Sua estratégia de IA é tão forte quanto sua base de dados. Então, por que os dados essenciais para sua estratégia de IA ainda residem em silos funcionais — finanças, RH, vendas, cadeia de suprimentos, jurídico — cada um com seus próprios padrões, taxonomias e ferramentas? E por que sua capacidade de disponibilizar dados de alto valor continuamente para pessoas e sistemas de IA, de forma confiável e controlada, é tão baixa?

Essas questões permeiam o “Chief Data Officer Study 2025“, do IBM Institute for Business Value. Dos 1,7 mil Diretores de Dados (CDOs) ouvidos — de 19 setores e 27 regiões — só 26% estão confiantes de que suas capacidades de dados podem suportar novos fluxos de receita habilitados por IA. Outro número igualmente preocupante: apenas 29% dizem ter métricas claras para medir o valor gerado por iniciativas de dados e IA. O diagnóstico é: as empresas querem IA, mas não têm dados prontos para IA. E, sobretudo, não sabem medir valor.

O que isso significa, na prática? Que a governança de dados precisa ser, de fato, a prioridade em 2026 — e não somente parte do discurso — como mostra o “2025 CDO Survey“, da Deloitte. No relatório, 51% dos CDOs afirmam que governança é prioridade máxima, e 73% estão investindo em tecnologias de gestão e governança. Mas a mesma pesquisa mostra os obstáculos: 47% dizem que prioridades concorrentes impedem extrair valor dos dados, 48% citam limitações de orçamento e recursos como gargalo na adoção de IA, e 35% apontam que o déficit de competências freia a implementação da estratégia de dados.

Parte inferior do formulário

Esses achados ajudam a explicar por que a IA tem avançado de forma tão desigual entre organizações — e por que o conceito de “efeito multiplicador da IA” se tornou central no estudo da IBM. A expressão não é metafórica: refere-se à constatação empírica de que a IA multiplica tudo aquilo que encontra — valor, velocidade, produtividade, eficiência, inovação — mas também caos, inconsistências, vieses, riscos e custos. E essa multiplicação é proporcional ao estado da arquitetura de dados.

1. Multiplicador de velocidade
A IA reduz drasticamente o tempo entre dados → insight → ação.

Exemplos citados:

• Agentes de IA capazes de acessar dados de múltiplos sistemas sem centralização.
• Automatização de tarefas intensivas, como matching de documentos na Medtronic (de 20 minutos para 8 segundos).

Síntese: quanto melhor o acesso a dados, mais rápido a IA entrega valor.

2. Multiplicador de escala
A capacidade de escalar IA depende da capacidade de escalar acesso a dados de alta qualidade.

No relatório:

• 75% dizem já possuir plataformas capazes de integrar dados entre silos.
• 81% afirmam que agora “levam a IA aos dados”, e não o contrário.
• 74% já operam com atualização contínua/near real time.

Esses movimentos ampliam o alcance da IA para múltiplos fluxos de trabalho, multiplicando impacto.

3. Multiplicador de resiliência
A IBM descreve que IA amplifica tanto o valor quanto o risco dos dados.
O “efeito multiplicador” ocorre quando:

• agentes de IA passam a monitorar qualidade, detectar anomalias e reforçar governança
• data lineage, contratos de dados e políticas de uso se tornam automáticos

Resultado: fluxos de dados mais confiáveis → IA mais confiável → decisões melhores.

4. Multiplicador de inovação
Com dados acessíveis e combináveis:

• a IA revela padrões invisíveis a humanos
• permite criar data products e novos serviços baseados em dados proprietários
• destrava o uso de dados não estruturados, que carregam contexto e nuance

Isso multiplica o número de novos casos de uso possíveis.

5. Multiplicador de crescimento
Empresas que organizam seus dados para IA conseguem:

• criar novos fluxos de receita
• monetizar dados proprietários
• gerar ROI maior em IA e em dados (p.32–35)

Ao contrário, empresas sem essa base veem a IA gerar pouco impacto — não por falha da IA, mas por falta de dados utilizáveis.

