O CEO da Vert Analytics e especialista em tecnologia, com experiência consolidada em inovação, inteligência artificial e analítica e no desenvolvimento de soluções que transformam negócios e serviços, André de Barros Faria, explica que um piloto de inteligência artificial que impressiona na apresentação e trava no primeiro mês de operação virou cena recorrente nas empresas. O modelo acerta em ambiente controlado, mas a produção expõe o que estava escondido: cadastros duplicados, campos preenchidos por critérios diferentes em cada área, ninguém responsável pela origem da informação.
O padrão de falha se repete com pouca variação entre setores. Raramente é o algoritmo que decepciona; é a base que o alimenta. A seguir, abordaremos os erros que mais travam a passagem do piloto para a escala e o que cada um deles revela sobre fundação técnica.
Governança tratada como etapa final
Na maior parte dos projetos, a discussão sobre linhagem, qualidade e permissões só aparece quando o modelo já está pronto e alguém pergunta de onde veio determinada variável. Nesse ponto, reconstruir o caminho do dado custa mais do que treinar tudo de novo. Parte das fontes mudou, parte foi corrigida manualmente, e o registro dessa correção não ficou em lugar algum.
A alternativa é fácil de enunciar e trabalhosa de executar: catalogar fontes, definir critérios de qualidade e registrar linhagem antes da primeira linha de código do modelo. Isso não atrasa o projeto. Atrasa o começo dele e evita o retrabalho que reaparece depois, multiplicado pelo número de sistemas já integrados.
Dados sem dono responsável
Uma área de operações decide mudar o critério de preenchimento de um campo de status. A alteração faz sentido para quem opera. Ninguém comunica o time de dados. Três semanas depois, o modelo de previsão começa a errar sem causa aparente, e a investigação consome mais tempo do que a construção original consumiu.
Casos assim se resolvem com atribuição formal de responsabilidade sobre cada domínio de dado, alguém que responda por definição, qualidade e mudanças de estrutura. Boa parte das falhas creditadas à tecnologia nasce dessa lacuna de responsabilidade, e não do modelo estatístico, avalia André Faria. Contratos entre áreas produtoras e consumidoras tornam a mudança visível antes que ela vire erro.
O modelo envelhece e ninguém percebe
Modelos não quebram de uma vez. Perdem precisão aos poucos, conforme o comportamento que aprenderam deixa de descrever a realidade. Um sistema de recomendação treinado com o consumo de determinado período segue respondendo com a mesma confiança depois que o padrão mudou. Quem monitora essa degradação silenciosa?
Governança madura define, antes da entrada em produção, qual métrica sinaliza desvio, com que frequência ela é conferida e quem tem autoridade para retirar o modelo do ar. Sem critério escrito, a decisão vira negociação política no meio de uma crise. O mesmo vale para versionamento: saber qual versão respondeu a qual decisão é o que permite auditar meses depois.
Acesso liberado demais ou travado demais?
André destaca que dois extremos comprometem projetos por caminhos opostos. No primeiro, todo analista enxerga tudo, inclusive dado pessoal sensível, e a empresa descobre o tamanho do problema quando precisa responder a uma auditoria. No segundo, o receio de errar bloqueia qualquer consulta, e o time passa meses negociando permissão para uma amostra.
O caminho está em classificar a informação por sensibilidade e liberar acesso por perfil, com anonimização sempre que o identificador não for necessário ao resultado. Uma política de acesso bem calibrada acelera o projeto em vez de freá-lo, porque elimina a negociação caso a caso.
Escalar é uma decisão de arquitetura
A pergunta que separa quem escala de quem acumula pilotos não é qual modelo adotar. É se a organização sabe de onde vem cada dado que sustenta uma decisão automatizada, quem responde por ele e o que acontece quando ele muda. Fundação não aparece na demonstração. Aparece no segundo ano.
Nesse desenho, governança deixa de ser controle e passa a ser condição de velocidade. Quem tratou o tema cedo coloca uma versão nova em produção em dias, enquanto os demais reconstroem histórico a cada ciclo. O ganho competitivo da IA, resume André de Barros Faria, tende a ficar com quem construiu a base antes de precisar dela.
