Dados bagunçados na empresa: por que a automação falha

A empresa contrata uma automação, liga uma inteligência artificial num processo, e três meses depois o resultado é pior do que a promessa. A reação mais comum é trocar de ferramenta: testar outro fornecedor, procurar um recurso mais avançado, pedir mais integrações.

Só que o problema raramente está na ferramenta escolhida. Ela só executa, mais rápido e em maior volume, um processo que já carregava falhas escondidas na base de dados.

Este texto mostra por que dado bagunçado derruba qualquer automação, quais sinais indicam que a base ainda não está pronta, e o que organizar antes de automatizar o próximo processo.

Por que a automação parece não funcionar na prática?

Na maioria dos casos, a automação não quebra por causa da ferramenta: ela só revela, em escala e na hora, falhas que já existiam no processo antes de ele ser automatizado.

Uma pesquisa da ABES (Associação Brasileira das Empresas de Software), feita com a IDC e que ouviu 107 líderes de TI de empresas com mais de 100 colaboradores, mostra esse descompasso: 95% das empresas já usam alguma forma de inteligência artificial, mas só 48% dizem ter dados bem estruturados e governados, e outras 49% têm dados apenas parcialmente estruturados.

O estudo da Strand Partners, encomendado pela AWS, mostra o mesmo padrão por outro ângulo: entre as empresas brasileiras que já adotaram IA, 58% ficam no nível básico de maturidade e só 15% chegam ao avançado. Quase metade, 48%, aponta a falta de habilidades digitais e de IA como barreira, e apenas um terço se diz confiante para medir o retorno do investimento. A ferramenta está lá, mas a base que ela usa para funcionar não acompanhou a adoção. Se você quer entender melhor esse cenário de adoção de IA no Brasil, este outro texto sobre IA na rotina da empresa aprofunda o tema.

O que conta como dado bagunçado?

Dado bagunçado é qualquer informação que deveria ser única e confiável, mas aparece duplicada, incompleta ou escrita de formas diferentes dentro da mesma empresa.

Os sintomas mais comuns são:

• O mesmo cliente ou fornecedor cadastrado mais de uma vez, com o nome escrito de um jeito ligeiramente diferente a cada vez.
• Campos obrigatórios em branco, ou preenchidos com qualquer valor só para passar para a etapa seguinte.
• A mesma informação escrita de formas diferentes, como o nome de uma empresa, a categoria de um produto ou o status de um pedido.
• Informação espalhada em planilhas paralelas, que cada pessoa mantém do seu jeito e que não conversam com o sistema oficial.

É o tipo de inconsistência que, antes da automação, um funcionário corrigia na hora, sem nem perceber que estava corrigindo. O cadastro duplicado é um dos sintomas mais comuns, e este texto aprofunda só esse ponto.

Por que automatizar um processo bagunçado piora o resultado

Automatizar um processo bagunçado não corrige a bagunça, ela se multiplica: o erro que antes alguém corrigia caso a caso passa a se repetir em todas as execuções do fluxo automatizado.

Quando uma pessoa rodava o processo na mão, um registro estranho era ajustado na hora, muitas vezes sem nem ficar registrado que aquilo era um problema. Quando o processo passa a rodar sozinho, a mesma falha se repete no volume e na velocidade da automação, não mais na velocidade humana. O levantamento da IBM, citando a Gartner e o IBM Institute for Business Value, dá a dimensão financeira desse efeito rodando sem controle: a má qualidade de dados custa, em média, entre US$ 12,9 milhões e US$ 15 milhões por ano às organizações.

Quais sinais mostram que a base não está pronta para automação?

Antes de ligar uma automação ou uma IA num processo, vale rodar um checklist rápido: se dois ou mais destes sinais aparecem, a base ainda não está pronta.

• O time mantém uma planilha paralela “por garantia”, porque não confia totalmente no sistema oficial.
• O mesmo cliente ou fornecedor aparece cadastrado com nomes levemente diferentes.
• Dois relatórios tirados da mesma base trazem números diferentes, dependendo de quem os gerou.
• Campos obrigatórios costumam ficar em branco ou preenchidos com um valor genérico.
• Ninguém sabe ao certo qual versão de um cadastro é a atual.

A pesquisa da ABES com a IDC, mesmo numa amostra de líderes de TI de empresas com mais de 100 colaboradores, mostra que esse estágio é comum: só 48% afirmam ter dados bem estruturados e governados, mesmo entre quem já usa IA no dia a dia. Montar um painel de indicadores confiável também depende da mesma base estar em ordem antes.

Como preparar os dados antes de automatizar

Preparar a base antes de automatizar passa por quatro frentes: padronizar os campos na entrada, eliminar duplicidade, centralizar a fonte de verdade e definir quem é o dono de cada informação.

• Padronizar o formato de cada campo na entrada: como um nome, uma categoria ou um status devem ser escritos, não corrigidos depois que o erro já entrou no sistema.
• Encontrar e unificar os cadastros duplicados antes de ligar o fluxo automatizado.
• Centralizar a informação numa única fonte de verdade, em vez de manter planilhas paralelas que cada pessoa atualiza por conta própria.
• Definir quem é o dono de cada tipo de informação, a pessoa responsável por mantê-la correta e atualizada.

É um esforço pontual de arrumação, que se paga assim que o processo passa a rodar sozinho.

Por onde começar quando a bagunça parece grande demais

Quando a bagunça parece grande demais, a saída não é arrumar tudo de uma vez: é escolher o processo que mais prejudica o negócio se continuar rodando errado, e começar por ele.

Pode ser o processo que alimenta o relatório mais usado para decisão, ou o fluxo de cobrança da empresa. Organize os dados daquele processo específico primeiro, automatize, e só então aplique o mesmo método no próximo processo. Tentar resolver a base inteira de uma vez, antes de automatizar qualquer coisa, costuma travar o projeto por meses.

Esse tipo de preparo, cuidar da gestão e dos dados antes de escalar automação e inteligência artificial, é o propósito da Imersão Gestão & IA: o espaço para o dono ou gestor de empresa aprofundar esse trabalho antes de automatizar em maior escala.