Oitenta e seis por cento das organizações consultadas pela Iron Mountain tiveram projetos de inteligência artificial atrasados ou cancelados nos últimos 12 meses por preocupações com dados, segundo levantamento divulgado nesta quarta-feira (28) e reportado pela Exame com base em texto da TI Inside Online. O gargalo não está no modelo nem no orçamento, mas na informação que deveria alimentá-lo.
A pesquisa também mede quanto tempo se perde antes de a IA rodar. Quatro em cada dez organizações dedicam pelo menos 41% do cronograma dos projetos à preparação manual de dados. Entram nessa conta tarefas como localizar arquivos, corrigir inconsistências e reunir informações guardadas em ambientes diferentes.
Onde os dados travam
Para 56% dos participantes, o principal obstáculo são dados espalhados por sistemas desconectados ou por departamentos que não os compartilham. Outros 53% apontam formatos antigos e arquivos físicos como barreira. Só 39% dizem estar na categoria de dados digitalizados e estruturados, ou seja, centralizados, indexados e prontos para análises e para IA.
O contraste com a ambição declarada é grande: 95% afirmam que usar dados para melhorar os resultados do negócio é prioridade. A maior parte das empresas, portanto, quer extrair valor de um acervo que ainda não conseguiu organizar.
Rastro dos dados e risco para agentes de IA
Um número pesa sobre a governança: 70% não conseguem rastrear de forma eficaz a origem ou o percurso dos dados usados por suas aplicações de IA. Sem esse rastro, fica mais difícil identificar erros, investigar resultados e explicar como um sistema chegou a determinada conclusão. A falta de visibilidade também amplia riscos de segurança e de conformidade.
O problema ganha peso com os agentes de IA, que executam tarefas a partir de permissões e integrações com outros sistemas. De acordo com o material, eles exigem dados corretos, atualizados, com regras de acesso definidas e ações que possam ser monitoradas.
O que as empresas são orientadas a fazer
As recomendações citadas na reportagem começam por mapear onde estão os dados, quem os atualiza e quais equipes podem acessá-los. Em seguida, vem priorizar as informações ligadas ao objetivo do projeto e checar a qualidade delas antes de qualquer implantação. O texto também menciona definir critérios para acompanhar resultados e estabelecer regras de acesso, atualização e uso.
Na prática, o custo aparece no cronograma e no caixa: projeto que passa meses na preparação manual adia o retorno prometido ao conselho e consome equipe técnica em tarefa de arquivo. Para o gestor que aprova verba de IA, a pergunta anterior à escolha da ferramenta é se a empresa sabe onde estão seus dados e quem responde por eles.
Há uma ressalva sobre os números. A reportagem da Exame não informa quantas organizações foram ouvidas, em quais países, nem o período e o método da coleta, e observa que os percentuais refletem apenas as participantes, sem valer como estimativa universal. Também não há declarações nominais de executivos ou pesquisadores da Iron Mountain no texto.