Em resumo…

Se a arquitetura é sólida — acessível, íntegra, governada, integrada — a IA multiplica impacto.

Se a arquitetura é frágil — fragmentada, redundante, inconsistente — a IA multiplica problemas.

Esse é o ponto de maior convergência entre IBM e Deloitte: IA não cria valor de forma isolada; ela apenas amplifica o valor dos dados que encontra. É um multiplicador — positivo ou negativo. E isso coloca o CDO no centro da equação.

A partir desse ponto, os dois estudos tratam a função do CDO como o principal determinante do grau de aproveitamento da IA. Ambos descrevem uma relação direta entre maturidade de dados e impacto da IA. A variação entre empresas não deriva de diferenças tecnológicas, e sim de diferenças na capacidade de estruturar, padronizar e disponibilizar dados de forma contínua.

O relatório da IBM organiza esse diagnóstico em cinco eixos: estratégia, escala, resiliência, inovação e crescimento. Em estratégia, destaca a necessidade de alinhar o plano de dados ao roadmap tecnológico.

81% dos CDOs afirmam que esse alinhamento passou a ser essencial para habilitar IA em larga escala. Em escala, o estudo registra que 75% já possuem plataformas capazes de integrar dados entre silos quando necessário. Em resiliência, 83% avaliam que os benefícios de agentes de IA superam os riscos, desde que haja governança consistente. Em inovação, somente 26% afirmam conseguir extrair valor de dados não estruturados. Em crescimento, 78% colocam o uso estratégico de dados proprietários como prioridade competitiva.

A Deloitte apresenta outra estrutura, baseada em três dimensões — visão, controle e influência — e mostra que o impacto do CDO depende da capacidade de atuar nesses três eixos simultaneamente. Em visão, o estudo registra necessidade de alinhar estratégia de dados aos objetivos corporativos. Em controle, detalha restrições relativas à distribuição de orçamento e lacunas de competências. Em influência, 54% dos CDOs se percebem menos influentes que outros executivos do C-level, o que reduz a capacidade de coordenar esforços de transformação.

Os dois estudos convergem ao mostrar que a qualidade da arquitetura de dados define o potencial de impacto da IA. Organizações com baixa maturidade concentram seus esforços em governança, estratégia e qualidade, enquanto organizações de alta maturidade priorizam IA/GenAI e data products. A diferença entre esses dois grupos não é tecnológica; é organizacional.

Ambos os relatórios indicam também que mensuração de valor é ponto crítico. A IBM registra que apenas 29% possuem métricas claras de valor. A Deloitte mostra dependência de métricas indiretas, como eficiência operacional, compliance e uso ampliado de analytics. A ausência de métricas objetivas limita o efeito multiplicador porque impede priorização e avaliação de retorno.

Outro elemento comum é o papel da cultura. A Deloitte registra cultura como principal barreira à adoção da estratégia de dados em diversos setores. A IBM indica resistência a mudanças como barreira relevante à inovação. Quando a cultura não sustenta práticas de uso de dados, a IA opera sobre base instável, o que afeta qualidade e consistência dos resultados.

Esse conjunto de evidências posiciona o CDO como responsável direto por criar condições para a IA entregar resultados mensuráveis. A função passa a ser avaliada pela capacidade de estabelecer padrões, garantir continuidade e apoiar fluxos de dados consistentes.

A conclusão dos dois relatórios é objetiva: o efeito multiplicador da IA depende da estruturação de dados conduzida pelo CDO. Quando arquitetura, governança, qualidade, acesso e segurança estão estabelecidos, a IA amplia o valor. Quando essas condições não existem, a IA amplia limitações existentes.

Conteúdo originalmente produzido e publicado por The Shift. Reprodução autorizada exclusivamente para a Abranet. A reprodução por terceiros, parcial ou integral, não é permitida sem autorização.