Resumo em 30 segundos. A maioria dos projetos de IA não falha pela IA. Falha pela fundação: dado espalhado, desatualizado, contraditório. O Gartner projeta que 60% dos projetos de IA serão abandonados por falta de dado pronto para uso. E arrumar o dado não basta: sem gente que saiba ler dado (letramento), o dado organizado não vira decisão. Para uma PME, arrumar a fundação já dá retorno sozinho, antes de qualquer IA.
Toda semana eu escuto a mesma frase de um dono de empresa: "Sidney, quero colocar IA na minha operação." A vontade é legítima e o momento é certo. Mas quase sempre a conversa começa pelo telhado. E o problema nunca está no telhado.
O Gartner projeta que, até 2026, as organizações vão abandonar 60% dos projetos de IA por não terem dado pronto para uso, o que eles chamam de AI-ready data. Não por falta de modelo, de fornecedor ou de orçamento. Por falta de dado em condição de ser usado. Seis em cada dez projetos morrem por causa da fundação, não da tecnologia.
Este artigo é sobre essa fundação. E sobre a única coisa que a torna útil: gente que sabe ler o que o dado diz.
Por que os projetos de IA falham nas PMEs?
Pensa numa casa. A IA é o telhado, a parte que aparece na foto, que impressiona a visita. O dado é a fundação: enterrada, invisível, que ninguém filma. Nenhuma casa desaba porque o telhado é feio. Elas desabam porque a fundação não aguenta.
O que acontece na prática nas PMEs é uma tentativa de pendurar o telhado no ar. A empresa contrata uma ferramenta de IA, faz uma demo bonita, e três meses depois descobre que os dados que deveriam alimentar aquilo estão espalhados em quatro sistemas que não conversam, metade desatualizados, parte contraditórios. A IA então faz o que ela faz quando não tem base: responde com confiança total uma coisa errada. O projeto morre. E a culpa cai na IA.
A IA funcionava. A fundação é que não existia.
Uma IA com dado ruim é um GPS com mapa velho
Imagina um GPS com um mapa desatualizado. Ele te dá a rota com a mesma voz confiante de sempre, "vire à direita em 200 metros", e você para num beco, porque a rua mudou. O problema não é o GPS. É o mapa que o alimenta.
IA com dado ruim é isso: uma resposta convincente construída sobre uma informação furada. E o perigo do convincente é que ele desarma a desconfiança. Um erro dito com hesitação a gente questiona. Um erro dito com autoridade a gente executa.
Na cozinha vale a mesma lei. O melhor chef do mundo (o modelo de IA mais avançado que existe) com ingrediente estragado na panela entrega um prato ruim. Não existe técnica que conserte ingrediente podre. "Entra lixo, sai lixo" é a regra mais velha e mais ignorada da computação.
O que é "dado em condição de uso" numa PME (não é big data)
Quando falo em dado, o dono de PME às vezes trava, porque imagina data lake, nuvem, cientista de dados, projeto de milhões. Não é isso. Numa PME, dado em condição de uso é bem mais chão:
- O cadastro de clientes em que o mesmo cliente não aparece três vezes, escrito de três jeitos.
- O histórico de vendas que existe e dá pra consultar, não a memória do vendedor que saiu.
- O preço do produto que é o mesmo no sistema, na planilha e na boca do balconista.
- Saber, sem chutar, qual produto dá margem e qual só dá movimento.
O dado de uma PME costuma estar num de três estados. Ou não existe, porque ninguém registrou. Ou existe, mas está bagunçado e espalhado, o famoso "Excel do Zé", a planilha que só uma pessoa entende e que vai embora com ela no dia da demissão. Ou existe e está organizado, e essa é a minoria.
A maioria das PMEs acha que está no terceiro estado e está no segundo. Essa distância é onde os projetos de IA morrem.
Quanto o dado ruim já custa hoje (antes da IA)
O dado ruim não espera a IA chegar pra cobrar. Ele já está cobrando.
O Gartner estima que dado de má qualidade custa, em média, 12,9 milhões de dólares por ano para uma empresa. É um número de corporação grande, mas o que interessa ao dono de PME é o contrário do tamanho. Numa empresa grande, o rombo se dilui na gordura. Numa PME, não há gordura pra absorver. O erro proporcional dói mais, não menos.
