Muitas iniciativas de Data & AI ao redor do mundo falham não por falta de tecnologia, mas pela falta de conexão do projeto com o modelo de negócio.
TL;DR: Projetos de Data & AI falham não por falta de tecnologia, mas por desconexão com o modelo de negócio. Toda organização precisa responder três perguntas antes de investir: o que faz, como ganha dinheiro e qual é seu diferencial. O Apgar Pathfinder estrutura essa jornada em Valor, Fundações e Plataforma, garantindo que dados e IA sirvam decisões reais. Em um mundo de IA agêntica, quem domina esse contexto amplifica decisões corretas. Quem não domina, escala as erradas.
Esta é a ideia central, e bastante subestimada, que ficou clara para mim ao ler a edição #53 do The Data Ecosystem do Dylan Anderson, intitulada “Relevance of Business Models for Data” (“A Relevância de Modelos de Negócio”).
Na prática, vemos organizações investindo em plataformas, governança ou IA sem uma resposta clara para três perguntas simples:
Essas perguntas parecem básicas. Mas raramente são usadas como ponto de partida para decisões de dados.
Esse tema se conecta diretamente com duas frentes nas quais tenho estado mais envolvido. A primeira é a abordagem Apgar Pathfinder, a metodologia exclusiva da Apgar para mapear e estruturar roadmaps de projetos de dados.
O princípio é simples: não começar pela tecnologia, mas pelo valor. Identificar os problemas certos, as decisões críticas e os resultados esperados. Só depois entram dados, governança e plataforma.
A segunda é o tema de Context Engineering (ou Engenharia de Contexto) para IA. Com a evolução para agentic AI, ou IA agêntica (o modelo de trabalho em que são aplicados os agentes de IA), a discussão deixou de ser apenas sobre modelos mais avançados.
A pergunta passou a ser: que contexto estamos fornecendo para que esses sistemas ajam de forma relevante?
E esse contexto não é técnico - é, acima de tudo, negócio.
Quando conectamos isso com o que Dylan Anderson propõe, o paralelismo com o Apgar Pathfinder fica evidente. O Apgar Pathfinder estrutura a transformação em três dimensões: valor (Value Path), fundações (Foundation Path) e plataforma (Platform Path).
O Value Path responde diretamente às duas primeiras perguntas. Ao identificar value drivers e priorizar use cases, tornamos explícito como o negócio cria valor e onde gera receita. Os use cases deixam de ser exploratórios e passam a estar ancorados em processos críticos.
O Foundation Path se conecta ao diferenciador. É aqui que se define quais dados são realmente críticos, como são governados, quem é responsável e qual nível de qualidade é necessário. Em muitas organizações, é exatamente aqui que está a verdadeira vantagem competitiva - embora nem sempre seja tratada como tal.
O Platform Path surge como consequência. Quando valor e fundações estão claros, as decisões tecnológicas deixam de ser genéricas e passam a ser direcionadas: construir apenas o que é necessário para suportar o negócio.
O resultado é um roadmap que nasce do modelo de negócio - e não apenas da vontade de aplicar tecnologia.
E é nesse ponto que a conexão com Context Engineering ganha força. Um sistema de IA só é útil se tiver o contexto certo. E esse contexto é composto por entidades de negócio, processos, regras, relações e significado dos dados. Isso aproxima naturalmente o conceito de ontologia do modelo de negócio.
Uma ontologia bem construída não é apenas um artefato técnico. É uma representação estruturada de como a organização funciona: clientes, produtos, eventos, fluxos e relações. Quando essa representação está alinhada com o modelo de negócio, ela se torna uma base extremamente poderosa para IA - especialmente em cenários de IA agêntica, onde os sistemas precisam de autonomia para tomar decisões.
Do ponto de vista conceitual e técnico, essa conexão faz total sentido. Context Engineering depende de estruturas semânticas consistentes - e essas estruturas são mais eficazes quando derivam diretamente do modelo de negócio. A implicação é simples, mas exigente: não faz sentido falar de IA sem antes esclarecer o modelo de negócio.
Mais do que isso - não faz sentido escalar dados, governança ou plataformas se não estiver claro quais decisões estão sendo melhoradas e qual valor está sendo gerado.
Estamos entrando em uma fase em que "ter dados" deixou de ser diferencial. "Fazer IA" também não será. A vantagem estará em quem consegue estruturar contexto - e em quem consegue fazer isso melhor do que os outros.
Porque, no fim, isso não é um problema de tecnologia. É um problema de clareza.
E clareza não se compra com ferramentas. Ela é construída a partir de uma compreensão rigorosa do negócio - do que realmente cria valor, do que realmente gera receita e do que realmente diferencia. As organizações que entenderem isso vão usar dados e IA para amplificar decisões corretas. As demais vão usar dados e IA para escalar decisões erradas.
E, em um cenário de IA agêntica, isso deixa de ser um detalhe técnico. Passa a ser um risco estratégico. Porque no final do dia, quem domina o contexto é quem realmente vai conseguir desbloquear o valor de Data & AI.
Porque tecnologia resolve problemas técnicos, mas não define quais problemas valem a pena resolver. A maioria das iniciativas falha por falta de conexão com o modelo de negócio: as plataformas são implementadas sem que a organização tenha respondido o que faz, como ganha dinheiro e qual é seu diferencial. Sem essas respostas, os dados e a IA ficam desconectados do valor que o negócio precisa gerar.
O Apgar Pathfinder é a metodologia exclusiva da Apgar para mapear e estruturar roadmaps de projetos de dados. Seu princípio central é não começar pela tecnologia, mas pelo valor. A metodologia organiza a transformação em três dimensões: Value Path (como o negócio cria valor e receita), Foundation Path (quais dados são críticos e como são governados) e Platform Path (quais decisões tecnológicas são necessárias para suportar o negócio). O resultado é um roadmap que nasce do modelo de negócio, não da vontade de aplicar tecnologia.
Context Engineering é a disciplina de estruturar o contexto fornecido a sistemas de IA para que eles ajam de forma relevante. Em vez de focar apenas em modelos mais avançados, a pergunta central passa a ser: que entidades de negócio, processos, regras e relações estamos oferecendo para que a IA tome boas decisões? Esse contexto não é técnico — é, acima de tudo, de negócio.
Uma ontologia de negócio é uma representação estruturada de como uma organização funciona: clientes, produtos, eventos, fluxos e relações. Quando alinhada ao modelo de negócio, ela se torna a base para sistemas de IA agêntica — sistemas que precisam de autonomia para tomar decisões. Sem essa estrutura semântica, a IA age sem contexto real e, portanto, sem relevância.
Em cenários de IA agêntica, a ausência de clareza sobre o modelo de negócio deixa de ser um problema operacional e se torna um risco estratégico. Sistemas de IA com contexto incorreto não apenas cometem erros — eles os aplicam e escalam em alta velocidade. Organizações nessa situação usam dados e IA para amplificar decisões erradas, não corretas.
Pelo valor, não pela tecnologia. Antes de qualquer decisão sobre plataformas ou governança, a organização precisa responder três perguntas: o que a empresa faz, como ganha dinheiro e qual é seu diferencial. Essas respostas definem quais decisões precisam ser melhoradas com dados — e, a partir daí, o que construir, o que governar e o que automatizar.