Noventa e cinco por cento das empresas brasileiras já usam IA generativa. Esse número, sozinho, parece uma vitória. O problema aparece na pergunta seguinte: quantas dessas empresas sabem de onde vêm os dados que alimentam essa IA, quem pode acessá-los e o que fazer quando um modelo toma uma decisão errada com base neles? A resposta, segundo a mesma pesquisa, é quase nenhuma.
O AI Readiness Survey 2026, da Bain & Company em parceria com a Microsoft — mais de 1.200 líderes de negócio entrevistados —, traz os três números que deveriam estar juntos em qualquer análise de adoção de IA, mas raramente aparecem assim: 95% das empresas no Brasil usam IA generativa; 83% não têm um framework adequado de governança de dados; e apenas 41% obtiveram retorno financeiro positivo no primeiro ano de uso. Adoção em massa, governança quase inexistente, retorno concentrado numa minoria. Esses três números não são três problemas separados — são o mesmo problema visto de três ângulos.
O cano determina o que chega na torneira
Imagine o time comercial de uma empresa de porte médio usando um assistente de IA para priorizar quais leads o vendedor deve ligar primeiro. O modelo é bom — treinado sobre o histórico de vendas, cruza perfil de cliente com propensão de compra. O problema é a base de clientes que alimenta esse modelo: parte vem do CRM, parte de uma planilha que o time de marketing mantém à parte, parte de um sistema legado que ninguém mais atualiza direito. Nenhuma dessas três fontes tem dono definido, nenhuma passa por checagem de qualidade antes de entrar no modelo, e ninguém sabe dizer, quando o modelo erra feio — prioriza um cliente que já cancelou o contrato há seis meses —, qual das três fontes causou o erro.
O vendedor para de confiar na lista. Volta a priorizar do jeito antigo, por instinto. O investimento em IA continua no orçamento, continua sendo citado na reunião de diretoria como “iniciativa estratégica”, mas na prática virou uma ferramenta que ninguém usa de verdade. Essa é exatamente a mecânica por trás do 41% de retorno positivo: não é que o modelo seja ruim. É que a água que passa pelo cano está suja, e nenhuma IA — por mais sofisticada — purifica na saída o que entrou contaminado na entrada.
O que “governança de dados para IA” significa, na prática
O termo soa abstrato até ser decomposto em quatro peças concretas, nenhuma delas exigindo uma equipe de cientistas de dados para existir:
Catálogo de origem. Para cada uso de IA em produção, saber nomear exatamente quais bases alimentam aquele modelo — e quem é o responsável por cada uma. Sem isso, um erro não tem como ser investigado: ninguém sabe onde procurar.
Controle de acesso por papel. Nem todo dado deveria estar disponível para todo modelo, e nem todo modelo deveria estar disponível para todo usuário. Dado financeiro sensível alimentando um chatbot de atendimento ao cliente é um risco de vazamento esperando para acontecer, não uma hipótese remota.
Checkpoint de qualidade antes da entrada. Validar que o dado está completo, atualizado e no formato esperado antes de alimentar um modelo em produção — não depois que a decisão errada já saiu. É a diferença entre revisar um contrato antes de assinar e tentar desfazer depois.
Trilha de auditoria da decisão. Quando uma IA recomenda, aprova ou prioriza algo, precisa ser possível reconstruir depois com qual versão de qual dado aquela decisão foi tomada. Sem isso, toda decisão de IA é uma caixa-preta — inclusive para quem construiu o modelo.
Nenhuma dessas quatro peças é sobre o modelo de IA em si. Todas são sobre o que acontece antes do modelo — o que explica por que tanta empresa investe pesado na ferramenta e quase nada na fundação que a sustenta.
Formalizar o dado antes de automatizar a decisão
Essa é também a leitura de João Paulo Batistella, executivo de inovação com passagens por Ericsson, Telefônica/Vivo e CEO da EISA por cinco anos, quando defende que a IA depende de processo formalizado em dado — não do conhecimento que existe só na cabeça de alguém. Governança de dados é esse princípio aplicado antes mesmo de decidir qual modelo usar: se ninguém sabe nomear a origem, a qualidade e o dono de um dado, aquele dado não está pronto para alimentar uma decisão automatizada, por mais avançado que seja o modelo do outro lado.
É por isso que tratar governança como tarefa de TI — um projeto de catalogação que alguém vai fazer “quando sobrar tempo” — é o mesmo erro, com outra roupagem, de tratar a adoção de IA como decisão técnica em vez de decisão de negócio. Governança de dados malfeita não aparece como incidente de segurança na maioria das vezes. Aparece como decisão estranha que ninguém sabe explicar, relatório que a diretoria para de confiar, e um projeto de IA que silenciosamente para de ser usado.
Começar pequeno, mas começar pelo risco certo
Isso não significa construir, antes de qualquer projeto de IA, uma estrutura de governança de nível bancário. Para um caso de uso de baixo risco — um resumo automático de reunião, por exemplo — um checklist simples de uma página resolve. Para um caso de uso que toca dinheiro, dado de cliente ou decisão que afeta pessoas — aprovação de crédito, priorização de atendimento, triagem de currículo —, as quatro peças acima deixam de ser boa prática e passam a ser pré-requisito. O erro mais comum não é pular a governança: é aplicar o mesmo nível de rigor (ou de descaso) para os dois casos.
A pergunta que separa quem vai sair dos 83% sem governança é simples de fazer e difícil de responder de improviso: para o principal uso de IA da empresa hoje, alguém consegue nomear, em menos de um minuto, de onde vem o dado, quem pode acessá-lo e como auditar a última decisão que ele gerou? Se a resposta for não, o problema não está no modelo — está três passos antes dele.
Acompanhe a Eleva Tecnologia para mais análises sobre tecnologia aplicada a negócios: siga @ElevaTechno no X, @elevatechnologies no Instagram ou a Eleva Technologies no LinkedIn, ou conheça o grupo em elevatec.net/sobre.