E ele quase nunca chega como um prejuízo único e visível. Vem fatiado: a campanha disparada pro público errado por segmentação furada. O produto reposto em excesso porque o estoque no sistema não batia com a prateleira. O cliente que foi embora e ninguém soube dizer por quê, porque o histórico dele estava em quatro lugares e em nenhum ao mesmo tempo.
Leve uma regra pra sua mesa: a regra do 1-10-100. Custa 1 pra evitar um erro de dado na entrada. Custa 10 pra corrigir depois que ele entrou. Custa 100 quando esse erro já virou uma decisão. A maioria das empresas paga o 100 a vida inteira pra economizar o 1.
O que é letramento em dados (e por que é pré-requisito, não consequência)
Suponha que você fez a lição de casa: arrumou o cadastro, unificou os sistemas, tem o dado limpo e no lugar. Você resolveu metade do problema. A outra metade é humana.
Dado é o raio-x. Letramento é o médico que sabe ler o raio-x.
Você pode ter o melhor exame de imagem do hospital. Sem alguém que saiba interpretar aquilo, a imagem não vira diagnóstico. Vira uma folha bonita e inútil. É o que acontece com um dashboard: a PME investe numa tela cheia de gráficos coloridos, e ninguém na sala sabe fazer a pergunta certa nem desconfiar quando um número está mentindo. O painel vira enfeite caro.
Por isso trato letramento como pré-requisito. Ele não vem depois do dado. Vem antes de o dado virar decisão. E tem um detalhe cruel: sem letramento, a empresa nem percebe que o dado está ruim. Confia no número errado com a mesma tranquilidade com que confiaria no certo.
Os números são desconfortáveis. Uma pesquisa da Qlik com mais de 7 mil decisores de negócio encontrou que só 24% se consideram capazes de trabalhar com dados. E 92% concordam que os funcionários deveriam ser letrados em dados, mas apenas 17% dizem que a empresa realmente incentiva isso. Todo mundo sabe que precisa; quase ninguém age.
O que letramento em dados NÃO é
Não é virar cientista de dados, aprender a programar ou contratar um PhD. Pra uma PME, é mais básico e mais poderoso: saber fazer a pergunta certa antes de olhar o número; desconfiar de um dado bom demais ou ruim demais; não confundir "as vendas caíram" com "as vendas caíram por causa disso" (correlação não é causa); entender que a média esconde a maioria. A temperatura média de um forno ligado e um freezer é agradável, e ninguém sobrevive dentro de nenhum dos dois.
Um exemplo. Duas gerentes veem a mesma queda de 15% nas vendas. A primeira reage: corta preço, pressiona a equipe, entra em pânico. A segunda pergunta: caiu onde? Qual produto, qual canal, qual cliente? Descobre que a queda inteira veio de um único cliente grande que atrasou o pedido, e que o resto cresceu. Mesma tela, mesmo dado. Uma leu, a outra reagiu. Letramento é a diferença entre ler e reagir.
Quanto do orçamento de IA vai para dados?
A BCG resume isso num princípio que já virou referência de board, o 10-20-70: só 10% do resultado de uma iniciativa de IA vem do algoritmo, 20% vem da tecnologia e dos dados, e 70% vem de pessoas e processos. A ferramenta é a parte fácil e barata. A fundação de dados e a gente que sabe lê-la são a parte cara e invisível.
Pra uma PME com orçamento apertado, essa conta parece má notícia. É o contrário, ela liberta. Significa que você não precisa, agora, de uma IA cara pra começar a ganhar. Precisa arrumar a fundação, e arrumar a fundação já dá retorno sozinho, mesmo sem nenhuma IA em cima: cadastro limpo vende mais, estoque confiável perde menos, time que lê dado decide melhor. Nada disso depende de comprar inteligência artificial.
Às vezes o primeiro projeto não é de IA. É de dados. E está tudo bem, é o único que torna o segundo possível.
E a IA generativa não ajuda a construir essa fundação?
Ajuda, e muito. Aqui o jogo mudou, e quem ignora isso erra para o outro lado.
