Antes da IA, os dados: o que precisa estar pronto para que um modelo sirva à empresa
Por Dorian Chávez · cofundador e Chief Executive Officer da Hábil ·
Como preparar os dados para a inteligência artificial: cinco perguntas sobre origem, qualidade, atualização e uso, antes de escolher a ferramenta.
Em 1 minuto
Uma IA conectada à empresa responde com os dados que encontra. Se as vendas dizem uma coisa no sistema e outra na planilha do Financeiro, a IA não resolve a diferença: escolhe uma e a afirma com a mesma segurança com que afirmaria a correta. Antes de comprar a ferramenta, vale fazer um teste simples: escolher três perguntas que a diretoria quer fazer à IA e respondê-las à mão. Se duas áreas chegam a respostas diferentes, o trabalho que falta não é de IA, é de dados. Este artigo traz cinco perguntas para revisar isso.
Imagine uma empresa que vende pela loja on-line e nas filiais. É fictícia, mas se parece com muitas. A diretoria já viu o que uma IA faz com documentos e quer o mesmo com a operação: perguntar em linguagem comum «quanto vendemos ontem no norte?», «que cliente deixou de comprar?» ou «quanto este cliente nos deve?», e receber a resposta em segundos.
O fornecedor faz uma demo com dados de exemplo e tudo funciona. Depois conectam a IA aos sistemas reais e a primeira pergunta dá um número que ninguém reconhece. Vendas diz que o norte vendeu mais. O Financeiro diz que esse número inclui devoluções. A área de sistemas diz que a loja on-line é carregada no dia seguinte. As três áreas têm razão, e a IA não tinha como distinguir qual definição valia.
Este artigo é para quem vai aprovar um projeto de IA sobre os dados da empresa. Defende uma ideia: o modelo herda a bagunça dos dados; antes de escolher a IA, cada pergunta de negócio precisa de uma origem combinada para os dados, com a data e o histórico. Não é preciso entender de modelos para revisar isso; é preciso saber de onde sai cada número.
Por que a IA não conserta os dados: ela os usa
Uma IA de linguagem é muito boa para entender uma pergunta e redigir uma resposta. O que ela não resolve sozinha é qual de dois números é o certo, se ninguém lhe deu as regras nem disse qual fonte vale. Quando é conectada aos sistemas da empresa, responde com o que encontra ali, e se o que encontra está incompleto, duplicado ou atrasado, a resposta também está, bem redigida.
O marco de gestão de riscos de IA do NIST, o instituto de padrões dos Estados Unidos, coloca isso entre os riscos que a IA traz em relação ao software tradicional: os dados usados para construir um sistema podem não representar bem o contexto em que ele será usado, e os problemas de qualidade de dados podem afetar o quanto o sistema é confiável [1].
O mesmo acontece quando a IA consulta documentos antes de responder, a técnica conhecida como RAG. O artigo que a propôs em 2020 a apresenta justamente como forma de dar a um modelo acesso a uma memória externa, e aponta como problemas em aberto dos modelos sozinhos indicar a origem das respostas e manter atualizado o que sabem [2]. O RAG ajuda nisso, porque a IA consulta informação externa antes de responder. Mas o que ela encontra depende do que existe: se o manual vigente e o de dois anos atrás estão na mesma pasta, a busca pode trazer o antigo ou não deixar claro qual vale. Por isso convém marcar a versão vigente, organizar os documentos e conferir as respostas importantes com a fonte.
Por isso a pergunta útil antes de um projeto de IA não é qual modelo usar. É se os dados que ele vai usar conseguem responder bem, hoje, às perguntas que vão ser feitas.
O teste das três perguntas
Antes de revisar sistemas, escolha três perguntas que a diretoria quer fazer à IA. Que sejam concretas e do dia a dia, como as da empresa do exemplo. Depois peça a duas áreas diferentes que as respondam à mão, com os dados que usam hoje, cada uma por conta própria.
Se as respostas coincidem e cada área consegue dizer de onde tirou o número, os dados dessa pergunta estão no bom caminho. Se não coincidem, o trabalho que falta já apareceu, e apareceu antes de pagar pela ferramenta.
O teste pode ser feito pela equipe que hoje conhece os dados, num prazo curto que não interrompa a operação. E deixa algo útil para o que vem depois: a lista dos dados de que cada pergunta precisa.
Cinco perguntas que os dados precisam responder
Para cada dado dessa lista, revise cinco coisas. As quatro primeiras são perguntas de qualidade que reúnem as seis dimensões do marco de qualidade de dados do governo do Reino Unido, tiradas da associação profissional DAMA [3]. A quinta é diferente: se há dados pessoais, se o uso previsto é permitido pela lei mexicana [4].
