TL;DR:
Ao participar na Gartner Data & Analytics Summit em São Paulo, saí com uma convicção ainda mais forte de o que vimos defendendo há alguns anos com nossos clientes é agora reconhecido por todos: o futuro da IA nas empresas será definido menos pelos modelos e mais pela prontidão dos dados.
Saí de lá com uma percepção muito clara: a conversa sobre IA ficou mais madura. O foco já não está apenas na experimentação ou no fascínio pelos modelos. O que ganhou força foi uma pergunta mais estrutural: as organizações estão, de fato, preparadas para usar IA com consistência?
Para mim foi reconfortante ver que um dos temas que eu venho abordando com os clientes e nos nossos “Minuto de Dados”, foi o que mais sobressaiu no evento: a importância de os dados estarem “Prontos para IA”. Parece uma formulação simples, mas ela carrega uma mudança de mentalidade relevante. A vantagem competitiva não estará apenas em adotar IA. Estará em criar as condições para que ela opere com contexto, confiabilidade e aderência ao negócio.
Durante muito tempo, muitas empresas conseguiram conviver com definições ambíguas, baixa rastreabilidade, ownership difuso e qualidade inconsistente. Isso sempre gerou retrabalho, custo e lentidão. Mas, no mundo anterior à IA, parte desse problema ainda era absorvida pelas pessoas. Analistas e especialistas conseguiam preencher contexto, interpretar exceções e compensar lacunas do dado.
Com IA, essa tolerância diminui drasticamente. Quando modelos passam a recomendar, gerar, classificar, prever ou acionar processos com maior autonomia, a fragilidade dos dados deixa de ser apenas um problema operacional. Ela passa a ser uma limitação direta de confiança, desempenho e risco.
Uma ideia muito forte apresentada no evento foi esta: dados prontos para IA não são apenas dados armazenados em uma plataforma moderna, nem um conjunto genérico de bases organizadas. São dados cuja adequação para um caso de uso pode ser demonstrada de forma contextual, contínua e alinhada às exigências daquele uso.
Alguns dados apresentados nas sessões ajudam a mostrar por que esse tema deixou de ser periférico:
Na prática, isso significa que governança de dados deixou de ser uma camada de suporte e passou a ser condição para escalar IA com segurança. E aqui vale uma distinção importante: governança de verdade não é burocracia. É um mecanismo de clareza e direção.
Governança útil é a que ajuda a responder perguntas concretas. Quais dados realmente importam para um caso de uso? Quem responde por eles? Que nível de qualidade e rastreabilidade é necessário? Quais riscos precisam ser controlados? Como medir se aquilo está gerando resultado para o negócio?
O evento reforçou também que abordagens tradicionais já estão falhando. Aquele modelo de grande programa, grande comitê e grande escopo, sem conexão clara com impacto, tende a perder apoio ao longo do tempo. O negócio não percebe valor, o engajamento cai e a governança vai ficando com cara de obrigação.
Por isso, a reflexão mais útil talvez seja esta: governança não precisa ser maior. Precisa ser mais objetiva, mais adaptativa e mais conectada ao valor. Em vez de tentar governar tudo da mesma forma, o caminho é priorizar os dados e ativos que realmente suportam decisões relevantes, fluxos críticos e iniciativas de IA com impacto real.
Como CEO de uma empresa nativa de Governança e Data Management, outro ponto que me marcou bastante foi a centralidade da metadata. Em uma das apresentações, a provocação era direta: a resposta para saber se um dado está pronto para IA está 100% na metadata. Faz sentido.
Se a organização não consegue explicar origem, definição, lineage, frequência de atualização, critérios de qualidade, restrições de uso e aderência ao caso de negócio, então ela não consegue sustentar IA com o nível de confiança que promete.
Isso também ajuda a corrigir um erro comum: achar que prontidão para IA é um checkpoint. Não é. As próprias apresentações reforçaram que AI-ready data is not one and done. Os dados mudam, os padrões derivam, o contexto evolui e os usos se multiplicam. Prontidão, portanto, é uma capacidade contínua.
Em termos práticos, isso exige uma disciplina mais forte de metadata, lineage e monitoramento. Exige também capacidade de provar representatividade, observar drift e ajustar critérios ao longo do tempo, em vez de presumir que uma base continuará adequada por inércia.
Se governança é a direção, stewardship é a disciplina que faz isso acontecer no dia a dia. Esse foi outro tema recorrente no material do evento, e os números ajudam a explicar por quê.
Esses dados mostram duas coisas ao mesmo tempo:
Stewardship não pode mais ser visto como uma função administrativa. É uma disciplina conectiva. É o que traduz política em prática, negócio em critério, desvio em ação corretiva e aprendizado em evolução operacional.
Outra ideia relevante que saiu fortalecida do evento foi a de confiança como ativo estratégico. Em vez de tratar todos os dados da mesma forma ou perseguir um ideal abstrato de controle total, a tendência é evoluir para níveis graduais de confiança, de acordo com risco, impacto e uso.
Essa visão me parece especialmente útil porque tira a governança do lugar de bloqueio e a coloca no lugar certo: o de habilitadora de decisões melhores. Nem tudo precisa do mesmo grau de controle. Mas tudo o que sustenta decisões críticas, automação relevante ou IA em escala precisa de critérios explícitos de confiança:
Se eu tivesse que resumir em poucos pontos o que ficou para mim depois da Gartner Data & Analytics Summit, seria isto:
Na Apgar, esse debate nos é particularmente próximo porque há muitos anos trabalhamos exatamente na interseção entre governança, qualidade, data management e geração de valor para o negócio.
Muito antes de a IA ocupar o centro da agenda executiva, já era claro para nós que dados mal definidos, sem ownership, sem qualidade e sem governança comprometem eficiência, tomada de decisão e capacidade de execução. O que mudou agora é que a IA tornou esse problema ainda mais visível e urgente.
Por isso, vejo um alinhamento muito forte entre o que apareceu no evento e aquilo que é o core da nossa atuação: ajudar organizações a transformar dados em valor real com método, clareza, governança e proximidade com o negócio. Não se trata de defender governança por princípio. Trata-se de tornar a IA viável fora do slide.
Minha principal conclusão depois da Gartner Data & Analytics Summit em São Paulo é simples: a próxima fase da IA nas empresas será menos sobre experimentação e mais sobre prontidão.
Prontidão de dados. Prontidão de processos. Prontidão de ownership. Prontidão de governança. No fim do dia, ready for AI não é um slogan. É um teste de maturidade e, cada vez mais, também um teste de competitividade.