A IA generativa deve ser usada para acelerar a arrumação do dado, não só para consumir o dado já arrumado. Ela lê contrato, e-mail, PDF, planilha bagunçada e extrai o que interessa sem exigir que tudo esteja num data lake formal primeiro. Deduplicar cadastro, padronizar nomenclatura, catalogar o que existe, transformar documento solto em informação consultável: o que antes era projeto de meses virou trabalho de semanas com IA no meio. O primeiro projeto de dados pode, e deve, usar IA como ferramenta.
Mas isso só move a barra. Ela continua lá. A IA generativa resolve o formato, não a verdade. Ela lê o dado não estruturado, só que, se o número naquele PDF está errado, desatualizado ou contradiz outro sistema, ela extrai o erro com a mesma confiança de sempre. E não inventa o dado que nunca foi registrado. "Estruturar num data lake" deixou de ser pré-requisito. "O dado existir, estar atualizado e não se contradizer" continua sendo.
A fundação ficou mais barata e mais rápida de construir. Não ficou opcional.
Quatro perguntas para levar à mesa antes de aprovar qualquer IA
- O dado que vai alimentar isso existe, está organizado e está atualizado? Se a resposta sincera for "mais ou menos", você já sabe qual é o primeiro projeto.
- Se a pessoa que domina nossas planilhas saísse amanhã, o que iria embora com ela? Se for "muita coisa", o conhecimento está numa cabeça, não na empresa.
- Quem, na operação, sabe olhar um número e desconfiar dele? Se ninguém, comprar dashboard é comprar enfeite.
- Qual processo mais dói hoje, e eu tenho dado organizado sobre ele? Comece por aí. Um processo, dado limpo, gente que lê. O resto escala.
Nenhuma dessas perguntas é sobre IA. Todas decidem se a IA vai funcionar.
O telhado é a parte fácil
A parte sexy da IA é a demo. A parte que dá lucro é a fundação que ninguém filma: o dado arrumado e a gente que sabe lê-lo.
A IA não vai passar por cima das PMEs que não têm tecnologia. Vai passar por cima das que acham que já entendem seus dados, e descobrem tarde demais que nunca entenderam. Entender de dado deixou de ser assunto de área técnica; virou competência de quem decide.
Constrói a fundação. O telhado, quando chegar a hora, vai ser a parte fácil.
Perguntas frequentes
Por que a maioria dos projetos de IA falha? Na maior parte das vezes, não é o modelo, é o dado. O Gartner projeta o abandono de 60% dos projetos de IA por falta de dado pronto para uso. Dado espalhado, desatualizado ou contraditório faz a IA gerar respostas erradas com aparência de certas.
O que é "dado em condição de uso" numa PME? É o dado que existe, está organizado e está atualizado: cadastro sem duplicidade, histórico de vendas consultável, preço consistente entre sistemas. Não exige data lake nem cientista de dados. Exige consistência.
O que é letramento em dados? É a capacidade de ler e questionar dados para decidir: fazer a pergunta certa, desconfiar de um número, não confundir correlação com causa. Não é virar cientista de dados. É pré-requisito porque, sem ele, o dado organizado não vira decisão, e a empresa nem percebe quando o dado está errado.
Quanto do orçamento de um projeto de IA deve ir para dados? Pouco vai para a ferramenta. A BCG estima, no princípio 10-20-70, que só 10% do resultado vem do algoritmo e 20% da tecnologia e dos dados; os outros 70% vêm de pessoas e processos. Se a conta do seu projeto está quase toda na ferramenta e quase nada em dado e gente, provavelmente não é viável, e o primeiro passo deveria ser um projeto de dados, não de IA.
Uma PME precisa de IA cara para começar? Não. Arrumar a fundação de dados já dá retorno por si só, antes de qualquer IA. Cadastro limpo, estoque confiável e um time que lê dado melhoram a decisão sem depender de comprar inteligência artificial.
Fontes: Gartner, "Lack of AI-Ready Data Puts AI Projects at Risk" (fev/2025) e estimativas de custo de qualidade de dados; Qlik/Censuswide, pesquisa de letramento em dados com 7.300+ decisores de negócio; BCG, princípio 10-20-70 (10% algoritmos, 20% tecnologia e dados, 70% pessoas e processos), citado em publicações da BCG sobre adoção de IA em escala (2024–2026).
Este artigo aplica a PMEs um tema mais amplo. A visão geral, sobre por que projetos de IA morrem por causa dos dados e como escopar o projeto certo, está em Por que projetos de IA morrem no terceiro mês.