A inteligência artificial existe há muito tempo, tendo o termo sido cunhado pela primeira vez no fim dos anos 1950, início dos anos 1960, mas a IA generativa, de repente, se tornou o centro das atenções. “Todo mundo fala sobre IA o tempo todo. Eles se referem tanto à IA generativa quanto às máquinas de IA clássicas. Agora, o que aconteceu agora, dentro de uma empresa, a IA está chegando aos líderes de três direções diferentes”, assinalou Deepak Seth, diretor-analista do Gartner, ao iniciar sua fala na coletiva de imprensa da  Conferência Gartner Data & Analytics 2025.

A primeira direção é o conceito de “traga sua própria IA” e está relacionada aos departamentos de negócios e ao fato de os profissionais de diferentes áreas se depararem com ferramentas de inteligência artificial, se interessarem e usarem. A segunda é a IA incorporada em software, uma onda que afeta os fabricantes de soluções que precisam embutir a inteligência artificial nas ferramentas. E a terceira, que costumava ser a IA mais antiga, que são as empresas construindo a sua própria IA — e essa IA construída, agora, se tornou IA construída e combinada.

“É um grande desafio para os líderes. De repente, eles estão recebendo isso de três direções diferentes e, como líderes de dados e análises, eles precisam descobrir como implementar isso, como coordenar todas essas coisas e como protegê-las”, explicou Seth, contextualizando que a IA generativa se tornou o centro de todas as atenções.

A IA generativa trouxe a IA para a frente e para o centro das organizações. Pesquisas do Gartner apontam que 20% das empresas já estão testando ou produzindo IA; 30% a consideram uma de suas principais prioridades; 45% estão incentivando os funcionários a testá-la; 68% veem mais benefícios do que riscos; e 90% veem um valor potencial moderado ou extenso na IA.

“A IA generativa expandiu a aplicabilidade e a acessibilidade da inteligência artificial e, agora, a IA pode ser usada para muitos novos tipos de coisas às quais não estava acostumada antes”, disse o analista.

Além de continuar desempenhando o papel tradicional de previsão e planejamento de cenários, a IA assume novas funcionalidades: do atendimento ao cliente a ser usada para criação de conteúdo, escrever notícias que chegam à redação ou a muitos lugares diferentes, resumir dados, automatizar os fluxos de trabalho e melhorar a produtividade da força de trabalho.

Importância dos dados
Os dados são centrais para a inteligência artificial. Falando sobre a regra básica da computação de que, se entra lixo, sai lixo, Deepak Seth questionou se são os dados bons que levam a uma boa IA. “Dados ruins levam a uma IA ruim e dados bons à IA boa, mas mais dados não necessariamente levam a uma IA melhor”, apontou o analista.

Mas estariam hoje os dados prontos para inteligência artificial? “Descobrimos que 55% das empresas, dos entrevistados, disseram que é difícil ter dados prontos para a IA. E, quando falamos sobre dados prontos para a IA, do que estamos falando? Estamos falando de quatro As: availability, accessibility, applicability e acceptability”, disse, se referindo a disponibilidade, acessibilidade, aplicabilidade e aceitabilidade.

“Os dados estão disponíveis? Ou seja, temos realmente dados para fazer o que queremos fazer se quisermos prever o tempo? Temos os dados dos anos anteriores? Em acessibilidade, mesmo se você tiver dados, consegue acessá-los? Agora, nem todos os dados podem ser aplicados a todos os cenários e isso é acessibilidade. Existem certos dados específicos que você precisa para cenários específicos e é a aplicabilidade dos dados. E, por último, mas não menos importante, a aceitabilidade. Os dados podem existir, mas suponha que contenham muitos vieses. Esses dados podem ser aplicáveis ​​ao que você está tentando fazer? Então, isso também é muito importante”, resumiu.