IA não faz milagre: sem dados estruturados e cultura de dados não tem ROI

Numa reunião de resultados na Vindi, anos antes de o ChatGPT existir, um investidor fez uma conta simples: somou os números que cada gerente apresentava sobre a própria área e concluiu que a empresa deveria ter o triplo do resultado que aparecia no consolidado. Ninguém estava mentindo. Cada gerente falava um número verdadeiro do ponto de vista dele, e a mesma venda, o mesmo cliente, o mesmo real acabava contado no resultado de dois ou três times ao mesmo tempo, porque não existia uma base de dados estruturada de onde todo mundo tirasse o mesmo número.

Dados próprios

3x

o resultado que a soma das apresentações dos gerentes sugeria, comparado ao número real do consolidado

Conta feita por um investidor em reunião de resultados na Vindi, antes da centralização dos dados

Ou seja: a empresa inteira operava em cima de versões, cada área com a planilha dela, cada planilha com a verdade dela. Resolver isso virou o meu trabalho: criei a área de dados da Vindi e construí a base do zero. E se eu conto essa história em 2026 é porque ela continua acontecendo, agora com IA no meio. Vejo empresa reclamando que IA não deu ROI e, quando sento pra entender o caso de perto, não tem data lake, ninguém faz curadoria e o dado que importa tá preso em planilha solta. Este post é sobre por que a IA precisa de dados estruturados e de cultura de dados pra dar resultado, como a gente montou isso na Vindi e onde entram contexto, MCP, RAG e fine-tuning nessa conversa.

O que a reclamação de ROI esconde

A frustração com IA nas empresas tem número e fonte. A Gartner publicou, em 26 de fevereiro de 2025, a previsão de que até o fim de 2026 as organizações vão abandonar 60% dos projetos de IA que não estiverem apoiados em dados prontos para IA. Na pesquisa que acompanha a previsão, feita com 248 líderes de gestão de dados no terceiro trimestre de 2024, 63% admitiram que não têm, ou não sabem dizer se têm, práticas de gestão de dados adequadas pra isso. Já escrevi sobre os pilotos de IA que morrem sem impacto mensurável, e as duas pesquisas contam a mesma história: o modelo raramente é o gargalo. A matéria-prima é.

Dados de mercado

60%

dos projetos de IA sem dados prontos para IA serão abandonados até o fim de 2026, na previsão da Gartner

Pesquisa com 248 líderes de gestão de dados no terceiro trimestre de 2024

O mecanismo da frustração é sempre parecido. Um modelo de linguagem responde mesmo quando lhe falta informação; esse comportamento tem nome, alucinação, e ele aparece justamente no cenário mais comum das empresas por aqui: o dado até existe, mas espalhado em quinze planilhas com três versões de cada número. Nesse cenário o resultado é pior que o da falta de dado, porque a IA responde com convicção em cima de um número corrompido, e a decisão sai errada com cara de certa. IA não faz milagre com matéria-prima podre; faz estrago em escala.

A generativa é só uma das camadas

Parte do problema é tratar IA como sinônimo de chat. IA é um guarda-chuva: aprendizado de máquina clássico pra classificar e prever, sistemas de recomendação, visão computacional e, por cima de tudo isso, a camada generativa, que é a mais nova e a mais visível. Quando uma empresa diz "vamos usar IA" e quer dizer apenas "vamos assinar um chat", ela ignora as camadas que mais dependem de dado bem tratado e que, ironicamente, são as que mais dão retorno silencioso.

O mesmo raciocínio vale pro analytics, que tem três fases:

• Descritivo: olhar pra trás e entender o que aconteceu, com número confiável. É o painel de resultado, o funil, o churn do mês.
• Preditivo: usar o histórico pra estimar o que deve acontecer, como prever quais clientes têm maior chance de cancelar.
• Prescritivo: recomendar o que fazer a respeito, e é aqui que os agentes de IA prometem morar.

Empresa que quer pular direto pro prescritivo com IA generativa, sem ter o descritivo de pé, tá construindo o terceiro andar sem fundação. O modelo até responde, mas responde em cima do nada.

Como montamos a base da Vindi do zero

Na Vindi, a resposta pra aquela reunião do investidor foi tirar o dado das planilhas e dar pra ele uma casa. Montamos um pipeline na AWS: o DMS replicava os dados dos bancos dos sistemas de produção, o S3 guardava os dados em transição, Glue e Spark cuidavam da transformação, o Redshift era o warehouse e o Metabase servia tudo isso pra empresa em painéis e consultas. Nada exótico, ferramenta de prateleira bem arrumada.

O time virou guardião da fonte da verdade

O efeito que mais importou veio depois da parte técnica: todo mundo passou a consultar o mesmo lugar. Se dois números divergiam, existia um árbitro, e o árbitro era a base, com o time de dados como guardião da fonte da verdade. A cena do investidor somando o triplo ficou impossível de repetir, porque o número do gerente e o número do consolidado nasciam da mesma consulta. Isso trouxe uma coisa que planilha nenhuma entrega: credibilidade pra informação que circulava na empresa.

Cultura: o dado em cada reunião

Mais do que montar a base, o trabalho foi fazer a empresa usar. Uma base impecável que ninguém consulta vale o mesmo que a planilha solta que ela substituiu. Reunião de resultado passou a abrir com o painel, decisão relevante passou a vir acompanhada do número, e quem chegava com um dado de fonte própria era convidado a conferir na fonte comum. Essa parte custou mais conversa e insistência do que engenharia, e é a que eu colocaria como pré-requisito de qualquer projeto de IA hoje: cultura de dados se constrói antes da ferramenta, tá longe de ser consequência automática dela.

