Dados legados travam a IA: como preparar a base da sua empresa

Depois de meses de testes, muita empresa brasileira chegou ao mesmo ponto: o piloto de inteligência artificial funcionou na demonstração, mas não sai do papel quando precisa rodar com os dados reais da operação. Na semana passada, esse foi um dos assuntos centrais do Dell Technologies Forum Brasil 2026, em São Paulo, que discutiu como sair da experimentação e chegar à IA em escala. Entre os gargalos citados na cobertura do evento, o primeiro da lista foi a fragmentação de dados legados.

Este artigo explica por que os dados legados travam a IA, como saber se a sua empresa está nessa situação e qual é um passo a passo realista para preparar a base antes de ampliar o investimento. A ideia é simples: antes de escolher mais um modelo ou mais uma ferramenta, vale olhar para o que alimenta tudo isso.

Resposta direta: por que os dados legados travam a IA?

Dados legados travam a IA porque ficam espalhados em sistemas antigos, planilhas e bases que não conversam entre si, com cadastros duplicados, formatos diferentes e sem um responsável definido. Um modelo ou agente de IA aprende e responde a partir desses dados. Se a base é inconsistente, a resposta também será. Por isso, a preparação dos dados costuma ser o passo que separa o piloto isolado da IA funcionando na rotina da empresa.

O que o mercado está dizendo sobre IA em escala

A conversa deste início de novembro tem um fio condutor: depois de anos de provas de conceito, as empresas querem retorno verificável. Segundo a cobertura do Dell Technologies Forum Brasil 2026, os principais obstáculos para expandir a IA são três: dados legados fragmentados, custos de processamento em nuvem pública crescendo sem controle e falta de arquitetura preparada para cargas de trabalho intensivas. O mesmo texto aponta que as compras de tecnologia passam a ser avaliadas por métricas de negócio, como tempo de resposta operacional e retenção de clientes.

Esse diagnóstico conversa com o que a pesquisa Panorama 2026, da Amcham Brasil em parceria com a Humanizadas, encontrou. Segundo o material publicado pela Amcham, os fatores que mais travam a evolução da IA nas empresas brasileiras são a capacitação técnica das equipes (64% dos respondentes), a falta de uma estratégia clara de uso (52%) e a qualidade dos dados internos (43%).

Há ainda o recorte global. De acordo com a IBM, o estudo 2025 CEO Study do IBM Institute for Business Value revelou que apenas 16% das iniciativas de IA foram implementadas com sucesso em toda a empresa, e um estudo do MIT relata que até 95% dos pilotos de IA generativa não passam da fase de experimentação. A mesma página cita que 68% das organizações que priorizam a IA relatam frameworks maduros de governança e de dados, contra 32% das demais.

Os números vêm de pesquisas diferentes, com metodologias diferentes, e não devem ser somados nem comparados diretamente. Mas apontam na mesma direção: quem avança com IA costuma ter a casa de dados mais organizada.

O que são dados legados e por que eles pesam tanto

Chamamos de dados legados as informações que vivem em sistemas, planilhas e bancos construídos ao longo dos anos, muitas vezes por equipes diferentes, com regras diferentes. Não é um problema de idade do sistema em si. É um problema de como essas informações foram sendo criadas, copiadas e alteradas sem um padrão único.

Alguns sintomas comuns no dia a dia:

• O mesmo cliente aparece com três grafias diferentes no sistema de gestão, no CRM e na planilha do financeiro.
• Cada área tem a sua versão do indicador de faturamento, e as reuniões começam com a discussão de qual número está certo.
• Relatórios são montados à mão, com exportações e colagens, toda semana.
• Ninguém sabe dizer quem é o dono de um cadastro importante, como fornecedores ou produtos.
• Para integrar dois sistemas, alguém precisa fazer uma "ponte" manual que só uma pessoa conhece.

Quando a IA entra nesse ambiente, ela não corrige a bagunça. Ela a amplifica, porque passa a tomar decisões ou gerar respostas em velocidade maior sobre informações que já não eram confiáveis.

Como os dados ruins aparecem nos projetos de IA

Na prática, o problema se manifesta de formas bem concretas. Um agente de atendimento responde com um prazo de entrega desatualizado porque o cadastro do pedido está em outro sistema. Um modelo de previsão de demanda erra porque o histórico de vendas tem lançamentos duplicados. Um assistente interno não encontra o contrato certo porque os arquivos estão nomeados de dez maneiras diferentes.

