Outro dia, numa reunião de levantamento, o diretor de uma empresa me disse, muito tranquilo: “A gente já usa IA aqui. Todo mundo tem o ChatGPT aberto no navegador.”

Já ouvi essa frase muitas vezes, e entendo o raciocínio. Para a maioria das pessoas, a IA chegou pela janelinha do chat, então faz sentido imaginar que a versão corporativa seja só aquilo em tamanho maior.

Não é bem assim, e muita frustração em projeto nasce dessa confusão. Por isso quero falar com quem está no meio desse processo, ou pensando em começar, sobre o que diferencia uma coisa da outra e sobre as pedras que aparecem no caminho de quase toda empresa.

Chat não é estratégia

Quando você digita uma pergunta num chat de IA, o modelo do outro lado sabe muita coisa sobre o mundo, mas quase nada sobre a sua empresa. Ele não conhece seus clientes, seu estoque, sua margem, o histórico de vendas nem as regras que fazem o negócio funcionar.

É como contratar um consultor muito bom e não deixar ele entrar no prédio. Ele responde bem às perguntas genéricas, mas não consegue dizer o que está acontecendo aí dentro, que é justamente o que interessa.

A IA corporativa é montada de outro jeito. Basicamente, são três peças trabalhando juntas:

• Um modelo de linguagem (LLM), que entende a pergunta e responde em linguagem natural.
• Algoritmos desenhados para o seu negócio, com as regras, os cálculos e a lógica específicos da sua operação.
• Uma base única de dados, organizada e confiável, que é de onde a IA tira as respostas sobre a sua empresa (e não sobre a internet).

	IA de prompt (o chat)	IA corporativa
O que conhece	O mundo em geral	O mundo e a sua empresa
De onde vêm as respostas	Do que o modelo aprendeu	Dos seus dados, consultados na hora
Regras do negócio	Nenhuma	As suas, implementadas no algoritmo
Confiabilidade para decisão	Baixa, serve para ideias	Alta, rastreável até a origem do dado
Segurança da informação	Você coloca dados num serviço externo	Os dados ficam no seu ambiente, com controle de acesso

Repare que o centro de tudo são os dados. Hoje, conseguir um modelo é a parte fácil. O que separa uma IA que ajuda de uma IA que inventa é a base por trás dela, e é aí que começam as dificuldades.

Primeira pedra: “a gente tem dados” (mas não tem)

Quase toda empresa acha que tem dados de sobra. Tem ERP, CRM, planilha para tudo. Mas, quando a gente começa a perguntar com calma, as lacunas aparecem: o histórico só começa em 2023 porque o sistema antigo foi desligado, o cadastro de clientes não guarda o segmento, a informação de cancelamento está no e-mail do gerente, etc.

IA aprende com exemplos. O que não foi registrado simplesmente não existe para ela. E não adianta pedir para o modelo “deduzir” o que nunca foi guardado: é nessa hora que ele começa a inventar, e com muita convicção.

Antes de qualquer projeto, eu costumo recomendar três coisas:

1. Liste as cinco perguntas de negócio que você mais gostaria que a IA respondesse.
2. Para cada uma, pergunte: onde está o dado que responde isso hoje? Em que sistema, desde quando, com que frequência?
3. Marque o que não existe. Essa lista é muito útil, porque mostra o que precisa começar a ser coletado agora, mesmo que a IA só venha depois.

Se a lista de lacunas ficar grande, calma. Isso não quer dizer que a empresa está atrasada. Quer dizer que você está olhando para o lugar certo.

Segunda pedra: os dados existem, mas cada um fala uma língua

Esse é o cenário que mais encontro. O dado existe, só que está espalhado: o mesmo cliente aparece como “João Silva Ltda” no ERP, “JOAO SILVA” no CRM e “Silva & Cia” na planilha do financeiro. Datas em três formatos, produtos com código diferente em cada filial, PDFs de contrato que nunca ninguém leu de forma sistemática.

Para uma pessoa, isso é só chato. Para uma IA, é um problema sério: ela vai tratar o João como três clientes diferentes e entregar uma análise de churn errada, mas com toda a cara de certa.

