Colocar IA sobre os dados da empresa: o que ela guarda, o que ela vê e qual é o risco

Alguém do negócio pede para usar IA com os dados da empresa. A ideia é boa, todo mundo concorda, e aí a coisa chega em quem responde pela TI. Antes de olhar o que a ferramenta faz, três perguntas aparecem:

• O que a IA guarda? Meus dados vão parar em algum lugar? Alguém usa eles para treinar modelo?
• O que a IA consegue ver? Ela enxerga tudo, ou só o que a pessoa já podia ver?
• Se der errado, dá errado como? E o que eu preciso fazer para não dar?

São as perguntas certas. O que costuma voltar do fornecedor é “pode ficar tranquilo, seus dados estão seguros”. Isso não responde nenhuma das três — é uma promessa, e promessa não passa em auditoria.

Governança tem fama ruim: a área que diz não, o comitê que atrasa, o formulário antes do projeto.

Aqui é o contrário. Sem critério definido, a empresa fica com duas opções e as duas são ruins. Uma é não fazer nada, e o assunto volta para a pauta todo trimestre sem sair do lugar. A outra é fazer e torcer — e aí basta um número errado numa reunião de diretoria para o projeto inteiro ser suspenso.

Quando o critério existe, isso acaba. A próxima área que quiser usar não precisa reabrir a discussão de risco do zero, porque já se sabe o que é aceitável e o que não é. Você escolhe o caminho, e o risco não vem junto.

E tem uma coisa boa aqui que quase nunca acontece: governança normalmente cobra em velocidade, quanto mais controle mais devagar. Nesse caso não cobra. O mesmo desenho que dá o controle é o que faz a resposta ser precisa: quando a IA responde só pelo que o seu time já publicou e validou, o limite do que ela alcança é também a razão de ela acertar.

Servem para avaliar qualquer caminho, inclusive um que não seja o nosso. Se as quatro tiverem resposta boa, você tem governança. Se faltar uma, você tem promessa.

Quatro perguntas, e nenhuma delas pede que você acredite em alguém. Dá para fazer todas antes de assinar qualquer coisa. Inclusive conosco.

Falta um, e ele não está em nenhuma lista de segurança: a IA responder o número errado.

Vazamento pelo menos alguém descobre. Número errado, não. Ele sai com cara de certo, entra na apresentação, o diretor decide em cima dele, e ninguém volta para conferir uma conta que não levantou suspeita. Para quem responde pelo dado da empresa, isso é tão grave quanto o resto — só que é bem mais difícil de achar.

E é aqui que as quatro perguntas viram uma pergunta só.

Colocar a IA para ler o banco, o data warehouse ou o lake funciona na demonstração. O que quebra em produção não é a consulta — é a ambiguidade. Um ambiente real tem centenas de tabelas, várias com a mesma informação e três versões da mesma métrica. Não existe uma resposta certa dentro da camada de dados: ela depende de uma regra de negócio que nunca foi escrita ali — o que conta como faturamento líquido, qual filtro vale, qual exceção existe para aquele cliente.

Quando a IA lê a tabela crua, ela tem dois caminhos e os dois acabam mal. Ou responde escolhendo sozinha e erra sem avisar. Ou fica perguntando de volta — “você quer o faturamento com ou sem devolução?” — e o diretor desiste na segunda vez. É por isso que tanto piloto encanta na demonstração e morre sem ninguém usar.

A resposta que o mercado dá é montar um catálogo semântico. Funciona na teoria — catálogo completo, atualizado e confiável ao mesmo tempo não é a realidade da maioria das empresas brasileiras. E a empresa precisa de algo que entregue enquanto amadurece, não depois.

Só que tem um lugar onde alguém já resolveu isso: o seu próprio BI. O modelo do Power BI é onde o seu time passou anos brigando sobre o que cada número significa, até chegar numa versão que a empresa aceita e usa para decidir todo dia.

É a mesma camada que guarda a regra de acesso e a regra de negócio. Por isso governança e precisão deixam de ser duas conversas: quem responde pelo modelo do BI resolve as duas com uma decisão só. E é por isso que, aqui, controle não custa velocidade.

Agora a parte sobre a gente, e ela é curta porque as perguntas já estão feitas.

O dado sai? Não sai e não é copiado. O que trafega é o texto da pergunta e o contexto para traduzi-la. Quem produz a resposta é o modelo do seu Power BI, dentro do seu ambiente, e o resultado volta para quem perguntou. Sem treinamento com o seu dado e sem base paralela.

As permissões continuam as minhas? Continuam, e são as mesmas. Você não recadastra nada. Quem só enxergava a própria região no relatório continua enxergando só ela quando pergunta em português.

Ela lê o banco inteiro? Não. Consulta o modelo publicado, nunca as tabelas do banco. Não alcança tabela de teste nem coluna esquecida.

Eu consigo responder daqui a seis meses? Sim. Ficam quatro registros:

Os três primeiros são o que qualquer auditoria pede. O quarto quase ninguém guarda, e é o mais interessante de ter: você passa a saber o que as pessoas procuram e não encontram. Na prática é uma lista de demanda de dados que se constrói sozinha, pelo uso — não o que foi pedido em reunião, mas o que foi procurado na hora da decisão.

Governança costuma ser vista como o custo de fazer certo. Aqui ela devolve alguma coisa.

E se não der certo? Nada fica preso. O Power BI continua exatamente como está. Não há migração para desfazer nem dado para resgatar de lugar nenhum, porque ele nunca saiu.

Uma pergunta justa nesse ponto: tudo bem que é seguro, mas acerta?

O desenho já elimina a maior fonte de erro. Como a IA responde pelas medidas que o seu time cadastrou e validou, ela não precisa escolher entre três tabelas parecidas nem decidir sozinha o que conta como faturamento líquido. Essa decisão já foi tomada, há anos, por quem entende do negócio. A IA traduz a pergunta para o que já existe.

Em cima disso há uma camada de verificação: guardrails e validadores que conferem a resposta antes de ela chegar na tela.

E tem a parte que fecha o argumento desta página inteira: cada resposta pode ser avaliada por quem recebeu. Isso não é enfeite — é o que transforma qualidade em número acompanhável. Você não precisa acreditar que funciona bem: você vê a taxa, por área e por período, e sabe onde está boa e onde precisa de ajuste. É o mesmo princípio do resto do produto, aplicado a ele mesmo.

O limite, dito uma vez

Nenhuma IA acerta 100%, e quem promete isso provavelmente não operou uma em ambiente de verdade.

Por isso a implantação começa por um piloto: escopo definido, perguntas orientadas, teste com as pessoas que sabem os números de cor. Não porque haja dúvida sobre funcionar, mas porque é assim que se mede onde já está pronto para abrir — e é a mesma lógica com que qualquer empresa séria coloca sistema novo em produção.

E o registro completo, para não ficar dúvida: o Data Hub reduz muito o esforço e o risco de colocar IA sobre os dados que já existem, mas não substitui a sua governança. Ele trabalha dentro dela.

As quatro perguntas que definem se você tem governança servem para avaliar qualquer solução, e servem para avaliar a nossa. O jeito de fazer isso é simples: traga para a conversa quem cuida do ambiente de dados.

O detalhe técnico muda conforme vocês publicam os modelos, aplicam as regras de acesso e operam o Fabric. Por isso o melhor é ter alguém de BI ou de infraestrutura junto, com perguntas reais e o ambiente na tela. Uma hora com a pessoa certa vale mais que qualquer documento nosso.

É o princípio da casa aplicado ao próprio produto: não pedir confiança, medir confiança.