Segundo a IBM, a qualidade de dados em IA envolve, além das dimensões tradicionais, fatores como representatividade, viés, precisão de rótulos e ruído. Ou seja, não basta que o dado "exista": ele precisa ser preciso, completo, confiável e adequado ao uso que se pretende fazer dele.

Tabela: sinais de que a sua base ainda não está pronta para IA

Área	Sinal de alerta	Risco para a IA	Primeira ação
Cadastros	Clientes, produtos ou fornecedores duplicados	Respostas e relatórios inconsistentes	Definir um cadastro mestre e um responsável
Integração	Sistemas ligados por planilhas e exportações manuais	Dado desatualizado chegando ao modelo	Mapear fluxos e priorizar integrações por API
Indicadores	Cada área calcula o mesmo número de um jeito	Agente toma decisão com base na versão errada	Criar um dicionário único de indicadores
Acesso	Planilhas com dados pessoais circulando sem controle	Risco de privacidade e de vazamento	Classificar dados e restringir acessos
Histórico	Anos de dados sem padrão de data, moeda ou unidade	Previsões distorcidas	Padronizar formatos antes de treinar ou consultar
Responsabilidade	Ninguém é dono de determinada base	Erros que nunca são corrigidos	Nomear donos de dados por área

Passo a passo para preparar os dados antes de escalar a IA

Não existe fórmula única, e o tamanho do esforço depende de cada empresa. Mas há uma sequência que costuma funcionar e que evita o erro mais comum: tentar limpar tudo de uma vez.

1. Escolha um caso de uso com valor claro

Comece por um processo específico, como atendimento, conciliação financeira ou previsão de estoque. Defina o resultado esperado em termos de negócio, como tempo de resposta ou retrabalho evitado. Isso limita o escopo e mostra quais dados realmente importam.

2. Mapeie onde estão os dados desse caso de uso

Liste os sistemas, as planilhas e as pessoas envolvidas. Desenhe o caminho do dado desde a origem até o ponto em que a IA vai consumi-lo. Esse mapa quase sempre revela cópias manuais e dependências escondidas.

3. Meça a qualidade com poucos critérios

Use critérios simples e verificáveis: completude (campos obrigatórios preenchidos), unicidade (sem duplicidade), consistência (mesmo formato entre sistemas), atualidade (dado recente) e validade (valores dentro do esperado). A Amcham resume bem a ideia ao descrever dados confiáveis, atuais, padronizados, relevantes e protegidos.

4. Defina responsáveis e regras

Governança de dados começa com gente. Nomeie um responsável por cada base crítica e registre regras curtas: quem pode alterar, quem pode consultar, como corrigir um erro. Sem dono, a limpeza dura até a próxima exportação.

5. Integre antes de automatizar

Substitua as pontes manuais por integrações estáveis entre os sistemas, incluindo o ERP da empresa, o CRM e as bases de BI. Um agente de IA só é útil se consegue consultar a informação certa no momento certo.

6. Proteja os dados pessoais

Classifique o que é dado pessoal e defina o que pode ou não ser usado por ferramentas de IA. A ANPD é a referência oficial para as orientações sobre a LGPD, e vale acompanhar as publicações do órgão ao desenhar o projeto.

7. Rode o piloto com a base preparada e monitore

Execute o piloto com os dados já tratados, acompanhe erros e respostas incorretas e corrija na origem, não só na saída da IA. A IBM destaca a importância de ciclos de feedback que ligam o monitoramento à ação, como ajustar regras de pré-processamento ou coletar dados adicionais.

8. Só então amplie para outras áreas

Com um caso funcionando e métricas medidas, replique o método para o próximo processo. Cada nova área reaproveita padrões, dicionários e integrações já construídos.

Onde o custo e a nuvem entram nessa conversa

O Dell Forum também chamou atenção para o custo. Cargas de IA com uso contínuo podem pesar no orçamento quando dependem apenas de nuvem pública, e a cobertura do evento fala em modelos híbridos e multicloud gerenciados como forma de equilibrar flexibilidade e previsibilidade.

Essa é uma decisão de arquitetura que depende dos dados: onde eles ficam, quanto circulam e com que frequência são consultados. Dados bem organizados permitem decidir com mais clareza o que vale rodar na nuvem e o que não vale. Se esse tema é prioridade para você, leia também nossos artigos sobre multicloud e novos provedores de nuvem e sobre como controlar o custo de IA com FinOps.

