A inteligência artificial virou o assunto número um nas salas de reunião, mas poucas empresas sabem como sair do discurso e partir para a prática
A transformação digital virou pauta obrigatória nas reuniões de estratégia das grandes empresas. Não importa o setor, o tamanho da operação ou a geografia: todo mundo quer entender como a inteligência artificial pode acelerar resultados, reduzir custos e abrir novas frentes de crescimento. Só que entre o desejo de adotar AI e a realidade de fazer essa tecnologia funcionar no dia a dia existe um abismo que muita gente ainda não sabe como atravessar.
Irfan Khan, presidente e diretor de produtos da SAP Data and Analytics, percebeu algo curioso dentro de algumas das maiores organizações do mundo: existe muito mais ansiedade do que ação quando o assunto é fazer a inteligência artificial realmente funcionar no cotidiano dos negócios. Segundo ele, essa constatação vale para empresas grandes, médias e pequenas. O cenário é parecido em todas elas.
E o vilão dessa história quase sempre é o mesmo: dados espalhados por sistemas diferentes, sem estrutura, sem contexto e difíceis de acessar. Informações críticas para o negócio ficam presas em silos organizacionais, duplicadas em planilhas que ninguém atualiza e armazenadas em plataformas legadas que não conversam entre si. Esse cenário torna qualquer tentativa de implementar inteligência artificial um exercício de frustração.
A situação é séria. Uma pesquisa recente da SAP revelou que apenas 33% dos líderes empresariais confiam nos próprios dados. Essa falta de confiança cria um gap enorme entre intenção e execução. E mais: organizações que já amadureceram sua infraestrutura de dados estão três vezes à frente em termos de prontidão para AI, segundo o mesmo estudo.
E à medida que 2026 avança, esse gap vai separar as empresas em dois grupos bem distintos:
- As que construíram uma base sólida para operar, competir e crescer com AI
- As que ficaram só na conversa e vão enfrentar consequências reais por isso
A boa notícia é que dá para mudar esse cenário agora. Khan delineou quatro movimentos práticos que qualquer empresa pode começar a aplicar hoje para se preparar para a era da inteligência artificial. 👇
Por que a maioria das empresas ainda trava na hora de usar AI
Antes de entrar nos passos em si, vale entender por que tantas empresas ainda estão patinando nessa transição. A resposta não está na falta de tecnologia disponível, nem na falta de vontade das lideranças. O que trava a maioria das organizações é algo bem mais básico e, ao mesmo tempo, bem mais difícil de resolver: a qualidade e a acessibilidade dos dados que elas já possuem.
Sistemas legados que não conversam entre si, informações duplicadas em planilhas espalhadas por departamentos diferentes e processos que nunca foram pensados para alimentar uma camada de inteligência artificial formam uma combinação que paralisa qualquer iniciativa antes mesmo de ela sair do papel. Os dados existem, e em volumes enormes, mas estão fragmentados de uma forma que os torna praticamente inúteis para modelos de AI que precisam de informações consistentes, contextualizadas e acessíveis em tempo real.
Khan costuma dizer que a AI é tão boa quanto os dados que a alimentam, e essa frase resume bem o problema central que as empresas enfrentam hoje. Não adianta contratar os melhores modelos de linguagem, investir em infraestrutura de cloud de ponta ou montar um time de cientistas de dados se a matéria-prima, ou seja, os próprios dados da empresa, chega suja, incompleta ou contraditória para o sistema. O resultado é previsível: saídas pouco confiáveis, decisões baseadas em ruído e uma desconfiança crescente nos resultados que a tecnologia apresenta.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Esse ciclo de desconfiança é especialmente perigoso porque ele se autoalimenta. Quando os líderes não confiam nos dados, eles deixam de investir em melhorar a qualidade deles. Quando a qualidade não melhora, a AI continua entregando resultados questionáveis. E quando os resultados são questionáveis, a percepção de que a tecnologia não funciona para aquele negócio se consolida, mesmo que o problema real nunca tenha sido a tecnologia em si. Quebrar esse ciclo exige uma abordagem estruturada, e é exatamente isso que os quatro passos a seguir propõem.
