Os líderes de dados e análises exercem papel fundamental na era da inteligência artificial e, frequentemente, se veem sob pressão para escalar dados e análises, diante de uma IA que está impactando tudo. A análise é de Jorg Heizenberg, vice-presidente e analista do Gartner para líderes de dados e análises (D&A).

De acordo com o Gartner, ao longo de 2025, a baixa qualidade dos dados persistirá como um dos desafios que impede a implementação da análise avançada. Por isso, os líderes de data & analytics (D&A) devem se concentrar em três jornadas interdependentes, que são: gerar valor; desenvolver capacidades e mudar as pessoas e a organização para que também se transformem.

Ao falar com jornalistas, nesta segunda-feira 28/4, Heizenberg enfatizou a necessidade de modelos de confiança para garantir a confiabilidade dos dados e a importância do gerenciamento de mudanças e da medição de valor. As principais conclusões de uma pesquisa de gerenciamento de dados destacaram a importância de dados prontos para IA, qualidade de dados e governança, além da criação de uma arquitetura de suporte.

“Reconhecemos que o gerenciamento de dados é muito importante para o sucesso da IA”, apontou, ressaltando a necessidade de as empresas investirem em dados prontos para IA, na qualidade e na governança de dados e em construir uma arquitetura que possa suportar não apenas isso, como também o uso de produtos de dados. “Tornar os dados prontos para IA significa que os dados precisam se adequar ao caso de uso específico da IA. Sabemos que, quando você consegue fazer com que os dados se ajustem ao caso de uso da IA, isso realmente leva a um desempenho empresarial muito melhor”, frisou.

Há, segundo o analista do Gartner, uma diferença significativa entre as organizações e os resultados de negócios que elas alcançam com base na prontidão para IA dos dados. Isso mostra a importância de contar com os líderes de D&A para o sucesso da implementação de casos de uso de IA. Para tanto, a governança precisa garantir que os dados sejam consistentes e confiáveis. Ter dados prontos para IA impulsionam melhores resultados comerciais em 20%, segundo a consultoria.

Nessa jornada, Heizenberg apontou que muitas organizações querem governar todos os dados. “E o que estamos dizendo é que talvez não devêssemos governar todos os dados, mas, pelo menos, ter certeza de que você pode dizer o quão confiáveis esses dados são e, então, atribuir diferentes classificações de confiança”, explicou.

Na prática, isso significa que, ao introduzir modelos de confiança, as pessoas saberão exatamente como usar os dados para os determinados casos de uso. “Por exemplo, se precisarem usá-los para relatórios externos, talvez por motivos regulatórios e de conformidade, eles se certificarão de usar os dados com o maior nível de confiança. Mas, se os usarem apenas para desenvolvimento em algum tipo de área de inovação, poderão trabalhar com dados menos confiáveis.”

Além da necessidade de implementar modelos de confiança corretos para os dados, é preciso construir uma arquitetura que permita fornecer produtos de dados, partes reutilizáveis de dados associadas, dispositivos que possam ser usados para todos os tipos de ambientes diferentes, análises, ciência de dados, aprendizado de máquina, BI e para resolver todos os tipos de casos de uso diferentes também.

“Se você estiver trabalhando com seus dados, o que chamamos de operações de dados, ou se estiver trabalhando em sua plataforma, o que chamamos de operações de plataforma, ou quando estiver trabalhando nos resultados financeiros de negócios, o que chamamos de FinOps, você precisa inserir essa confiança nessas três áreas”, completou.