O seu projeto de IA não vai travar no modelo. Vai travar no dado.

Em 2015 eu subi a arquitetura de portais da Totvs Fluig na AWS, distribuída em vários continentes. Em 2018 disparei quase três milhões de e-mails em seis dias numa Black Friday. Na Aprova Digital, como CTO, liderei a tecnologia de uma operação que impacta vinte e um milhões de pessoas por ano em mais de setenta municípios.

Digo isso por um motivo só: em nenhum desses projetos o problema difícil foi o algoritmo. Foi sempre o dado.

Mudou o hype, mudou a sigla, a conta é a mesma.

Por que a IA torna isso pior

Sistema tradicional convive bem com dado ruim. Ele mostra o campo vazio, a pessoa olha, entende pelo contexto e segue. O erro fica contido na cabeça de quem está usando.

Modelo de linguagem não faz isso. Ele preenche a lacuna. Dado um cadastro incompleto, ele produz uma resposta completa e confiante, porque foi treinado para gerar texto plausível, não para parar. O resultado é que o dado ruim, que antes ficava parado numa tabela, agora sai escrito, com boa redação, direto para o cliente.

A IA não criou o problema de dado da sua empresa. Ela só tirou a pessoa que compensava no olho.

Os quatro problemas que aparecem primeiro

Duplicidade. O mesmo cliente com três cadastros, porque entrou por portal, por site e por indicação. O agente atende os três como se fossem pessoas diferentes, e o cliente recebe a mesma mensagem três vezes com nomes ligeiramente diferentes.

Desatualização. Preço, estoque, prazo. Numa operação de vendas, o campo que está errado hoje é o campo que gera a promessa que a empresa vai ter que desfazer amanhã.

Campo livre. Todo CRM tem um campo de observação onde mora a informação mais importante da negociação, escrita em abreviação, sem padrão, misturando o que é fato com o que é impressão do vendedor. É o dado mais rico e o mais difícil de usar.

Ausência de origem. Sem saber por onde o lead entrou, não existe critério de priorização que funcione, e todo relatório de resultado do agente vira discussão sobre atribuição.

O que dá para fazer sem parar tudo

A reação comum é montar um projeto de governança de dados de doze meses. Na maioria das empresas, esse projeto não termina, e enquanto ele não termina nada de IA acontece.

Tem um caminho mais curto.

Escolha um fluxo só. Um canal, um produto, um tipo de atendimento.

Liste os campos que esse fluxo realmente usa. Não os que existem. Os que o agente vai ler para decidir. Em geral são menos de dez.

Limpe só esses campos, e defina quem é o dono de cada um. Dono é pessoa, não área.

Coloque o agente para rodar nesse fluxo e trate cada erro dele como sintoma. Quando ele errar, a primeira pergunta não é qual prompt ajustar, é qual campo estava errado.

Esse ciclo ensina mais sobre a sua operação em três semanas do que um diagnóstico de três meses. E ele tem uma vantagem política grande: entrega resultado visível enquanto arruma a casa, em vez de pedir um ano de fé.

O efeito colateral bom

Tem uma coisa que quase ninguém antecipa. Colocar um agente de IA numa operação é o diagnóstico mais barato e mais honesto que existe sobre a qualidade dos seus dados e a clareza dos seus processos.

Ele não tem paciência, não tem bom senso e não preenche lacuna com experiência. Ele faz exatamente o que a informação disponível permite. Onde ele erra de forma repetida, tem um processo mal definido embaixo.

Empresa que entende isso usa os primeiros meses de IA como raio-x. Empresa que não entende passa esses meses brigando com o prompt.

O que fica

Modelo é commodity e vai ficar mais barato todo ano. Os bons estão a um clique de qualquer concorrente seu.

O dado da sua operação não. Ele é o único ativo dessa história que ninguém pode comprar pronto, e é ele que decide se a IA vai virar resultado ou virar mais um projeto que deixou de dar certo sem nunca ter dado errado.