Na confluência entre marketing e tecnologia – área em que atuo atendendo grandes marcas – a IA domina praticamente todas as reuniões estratégicas. Do hype à promessa de hiperpersonalização em escala, o C-Level está convencido de que a inteligência artificial é a “bala de prata” da próxima década. E, em parte, eles estão certos. O potencial é enorme.
Como estrategista de dados, porém, meu papel é trazer a realidade à tona. Podemos comparar a IA com o motor de carro de Fórmula 1. Apesar de potente, depende de combustível de altíssima qualidade, pista bem pavimentada e equipe capaz de interpretar a telemetria para alcançar um bom desempenho. Quando falamos em tecnologia, significa dizer que, na prática, o maior desafio não é comprar ou desenvolver um modelo de IA, mas implementar o projeto de dados que o alimenta.
Ao trabalhar com grandes organizações, percebo que a jornada entre a aspiração e a implementação da inteligência artificial é repleta de obstáculos estruturais, culturais e estratégicos. Alguns deles se repetem com impressionante frequência.
O desafio estratégico: IA não é um objetivo de negócio
O primeiro entrave raramente é técnico. Ele é estratégico. Muitas empresas começam com a pergunta errada – “Como podemos usar IA?” – quando a pergunta seria, sob a ótica da inteligência de negócios, “qual problema real queremos resolver com dados?”.
É comum, por exemplo, um diretor de marketing pedir um “algoritmo de propensão de compra”. Quando investigamos mais a fundo, descobrimos que a empresa sequer possui um CRM unificado. Dados de vendas no ponto físico não conversam com dados de engajamento digital, e a visão do cliente está fragmentada.
Antes de prever quem vai comprar, é preciso saber quem é o cliente. A famosa visão Customer 360 não é o passo 5 de um projeto de IA, é o passo 1. Sem um KPI claro (reduzir churn, aumentar ticket médio ou melhorar eficiência operacional), o projeto se transforma em um exercício técnico caro, sem ROI definido e com alto risco de frustração.
O desafio estrutural: a crise dos silos de dados
Grandes marcas são, por natureza, complexas. Elas acumulam sistemas legados, aquisições, ERPs distintos, múltiplas plataformas de marketing, CRM, financeiro, produção e logística. Como resultado, costumam contar com silos de dados: o marketing controla os indicadores de mídia e campanha, o comercial detém dados de relacionamento, o financeiro guarda histórico de faturamento, o setor de operações monitora estoque e logística e assim por diante.
A IA, especialmente modelos de machine learning, depende da riqueza e da integração dessas variáveis. Um bom modelo de previsão de demanda precisa cruzar histórico de vendas, investimento em mídia e nível de estoque, por exemplo. Isso exige engenharia de dados complexa, governança e a construção de arquiteturas como data warehouses ou lakehouses. É um trabalho invisível, caro e pouco glamouroso, mas absolutamente essencial.
A máxima da estatística segue implacável: garbage in, garbage out. A IA não corrige dados ruins. Ela escala os erros com mais velocidade.
Leia mais: 4 empresas de IA a serem batidas, segundo o Gartner
O desafio cultural: a batalha contra o “eu acho”
Implementar IA é promover uma mudança profunda de mentalidade. Em empresas bem-sucedidas, muitas decisões foram historicamente tomadas com base na experiência e na intuição de líderes seniores. A IA introduz um novo “participante” na sala de reunião: um modelo matemático que, muitas vezes, contraria a intuição.
Quando o algoritmo sugere investir em um segmento historicamente ignorado, é natural surgir resistência. Por isso, projetos de dados precisam vir acompanhados de gestão da mudança e alfabetização em dados (data literacy).
Comece com quick-wins: projetos menores que aumentam a capacidade do time, em vez de substituir julgamentos complexos logo de início. Assim, a confiança no uso dos dados se constrói de forma gradual.
O desafio técnico: a “última milha” da IA
Mesmo quando tudo parece resolvido, surge um dos maiores gargalos dos projetos de IA: a operacionalização. Um modelo com 90% de acurácia no notebook do cientista de dados não gera valor algum se não estiver rodando em produção, em tempo real, integrado aos sistemas que impactam o cliente. É aqui que entra o universo do MLOps (Machine Learning Operations): infraestrutura em nuvem, monitoramento contínuo, controle de desempenho, prevenção de model drift e integração com os processos de negócio.
Modelos de IA não são produtos entregáveis uma única vez. São serviços vivos que precisam ser monitorados, auditados e constantemente ajustados.
O desafio da governança: viés, risco e LGPD
Por fim, há um tema inegociável: governança. Dados carregam vieses históricos. Se esses vieses não forem tratados, a IA não será neutra, irá automatizá-los. Além disso, a Lei Geral de Proteção de Dados (LGPD) impõe perguntas fundamentais: o dado foi coletado com consentimento? Está sendo usado para a finalidade correta? O modelo é explicável?
Projetos maduros de IA precisam nascer com governança de dados, privacidade e ética desde o dia zero. Isso não apenas reduz riscos legais, mas protege a reputação da marca e fortalece a confiança do consumidor.
IA acelera, mas não é ponto de partida
A transformação impulsionada pela IA é real e inevitável. Mas ela é consequência de uma estratégia de dados bem construída, não o começo da jornada. Projetos de IA bem-sucedidos exigem colaboração entre negócios, marketing, estatística, tecnologia, finanças e gestão de processos. Não se trata de um “big bang” tecnológico, mas de uma evolução contínua. O caminho mais seguro é começar aos poucos, resolver problemas reais, medir resultados, construir cultura para, depois, escalar. A IA pode até ser motor, mas o verdadeiro trabalho está em pavimentar a estrada.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