1. Há uma única origem para cada dado?
Se as «vendas do dia» existem no sistema da loja on-line, no das filiais e numa planilha que alguém monta toda segunda-feira, a IA não sabe qual vale. O marco britânico chama de consistência o fato de que os valores que representam a mesma coisa não se contradigam [3].
O que é preciso decidir não é técnico: qual é a origem oficial de cada dado e quem responde por ele. Se esse acordo não existe, convém começar por aí; é o tema de outro artigo desta série, Antes de mover um dado, nomeie o dono dele.
2. Está completo e sem duplicados?
Um cliente que aparece três vezes com três e-mails diferentes é, para a IA, três clientes. Um que não tem região atribuída não aparece em «o norte». O marco britânico separa as duas coisas: completude, que todos os registros estejam presentes com o que importa dentro deles, e unicidade, que haja um único registro para cada coisa representada [3].
Uma forma rápida de começar: medir quantos registros de clientes têm vazio o campo de que a pergunta precisa, e buscar possíveis duplicados com regras combinadas — coincidências de nome, e-mail, identificação fiscal e endereço — antes de confirmá-los, porque um e-mail ou uma identificação fiscal compartilhada nem sempre é um duplicado.
3. Está atualizado para a pergunta que vai ser feita?
«Quanto vendemos ontem?» precisa dos dados de ontem. Se a loja on-line é carregada no dia seguinte, a resposta da manhã sai incompleta mesmo que cada dado esteja certo. O marco britânico chama de tempestividade o fato de que os dados reflitam o período que dizem representar e estejam atualizados [3].
Nem todas as perguntas precisam do mesmo. As vendas de ontem pedem dados de ontem; a margem do trimestre aguenta uma carga semanal. O que importa é que cada resposta diga de que data são os dados.
4. É o que diz ser?
Uma data de entrega anterior à do pedido, um valor negativo numa venda normal, um código postal com quatro dígitos. O marco britânico chama de validade o fato de o dado estar na faixa e no formato esperados, e de exatidão o fato de coincidir com a realidade [3]. A validade se revisa com regras. A exatidão se confere, quando necessário, com evidências do que aconteceu na operação; comparar com o sistema de origem serve para encontrar diferenças e rastrear onde o problema começou, mas não prova que a origem esteja certa.
Aqui ajuda algo que o mesmo marco recomenda: corrigir os problemas na origem e não na cópia [3]. Se a data está errada no sistema de pedidos, corrigi-la só no relatório deixa o erro esperando a próxima carga.
5. Pode ser usado para isto?
Um dado existir não quer dizer que possa ser usado para qualquer coisa. A Lei Federal de Proteção de Dados Pessoais em Posse de Particulares do México, publicada no Diário Oficial em 20 de março de 2025, pede ao responsável que observe, entre outros, os princípios de finalidade, proporcionalidade e qualidade no tratamento de dados pessoais [4].
Na prática, antes de conectar a IA a dados de clientes convém perguntar: a finalidade para a qual foram coletados cobre este uso? A IA precisa do dado completo ou basta uma parte, como a região em vez do endereço? Quem pode ver a resposta? As respostas vêm da área jurídica, não do fornecedor da ferramenta; o projeto precisa conseguir cumpri-las.
Uma ficha para cada conjunto de dados
As cinco respostas servem mais se ficarem por escrito. No aprendizado de máquina há uma proposta conhecida para isso: acompanhar cada conjunto de dados de uma ficha, como a folha de dados de um componente eletrônico, que diga para que foi montado, o que contém, como foi coletado e para que se recomenda usá-lo [5].
Não é preciso o formato completo para começar. Quem responde por cada dado e com quais regras se decide no trabalho de governança de dados; se isso ainda não está claro, Antes de mover um dado, nomeie o dono dele explica como combinar. Para preparar uma pergunta para a IA, basta uma página por dado que ela vai usar, com quatro campos:
| Campo | Exemplo (vendas do dia) |
|---|---|
| Origem combinada | Sistema de pedidos; a loja on-line entra pela própria carga |
| Atualizado até | Fechamento do dia anterior, carregado às 6h |
| O que cobre | Filiais e loja on-line; as devoluções vão à parte, marcadas como tais |
| Uso previsto | Relatórios internos e respostas à diretoria; sem dados de clientes |
Dados inventados para ilustrar o formato.
Com essa página, quando a IA responder, alguém consegue dizer de onde saiu o número e de que data ele é. Sem ela, a discussão da reunião se repete, agora com a IA no meio.
Os sinais de que os dados ainda não estão prontos
- Duas áreas chegam à reunião com números diferentes para a mesma pergunta.
- Ninguém consegue dizer, sem investigar, de que sistema sai um número do painel.
- O relatório importante é montado à mão e só uma pessoa sabe fazê-lo.
- Os erros são corrigidos na planilha e não no sistema onde nasceram.
- Não está escrito quais dados de clientes podem ser usados e para quê.
Esses sinais não descartam por si sós o uso de IA: indicam por onde começar.