O que essa base entregava antes da IA generativa

Naquela época não existia IA generativa pra ninguém, e mesmo assim a base já pagava a conta. Com o histórico estruturado no warehouse, a gente conseguiu treinar modelos de machine learning pra prever churn, e esse foi um dos grandes cases que implementamos: saber quais clientes tinham maior probabilidade de cancelar antes de o cancelamento acontecer, com tempo hábil pro time agir. Isso é a fase preditiva do analytics rodando em produção, anos antes de qualquer agente.

O detalhe que importa pra discussão de hoje: o modelo de previsão era a parte pequena do projeto. O que tornava a previsão possível era a base contando a história completa de cada cliente, da assinatura ao comportamento de pagamento. Troque o modelo de churn por um agente de IA em 2026 e a frase continua verdadeira, palavra por palavra.

Por que a IA generativa precisa ainda mais dessa base

Um modelo de linguagem sai da fábrica sabendo muito sobre o mundo e nada sobre a sua empresa. Ele não conhece seus clientes, seu funil, sua margem, seu histórico de decisões. Tudo que ele vai saber é o que você entregar na conversa, e é por isso que engenharia de contexto virou o termo do momento: hoje, mais do que saber pedir pra uma IA, o jogo é saber dar contexto pra que ela desenvolva o raciocínio em cima da sua realidade. Prompt bonito com contexto ruim produz resposta bonita e errada.

Modelo de linguagem sabe muito sobre o mundo e nada sobre a sua empresa.

E contexto bom depende de dado curado. Quando a fonte que alimenta o modelo carrega duplicata, número defasado e definição ambígua de métrica, a IA herda tudo isso e devolve com fluência, que é o que ela sabe fazer. A base estruturada trabalha nas duas pontas do risco: dá ao modelo a história real da empresa pra fundamentar a resposta e reduz o espaço pra ele preencher lacuna com invenção. É a diferença entre um consultor com acesso ao balanço e um consultor adivinhando pelo tom da sua voz.

Como levar o dado até o modelo

Com a base de pé, existem três caminhos principais pra colocar esse dado na frente da IA, e dá pra explicar os três sem entrar no porão técnico:

• MCP: um protocolo aberto que deixa a IA consultar seus sistemas dinamicamente, na hora da pergunta. Foi assim que montei o fluxo de outbound com IA na NFE.io, com o Claude lendo o HubSpot e o data lake por MCP pra definir ICP com dado real da base.
• RAG (retrieval-augmented generation, geração aumentada por busca): antes de responder, o sistema busca na sua base os trechos relevantes pra pergunta e entrega junto com ela. O modelo responde citando o seu acervo, e a chance de invenção cai.
• Fine-tuning (ajuste fino): treinar uma versão do modelo com seus próprios exemplos. É o caminho mais caro e menos flexível, e faz sentido em casos específicos, como padronizar tom e formato num domínio muito repetitivo.

Repare que os três dependem da mesma fundação. MCP apontando pra planilha solta entrega bagunça em tempo real; RAG em cima de documento desatualizado recupera erro com eficiência; fine-tuning com dado corrompido fixa o erro dentro do modelo. A escolha do caminho é detalhe perto da qualidade do que está atrás dele.

A ordem do trabalho

Pra quem quer ROI com IA, a sequência é a mesma que a gente seguiu na Vindi bem antes de existir agente: estruturar a base, curar o dado, criar a cultura de consultar a fonte única, e só então plugar a inteligência em cima, seja um modelo de churn, seja um agente conectado por MCP. Essa sequência, do data lake ao warehouse, ao BI e só então à IA, eu detalhei fase a fase no blog da Waxi, com os erros mais comuns em cada etapa. A parte da IA é a mais rápida do projeto. A base é a mais demorada, e é ela que decide se o resto funciona ou vira mais um piloto abandonado.

Se quiser acompanhar os próximos posts, o feed RSS do blog, o meu LinkedIn e o Instagram danielsilvestre.ai são os lugares.

IA não faz milagre. Faz conta com o dado que você entrega pra ela.

FAQ

Por que projetos de IA falham nas empresas?

Na maioria dos casos, por falta de dados estruturados e curados, e a Gartner previu em fevereiro de 2025 que 60% dos projetos sem dados prontos para IA serão abandonados até o fim de 2026. Sem uma fonte única da verdade, o modelo responde em cima de dado corrompido ou inventa o que falta. O modelo em si raramente é o gargalo.

O que é engenharia de contexto?

É a prática de selecionar e organizar a informação que o modelo precisa ver pra responder bem: dados da empresa, histórico, definições de métrica, restrições. Evoluiu da engenharia de prompt porque ficou claro que a qualidade da resposta depende menos de como se pede e mais do contexto que fundamenta o raciocínio.

Preciso de data lake pra usar IA generativa?

Pra usar um chat no dia a dia, não. Pra IA ser estratégica na operação, analisando clientes, prevendo churn, apoiando decisão, é preciso alguma estrutura centralizada e curada que conte a história da empresa, seja data lake, warehouse ou os dois. Sem isso, cada resposta da IA herda a bagunça das planilhas de origem.

Qual a diferença entre RAG e fine-tuning?

RAG busca os trechos relevantes da sua base na hora da pergunta e entrega junto com ela, mantendo o modelo original e o dado sempre atualizável. Fine-tuning treina uma versão do modelo com seus exemplos, fixando o conhecimento nos pesos. RAG costuma ser o ponto de partida por ser mais barato e flexível; fine-tuning resolve casos repetitivos de tom e formato.