Pesquisa aponta que 66% das empresas do setor financeiro ainda estão em estágio emergente de maturidade em IA. O problema não é falta de investimento, mas de dados confiáveis, governança e modelo operacional. Entenda os impactos para empresas de todos os setores.
Introdução contextual
O setor financeiro foi, historicamente, o primeiro a comprar a promessa da inteligência artificial. Bancos montaram laboratórios de inovação, contrataram cientistas de dados, firmaram parcerias com provedores de nuvem e anunciaram casos de uso que iam de chatbots de atendimento a modelos de crédito. O volume de recursos comprometidos cresceu ano após ano. O que não cresceu na mesma proporção foi a capacidade de transformar esses pilotos em operações permanentes, auditáveis e escaláveis.
Uma pesquisa divulgada pela Veja expõe essa assimetria com um número incômodo: 66% das empresas analisadas estão em estágio emergente de maturidade em IA. O diagnóstico aponta entraves em três frentes que se retroalimentam — qualidade e disponibilidade de dados, governança e modelo de operação. Em outras palavras, o problema não é tecnológico no sentido restrito. É organizacional, processual e, sobretudo, de governança de dados.
Para executivos de qualquer setor, a leitura é direta: a IA deixou de ser um diferencial de vitrine e passou a ser um item de infraestrutura decisória. E infraestrutura decisória não se sustenta sobre dados inconsistentes, donos indefinidos e controles frágeis.
O que aconteceu
A pesquisa mapeou o grau de maturidade de organizações do setor financeiro na adoção de inteligência artificial e chegou a uma distribuição desigual. A maior parte das companhias está no estágio inicial: experimenta, testa, aprende, mas não consegue industrializar. Os casos de sucesso existem, porém concentrados em poucas instituições que resolveram antes a base sobre a qual a IA opera.
Os entraves relatados se repetem com previsibilidade quase entediante:
- Dados fragmentados em sistemas legados, silos departamentais e formatos incompatíveis, o que inviabiliza treinar, validar e monitorar modelos em produção.
- Governança imatura, com políticas de qualidade, linhagem, classificação e retenção de dados ausentes ou apenas parcialmente implementadas.
- Modelo de operação indefinido, no qual ninguém sabe ao certo quem responde pelo ciclo de vida do modelo — da concepção ao descomissionamento.
- Dificuldade de escalar pilotos que funcionam em ambiente controlado, mas colapsam quando expostos a volume, latência, regulação e exceções do mundo real.
O dado central, portanto, não é o percentual de adoção. É a constatação de que a maioria investe sem ter resolvido a fundação. Isso transforma o orçamento de IA em custo recorrente de aprendizado, não em capacidade produtiva.
Por que isso importa para empresas
O fenômeno descrito no setor financeiro é um espelho para o restante da economia. Bancos são regulados, auditados e obrigados a prestar contas — ou seja, enfrentam primeiro os problemas que outras indústrias ainda vão encontrar. Quando um banco trava na escala de IA por falta de governança de dados, uma varejista, uma seguradora, uma indústria ou um prestador de serviços de saúde tende a travar pelo mesmo motivo, com menos pressão regulatória e, por isso, com menos urgência percebida.
Há três consequências práticas que merecem atenção da liderança:
- Custo de oportunidade composto. Cada trimestre gasto em pilotos que não escalam é um trimestre em que concorrentes com base de dados organizada acumulam vantagem operacional — em precificação, risco, atendimento e produtividade.
- Risco de decisão automatizada sobre dados ruins. Um modelo sofisticado alimentado por dados inconsistentes não erra menos: erra mais rápido e em escala, com aparência de objetividade.
- Dificuldade de justificar investimento. Sem métricas de valor conectadas a processos de negócio, a IA vira despesa discricionária e a primeira a ser cortada em ciclos de contenção.
A conclusão é desconfortável, mas útil: maturidade em IA é, antes de tudo, maturidade em dados. E maturidade em dados é um problema de gestão, não de ferramenta.
Impacto para cibersegurança, governança, IA e continuidade
A dependência de dados confiáveis conecta IA a quatro disciplinas que costumam ser tratadas separadamente — e que, na prática, formam um único sistema de risco.