Cinco perguntas para o próximo comitê
- Quais são as três perguntas que queremos fazer à IA, e quem as respondeu à mão?
- Qual é a origem oficial de cada dado de que elas precisam, e quem responde por ele?
- De que data são os dados com que ela responderia, e isso basta para a pergunta?
- Que dados de clientes ela usaria, para qual finalidade, e quem revisou isso?
- Se a IA der um número que ninguém reconhece, como descobrimos de onde ele saiu?
Por onde começar esta semana
Escolha as três perguntas e peça a duas áreas que as respondam separadamente. Anote, para cada número, de que sistema saiu e de que data é. Se coincidirem, há um bom primeiro teste para um piloto de IA; se não, há a lista do que é preciso organizar antes.
Quando chegar a hora de testar a IA, o artigo O piloto de IA foi bem na demo explica como medir se serve; e se a dúvida é a técnica, RAG ou fine-tuning? explica qual convém para cada caso.
O que a Hábil faz
Na Hábil organizamos os dados da empresa e conectamos a IA a eles, nessa ordem.
Se os números não batem entre as áreas, a proposta está no Hábil Lake, a plataforma de dados da empresa. Ele reúne num só lugar os dados dos sistemas, com todo o histórico e já organizados. Em cada carga, ele os concilia — os faz bater — com o sistema de onde saíram, de modo que Diretoria, Financeiro e Comercial chegam à reunião com o mesmo número e qualquer pessoa consegue ver de onde ele saiu.
Ele guarda os dados em formatos abertos e roda na infraestrutura da empresa ou na nossa, com a Hábil a cargo da operação.
Quando os dados já respondem bem, a Hábil AI conecta a IA a eles: responde com dados reais, com permissões e registro, e consulta os documentos antes de responder. Os dois são contratados separadamente: dá para começar pelo que resolve o problema de hoje.
A conversa pode começar com as três perguntas e o que cada área respondeu, mesmo que não coincidam. Com isso, revisamos juntos quais dados faltam, quais é preciso organizar e se convém começar pelos dados ou pela IA. Escreva para nós pelo WhatsApp; para proteger as informações, não compartilhe por esse meio dados dos clientes nem dos sistemas da empresa: combinaremos na conversa o canal para o caso.
Peça a primeira conversa, sem custo.
Consultadas em 18 de novembro de 2026. Cada referência traz o nível de confiança: alta (fonte primária lida).
Referências
- NIST, «Artificial Intelligence Risk Management Framework (AI RMF 1.0)» (NIST AI 100-1, janeiro de 2023), apêndice B, entre os riscos novos ou maiores da IA em relação ao software tradicional: «The data used for building an AI system may not be a true or appropriate representation of the context or intended use of the AI system» e «harmful bias and other data quality issues can affect AI system trustworthiness». É de uso voluntário. Aberta ao vivo em 18-nov-2026. Confiança: alta. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
- Lewis, P. et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (2020), resumo: «providing provenance for their decisions and updating their world knowledge remain open research problems», e a proposta de combinar o modelo com uma memória externa («explicit non-parametric memory»). Aberta ao vivo em 18-nov-2026. Confiança: alta. https://arxiv.org/abs/2005.11401
- Government Data Quality Hub (Reino Unido), «The Government Data Quality Framework», seção das seis dimensões de qualidade «as defined by DAMA UK»: «Accuracy describes the degree to which data matches reality»; «Completeness describes the degree to which records are present»; «Uniqueness describes the degree to which there is no duplication in records»; «Consistency describes the degree to which values in a data set do not contradict other values representing the same entity»; «Timeliness describes the degree to which the data is an accurate reflection of the period that they represent, and that the data and its values are up to date»; «Validity describes the degree to which the data is in the range and format expected». Recomenda tratar os problemas «at source». Aberta ao vivo em 18-nov-2026. Confiança: alta. https://www.gov.uk/government/publications/the-government-data-quality-framework/the-government-data-quality-framework
- Câmara dos Deputados (México), «Ley Federal de Protección de Datos Personales en Posesión de los Particulares», «Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025»; última reforma publicada no Diário Oficial em 14-11-2025. Artigo 5: «El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales» (o responsável deve observar os princípios de licitude, finalidade, lealdade, consentimento, qualidade, proporcionalidade, informação e responsabilidade). Aberta ao vivo em 18-nov-2026. Confiança: alta. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf
- Gebru, T. et al., «Datasheets for Datasets» (2018), resumo: «we propose that every dataset be accompanied with a datasheet that documents its motivation, composition, collection process, recommended uses, and so on», por analogia com as folhas de dados dos componentes eletrônicos. Aberta ao vivo em 18-nov-2026. Confiança: alta. https://arxiv.org/abs/1803.09010
A operação da empresa enfrenta esses desafios?
Prefere e-mail? Escreva para hola@habil.mx