Por isso eu insisto tanto na base única de dados. Sem ela, o resto não para em pé. Antes de pensar em modelo, alguém precisa:

• integrar as fontes num lugar só;
• padronizar nomes, códigos e formatos;
• decidir qual sistema é a “fonte da verdade” para cada informação;
• transformar documentos soltos (contratos, e-mails, atas) em algo que possa ser consultado.

Quem só vê a tela final não enxerga esse trabalho. Mas é ele que separa uma IA que só impressiona na demonstração de uma que continua acertando seis meses depois.

Terceira pedra: ninguém sabe exatamente o que quer (e tudo bem)

Talvez seja a mais humana de todas. O projeto começa com um pedido empolgado da diretoria: “queremos IA”. Aí vem o levantamento e a gente descobre que cada área imaginou uma coisa. O comercial quer previsão de vendas, o atendimento quer um assistente, o financeiro quer entender por que a inadimplência subiu.

Do outro lado, quem conhece o processo de verdade vive apagando incêndio. Vai para a reunião porque precisa, responde pela metade e volta correndo para a operação. Não é má vontade; a pessoa só ainda não entendeu o que ela ganha com isso.

Na minha experiência, o que funciona é mais ou menos isto:

• Comece pequeno e com um dono. Um problema, uma área e um patrocinador que sofre com aquilo todo dia.
• Traga quem opera, não só quem decide. A pessoa que faz o processo sabe onde o dado mente.
• Mostre algo rápido. Um protótipo simples, com dados reais, engaja mais do que dez apresentações.
• Defina como medir o sucesso antes de começar. Horas economizadas, erros evitados, receita recuperada. Sem uma medida, fica difícil defender o projeto lá na frente.

Por isso, levantamento bom é mais conversa do que questionário, conduzida por alguém que já passou por isso várias vezes e sabe as perguntas que ninguém lembrou de fazer.

Se você se reconheceu aqui, respira

Se em algum momento você pensou “isso é a minha empresa”, fique tranquilo: é assim em quase todo lugar. Eu não conheço nenhuma organização que tenha chegado à IA com dados completos, organizados e todo mundo alinhado. O que muda é o jeito de lidar com isso: algumas empresas encaram essas pedras com método, outras tentam pular direto para o modelo e acabam frustradas.

A boa notícia é que o caminho já é conhecido, e ele começa pelos dados, não pela IA:

1. Diagnóstico: entender que dados existem, onde estão e qual a qualidade deles.
2. Prioridade: escolher o primeiro caso de uso com maior retorno e menor esforço.
3. Fundação: construir a base única que vai alimentar esse caso e os próximos.
4. IA de verdade: só então conectar o modelo, os algoritmos e as regras do negócio.

Cada etapa já traz resultado por conta própria. Só o diagnóstico costuma revelar relatório errado, retrabalho escondido e decisão tomada com número que não bate. Tem muita empresa que começa a ganhar dinheiro antes de a IA entrar em produção.

Você não precisa atravessar isso sozinho

Aqui na CDB Data Solutions a gente desenvolve IA para empresas, e é exatamente por isso que passamos a maior parte do tempo falando de dados. Nosso time trabalhou por anos com bancos de dados, integrações e ambientes críticos, e aprendeu na prática que a IA só é tão boa quanto a base que a sustenta.

A gente não chega com uma solução pronta tentando encaixá-la no seu problema. Chega com perguntas. Fazemos o levantamento junto com as suas áreas, mapeamos o que existe e o que falta, organizamos a base única e só depois construímos uma IA que conversa com o seu negócio, e não com a internet.

Se você está começando, o primeiro passo costuma ser o mais simples: um diagnóstico dos seus dados. Ele mostra onde você está, o que já dá para fazer e quanto falta para chegar na IA que você imagina.

Se quiser conversar sobre isso, é só me chamar. Muitas vezes uma hora de conversa já ajuda bastante a enxergar o caminho com mais clareza.

Por Rodrigo Crespi