Em 2026, a inteligência artificial deixou de ser experimento em boa parte das empresas e passou a disputar orçamento com outros projetos. A disputa trouxe uma pergunta que antes ficava em segundo plano: quanto custa manter a IA funcionando com respostas confiáveis? As pesquisas mais recentes mostram que muitos projetos estão sendo adiados justamente nesse ponto.
O que as pesquisas de 2026 mostram
A KPMG publicou a edição do segundo trimestre de 2026 da Global AI Pulse, feita com 2.145 líderes empresariais em 20 países e territórios entre abril e maio. No material sobre o Brasil, dois números ajudam a entender o momento.
O primeiro: 41% das organizações relatam ter adiado ou reduzido iniciativas envolvendo agentes de IA, porque os custos começaram a superar os benefícios esperados. O segundo: 54% das empresas no Brasil dizem ter clareza sobre quem responde pela qualidade e pela atualização dos dados. No mundo, o índice é de 35%.
O Brasil aparece à frente da média global, o que é uma boa notícia. Ainda assim, quase metade das empresas brasileiras ouvidas não consegue apontar quem responde pelo dado que alimenta seus sistemas, e isso inclui os dados que a IA consulta.
Os dois números costumam ter a mesma raiz: quando ninguém responde pelo dado, cada resposta da IA precisa de conferência humana, e o custo de operar o projeto cresce mais rápido do que a confiança no que ele entrega.
O alerta não é novo. Em fevereiro de 2025, a Gartner previu que 60% dos projetos de IA sem dados preparados para IA seriam abandonados até o fim de 2026. Na mesma pesquisa, 63% das organizações disseram não ter, ou não saber se tinham, práticas de gestão de dados adequadas para IA. O ano de 2026 está terminando, e o adiamento relatado pela KPMG indica que a previsão encontrou eco na prática.
Por que o custo aparece antes do resultado
Um agente de IA trabalha consultando bases, cruzando informações e devolvendo respostas em linguagem natural. Cada uma dessas etapas depende de três condições que nem sempre estão prontas.
O dado precisa ter dono
Se ninguém responde pela atualização da base de clientes, por exemplo, ninguém percebe quando ela deixa de ser carregada ou quando um campo muda de significado. A IA continua respondendo, agora com informação defasada, e o erro só aparece quando alguém desconfia do resultado.
A regra de cálculo precisa estar escrita
Uma pergunta como “qual foi a margem do trimestre?” tem uma resposta diferente para cada regra de cálculo possível: com ou sem frete, antes ou depois de descontos comerciais, por data de pedido ou de faturamento. Se a regra vive na cabeça de quem monta o relatório, a IA escolhe uma, e nem sempre a que a diretoria usa. Uma camada semântica resolve essa ambiguidade ao registrar o significado de cada métrica em um único lugar.
A fonte precisa ser a mesma para todos
Quando o comercial consulta o CRM e o financeiro consulta o ERP para responder à mesma pergunta, a IA herda a divergência. Ela pode até apresentar as duas respostas com a mesma segurança, o que torna o problema mais difícil de perceber.
As três condições são decisões de gestão sobre responsabilidade, definição e origem do dado. Quando faltam, a conta chega como horas de conferência, retrabalho e desconfiança, e é aí que o custo passa a superar o benefício.
O que verificar antes de aprovar o próximo projeto de IA
Antes de aprovar um projeto com agentes de IA, vale aplicar um teste simples a cada pergunta de negócio que ele vai responder.
-
01Quem responde por esse dado?
Para cada base que o agente vai consultar, deve existir uma pessoa ou área responsável pela atualização, pela qualidade e pela comunicação de mudanças.
-
02Qual é a regra de cálculo?
Os indicadores que o agente vai calcular precisam ter definição escrita e aprovada, com as exceções documentadas. Sem isso, a IA escolhe uma regra por conta própria.
-
03De qual sistema o número vem?
Quando mais de um sistema guarda a mesma informação, é preciso definir qual tem precedência. Essa escolha vale para o painel, para o relatório e para a IA.
-
04Dá para rastrear a resposta?
Se a IA apresentar um número, alguém precisa conseguir refazer o caminho até a origem: de qual tabela veio, quais filtros foram aplicados e em que data a base foi atualizada.
-
05Quanto custa conferir?
Estime quantas horas por semana a equipe vai gastar validando as respostas do agente. Esse custo entra no caso de negócio junto com o da tecnologia.
Se a maior parte das respostas for “não sabemos”, o próximo investimento costuma render mais na base do que no agente. É o mesmo raciocínio da preparação de dados para IA: integração das fontes, regras documentadas e responsáveis definidos vêm antes da automação inteligente. Quando a base ainda depende de cargas manuais, APIs e pipelines de dados costumam ser o primeiro passo.
Adiar pode ser uma boa decisão
O número da KPMG pode ser lido como um sinal de frustração com a IA. Também pode ser lido como sinal de maturidade: empresas que revisam custos, medem retorno e adiam o que ainda não se paga estão tratando a IA como investimento, com critério.
A mesma pesquisa mostra que 58% das empresas no Brasil afirmam ter visibilidade total sobre os custos operacionais relacionados à tecnologia. Quem enxerga o custo consegue decidir quando avançar. O passo seguinte é usar o período de adiamento para preparar a base, de modo que o projeto volte à pauta com dados que já têm dono, regra e origem definidos.
“A IA amplia o que encontra nos dados. Organizar a base antes é o que define se ela vai ampliar a clareza ou o desencontro.”
Perguntas frequentes sobre projetos de IA e qualidade dos dados
O que são dados prontos para IA?
São dados com origem conhecida, regras de cálculo documentadas, responsáveis definidos e atualização monitorada, organizados de forma que um modelo de IA consiga consultá-los sem ambiguidade. Na prática, são os mesmos requisitos de um bom ambiente de Business Intelligence, aplicados também às perguntas que a IA vai responder.
Por que projetos com agentes de IA ficam mais caros do que o previsto?
Segundo a KPMG, 41% das organizações ouvidas adiaram ou reduziram iniciativas com agentes porque os custos superaram os benefícios esperados. A pesquisa não detalha as causas. Em projetos de dados, um fator que costuma pesar e raramente entra no orçamento inicial é o tempo que a equipe gasta conferindo respostas quando os dados de origem não têm dono, regra ou fonte definidos.
IA e automação são a mesma coisa?
Não. Automação executa uma regra definida, como carregar uma base todos os dias às 6h. IA interpreta, resume ou responde perguntas a partir dos dados. As duas dependem de uma base organizada, mas falham de formas diferentes: a automação para quando a regra quebra; a IA continua respondendo, mesmo com dado errado.
Por onde começar a preparar os dados para IA?
Pelos indicadores que sustentam as decisões da diretoria. Para cada um, escreva a regra de cálculo, defina a fonte oficial e nomeie o responsável. Esse inventário mostra onde a base está pronta e onde a IA ainda vai precisar de supervisão.
Fontes consultadas:
KPMG Brasil, Global AI Pulse Q2 2026 (pesquisa com 2.145 líderes em 20 países e territórios, abril e maio de 2026; acesso em 20/10/2026). Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 26 de fevereiro de 2025.
Os dados da sua empresa estão prontos para a IA?
Faça o autodiagnóstico gratuito da Saphari: 12 perguntas, cerca de 4 minutos e um relatório em PDF com o nível de maturidade em dados da sua empresa, a leitura por dimensão e os próximos passos.
Fazer o autodiagnóstico →