Cibersegurança
Modelos de IA ampliam a superfície de ataque. Dados de treinamento podem ser envenenados, prompts podem ser manipulados, credenciais de acesso a pipelines podem ser comprometidas e modelos podem vazar informação sensível por inferência. Sem governança de dados, não há controle de acesso granular, nem rastreabilidade de quem alimentou o quê. A segurança passa a depender de sorte operacional.
Governança
Regulações de proteção de dados, normas setoriais e exigências de explicabilidade de decisões automatizadas tornam obrigatório saber a origem, o tratamento e o destino de cada dado usado por um modelo. Governança de dados é o que permite responder a auditorias, atender titulares e demonstrar conformidade. Sem ela, a IA se torna passivo regulatório.
Inteligência artificial
A qualidade do dado define o teto de desempenho do modelo. Nenhuma arquitetura compensa linhagem ausente, duplicidade, viés não tratado ou rotulagem inconsistente. Escalar IA exige pipelines reprodutíveis, versionamento de dados e modelos, monitoramento de deriva e ciclos formais de reavaliação.
Continuidade de negócios
Quando a IA passa a integrar processos críticos — concessão de crédito, detecção de fraude, triagem clínica, logística —, sua indisponibilidade vira incidente operacional. Continuidade exige planos de contingência para modelos, fallback manual documentado e dependência controlada de fornecedores externos. Nada disso é viável sobre dados desorganizados.
A IA não falha por falta de algoritmos. Falha por falta de fundação. E fundação se constrói com governança, não com pressa.
Leitura executiva da WSVP
Nossa avaliação é que o mercado está entrando em uma fase de correção. O ciclo de entusiasmo com pilotos de IA cede espaço a uma cobrança por retorno mensurável, e essa cobrança expõe a fragilidade da base de dados de boa parte das organizações. O número de 66% em estágio emergente não deve ser lido como fracasso, mas como retrato de uma transição: a tecnologia amadureceu mais rápido do que os processos que deveriam sustentá-la.
Para a liderança, isso significa que a pergunta relevante mudou. Não é mais "qual modelo vamos usar?", mas "quem é o dono do dado, qual seu nível de qualidade e como provamos isso?". Empresas que tratarem governança de dados como pré-requisito — e não como projeto paralelo — tendem a escalar IA com menos custo marginal e menos risco. As demais continuarão comprando tecnologia para resolver um problema que é de gestão.
Vale registrar um ponto contraintuitivo: a corrida por IA generativa acelerou a exposição. Modelos de linguagem consomem dados não estruturados em volume, muitos deles sensíveis, e os colocam em fluxos de decisão. Sem classificação, controle de acesso e política de uso, a organização cria um canal de risco que não aparece nos relatórios tradicionais de segurança.
Recomendações práticas
- Nomeie responsáveis pelo dado. Defina data owners e data stewards por domínio de negócio, com mandato claro e métricas de qualidade associadas.
- Estabeleça uma linha de base de qualidade. Meça completude, acurácia, consistência, atualidade e unicidade antes de escalar qualquer modelo. Sem linha de base, não há melhoria demonstrável.
- Implante linhagem e catálogo de dados. Rastreie origem, transformações e consumo. Isso é o que permite auditoria, explicabilidade e resposta a incidentes.
- Formalize o ciclo de vida do modelo. Documente aprovação, implantação, monitoramento de deriva, reavaliação periódica e descomissionamento, com papéis definidos.
- Integre segurança desde o início. Trate pipelines de dados e modelos como ativos críticos, com controle de acesso, segregação de ambientes e testes de adversidade.
- Conecte IA a processos e métricas de negócio. Cada caso de uso deve ter indicador de valor e indicador de risco. Sem isso, o piloto não tem critério de sucesso.
- Prepare a continuidade. Defina fallback manual para processos críticos dependentes de IA e teste-o com a mesma disciplina aplicada a outros planos de contingência.
- Trate governança como capacidade, não como projeto. Políticas, comitês e controles precisam operar de forma contínua, com revisão periódica e patrocínio executivo visível.
Fontes consultadas
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.