Pesquisar

Com a inteligência artificial, ficou mais caro ter dados de má qualidade

Foto: DC Studio/Magnific

Responsáveis pelas áreas de dados estimam que 26% das informações armazenadas nas empresas não são confiáveis. Entre as empresas que já utilizam inteligência artificial no dia a dia, 89% dos líderes afirmam ter recebido resultados imprecisos ou enganosos.

Esses dados fazem parte de uma pesquisa realizada pela Salesforce com mais de 7.600 profissionais de tecnologia, dados e negócios em 17 países. O estudo também mostrou que informações incompletas, desatualizadas ou de baixa qualidade são hoje o principal obstáculo para as empresas que desejam tomar decisões orientadas por dados.

Agora, imagine um gestor pedindo à inteligência artificial uma lista dos clientes com maior risco de cancelamento. Para responder, a ferramenta consulta o CRM, o sistema financeiro e os registros do suporte. Em poucos segundos, apresenta os nomes, as justificativas e a prioridade de atendimento de cada conta.

O problema é quando o mesmo cliente possui cadastros diferentes. Nesse caso, parte dos chamados fica vinculada ao contrato errado e faturas canceladas continuam registradas como pendentes. A resposta da IA chega rápido e com uma apresentação convincente, embora represente uma versão incompleta da operação.

Durante muito tempo, dados de má qualidade consumiram horas em correções de planilhas, conferências de relatórios e discussões sobre qual número deveria orientar a decisão. Com a chegada da inteligência artificial, essas inconsistências também podem alimentar análises, iniciar automações e influenciar ações antes que alguém identifique a divergência.

É por isso que acredito que ficou mais caro ter dados ruins. O custo agora inclui a capacidade computacional utilizada para processá-los, o trabalho necessário para corrigir os problemas e as consequências das decisões tomadas.

Uma recomendação ruim pode direcionar uma oferta ao cliente errado. Um estoque desatualizado pode gerar uma venda que a empresa não consegue atender. Uma análise de crédito incompleta pode aprovar ou recusar uma operação sem considerar todas as informações disponíveis.

No fim das contas, a empresa armazena o dado, paga para processá-lo, utiliza o resultado e mobiliza profissionais para corrigir o efeito da decisão. Dependendo do processo, também pode perder uma venda ou, pior, comprometer a experiência do cliente.

Esse impacto aumenta à medida que as empresas delegam mais tarefas aos agentes de IA. Uma ferramenta pode sugerir quais clientes merecem atenção, outro agente pode alterar uma prioridade, enviar uma oferta ou iniciar um processo sem esperar pela intervenção humana.

Nesse cenário, a qualidade dos dados também define o limite da autonomia que a gestão pode conceder à tecnologia. Quanto maior a capacidade de agir, maior a necessidade de conhecer a origem das informações e os critérios utilizados para atualizá-las.

Como CEO da SysMiddle, acompanho esse problema sob a perspectiva da arquitetura. Conectar os sistemas permite que as informações circulem, mas a empresa ainda precisa definir qual aplicação responde por cada dado, quais validações serão realizadas e como uma divergência poderá ser rastreada.

Nos nossos projetos, esse entendimento acontece antes da definição das APIs, dos fluxos e das automações. Nossa equipe identifica os sistemas envolvidos, estabelece a fonte responsável por cada informação e determina quais regras permanecem em cada aplicação.

O ponto de partida para a gestão está nas decisões que serão apoiadas ou executadas pela inteligência artificial. A empresa precisa conhecer os dados consultados, a origem, o responsável pela atualização e o procedimento adotado quando duas fontes apresentam respostas diferentes.

Esse trabalho permite priorizar as informações que afetam a receita, os custos, o atendimento, a segurança e as obrigações regulatórias. Cabe à empresa ter controle sobre os dados mais relevantes antes de dar mais autonomia a essas ferramentas.

A inteligência artificial aumentou a velocidade das análises e das decisões. Mas essa capacidade também ampliou o alcance de cada informação incorreta.

Quanto maior a autonomia entregue à IA, maior a importância de saber exatamente quais dados merecem a sua confiança.

Compartilhe

Fundador e CEO da SysMiddle, especialista em integrações e APIs e criador do Método IPRS.

Leia também