Curiosidades sobre dados e IA

• "Entra lixo, sai lixo" é uma expressão antiga da computação (em inglês, garbage in, garbage out). A IBM a usa ao explicar por que dados falhos geram saídas não confiáveis, por mais sofisticada que seja a arquitetura do modelo.
• Qualidade de dados é contínua. A Amcham descreve a qualidade de dados como uma jornada contínua, que combina governança, tecnologia e cultura, e não como um projeto com data para acabar.
• A IA também ajuda a limpar dados. Segundo a IBM, ferramentas com IA podem detectar anomalias sutis e priorizar problemas pelo impacto nos modelos. Ou seja, a relação entre IA e qualidade de dados funciona nos dois sentidos.
• O gargalo nem sempre é técnico. No Panorama 2026 da Amcham, a capacitação das equipes foi o fator mais citado, acima da qualidade dos dados. Pessoas e processo pesam tanto quanto a tecnologia.

Como a DKP pode ajudar

A DKP atua com consultoria em tecnologia para empresas que querem colocar dados, sistemas e automação para trabalhar juntos. Na prática, isso passa por três frentes que aparecem ao longo deste artigo:

• Dados e BI: diagnóstico da base, definição de indicadores e painéis confiáveis. Veja como funciona a consultoria de dados da DKP e leia o guia sobre quando contratar uma consultoria de dados.
• Integração com o ERP: conexão entre o sistema de gestão e as demais ferramentas, para que o dado circule sem retrabalho. Conheça a consultoria de ERP.
• Agentes de IA: depois que a base está pronta, é possível automatizar com segurança. Veja como começar com agentes de IA integrando ERP, RPA e BI sem parar a operação.

Cada projeto começa por entender o seu cenário. Não há receita pronta que sirva para todas as empresas, e o primeiro passo costuma ser uma conversa sobre o que você quer resolver e quais dados estão envolvidos.

Perguntas frequentes

O que são dados legados?

São informações guardadas em sistemas, bancos e planilhas construídos ao longo dos anos, geralmente sem um padrão único. Podem estar duplicadas, em formatos diferentes ou sem responsável definido, o que dificulta o uso por ferramentas de IA.

Preciso resolver todos os dados antes de começar com IA?

Não. O caminho mais prático é escolher um caso de uso, preparar apenas os dados que ele consome e medir o resultado. Depois, o método é repetido para o próximo processo.

Qual é a diferença entre qualidade de dados e governança de dados?

Qualidade de dados mede se a informação é precisa, completa, consistente e atual. Governança define quem é responsável, quais regras valem e como o acesso é controlado. Uma sustenta a outra: sem regras e donos, a qualidade se perde com o tempo.

A IA pode ajudar a limpar os próprios dados?

Pode. Segundo a IBM, ferramentas com IA conseguem detectar anomalias e priorizar problemas de qualidade. Ainda assim, as regras de negócio e a validação final continuam dependendo de pessoas.

Quanto tempo leva para preparar a base?

Depende do tamanho do escopo, do número de sistemas e da maturidade da empresa. Por isso é recomendável começar com um diagnóstico de um processo específico, que permite estimar prazo e esforço com mais realismo.

Como os dados pessoais entram nesse processo?

Dados pessoais exigem classificação, controle de acesso e atenção à LGPD. Antes de conectar qualquer ferramenta de IA, defina quais informações podem ser usadas e acompanhe as orientações da ANPD.

Dados na nuvem resolvem o problema dos dados legados?

Mover dados para a nuvem não resolve, por si só, duplicidades, formatos diferentes ou falta de responsável. A migração é uma boa oportunidade para organizar, mas o trabalho de padronização e governança continua necessário.

Conclusão

A discussão sobre IA em escala mostra que a pergunta mudou. Deixou de ser "qual ferramenta usar" e passou a ser "os nossos dados estão prontos para sustentá-la". Os números da Amcham e da IBM reforçam que a qualidade e a governança dos dados fazem diferença no resultado dos projetos.

Se a sua empresa tem pilotos de IA parados ou está planejando o primeiro, comece pelo básico: escolha um processo, mapeie os dados, defina responsáveis e integre os sistemas. Para avaliar o seu cenário, fale com a equipe da consultoria de TI da DKP.