valendo quando os dados passam por um modelo de IA. Os princípios de finalidade e necessidade se aplicam: use só os dados pessoais de que a tarefa realmente precisa. Dados sensíveis, como saúde, biometria e origem racial ou étnica, têm regras mais rígidas. Se o serviço processa os dados fora do Brasil, há transferência internacional, que também tem requisitos próprios. As decisões sobre base legal e transferência são do jurídico e do encarregado; a parte técnica precisa saber exatamente que dados trafegam e para onde. Um mapeamento de dados pessoais bem feito é o ponto de partida.

Algumas regras práticas:

  • nunca envie senhas, chaves de acesso, tokens ou cadeias de conexão a um modelo;
  • não cole documentos internos ou dados de clientes em ferramentas de uso pessoal, sem contrato corporativo que defina retenção, uso para treinamento e local de processamento;
  • prefira dados agregados ou pseudonimizados quando a tarefa não depende da identidade da pessoa;
  • registre quais fontes alimentam a solução e quem aprovou cada uma, para conseguir remover uma fonte depois.

Quer avaliar um caso de uso?

Se há uma tarefa candidata e a dúvida é se os dados sustentam o projeto, um diagnóstico levanta fontes, permissões e linha de base, e compara IA com alternativas mais simples. Conheça o serviço de dados e IA corporativa ou peça um diagnóstico.