Os 4 passos para tornar sua empresa pronta para AI agora
Abraçar a nuvem híbrida sem marginalizar os dados
Apesar de anos de migração para a nuvem, muitas empresas ainda não são totalmente cloud-native e provavelmente não serão tão cedo. Entre custos já investidos em sistemas legados e restrições regulatórias, ambientes híbridos são uma realidade inevitável. E está tudo bem com isso, desde que a empresa saiba lidar com essa complexidade da forma certa.
A grande sacada, segundo Khan, é que a AI não exige necessariamente uma ruptura total com os sistemas on-premises. O que realmente importa é se a empresa consegue acessar seus dados de forma consistente e segura, independentemente de onde eles estejam armazenados ou onde o processamento acontece. Em suas palavras, você precisa conseguir acessar os dados de maneira independente de onde eles ou o ambiente de execução operam.
É por isso que a SAP tem investido fortemente em data fabric, uma camada crítica que conecta fontes brutas de dados às aplicações de inteligência artificial. Essa abordagem ajuda a fornecer o contexto de negócios que os agentes de AI precisam para funcionar de verdade, sem exigir que a empresa abandone de uma hora para outra toda a infraestrutura que já possui.
Um exemplo prático vem da Yamaha, uma corporação que atua em segmentos tão diversos quanto instrumentos musicais e esportes motorizados. Essa variedade de produtos cria um ecossistema de dados enormemente complexo. Com o SAP Business Data Cloud, a Yamaha conseguiu conectar informações de produtos, operações de cadeia de suprimentos, finanças e dados de clientes em uma camada unificada, ganhando agilidade para se mover com rapidez na era da inteligência artificial.
Construir um banco de dados projetado especificamente para AI
Bancos de dados tradicionais simplesmente não foram construídos para o tipo de raciocínio e inferência que a AI exige. Por isso, as empresas precisam agir para implementar uma fundação de dados que esteja genuinamente preparada para inteligência artificial. Na visão de Khan, um banco de dados pronto para AI precisa suportar múltiplos modelos de dados simultaneamente, seja vetorização, grafos de conhecimento, processamento em tempo real ou qualquer combinação entre eles.
Essa é a razão pela qual a SAP adotou uma abordagem de design multimodal. Com ela, as empresas não precisam se preocupar com o volume ou a temperatura dos seus dados. Em vez disso, ficam livres para usar sistemas de AI que consultam os dados diretamente, sem a necessidade de copiá-los ou duplicá-los. Khan destaca que a federação de dados é uma capacidade intrínseca e fundamental de qualquer oferta de dados baseada em inteligência artificial.
A empresa chilena Martinez and Valdivieso, que atua no fornecimento de insumos agrícolas, é um bom exemplo de como isso funciona na prática. Ao implementar o SAP HANA Cloud, um banco de dados multimodal que faz parte do SAP Business Data Cloud, a empresa equipou seus vendedores de campo com uma solução baseada em AI que permite personalizar cotações em tempo real. A solução triangula informações de múltiplas fontes on-premises e em nuvem, possibilitando que os vendedores ofereçam cotações mais inteligentes em qualquer lugar, melhorando a experiência do cliente e a lucratividade ao mesmo tempo.
Focar os esforços onde eles realmente movem o negócio
Com a pressão para implementar AI em todas as frentes, muitas empresas acabam espalhando seus esforços de maneira muito diluída. Khan alerta que isso é um erro. Em vez de tentar resolver tudo ao mesmo tempo, as organizações devem começar pelo nível do caso de uso, identificando as áreas do negócio onde a incerteza e o risco são maiores e, a partir daí, implementar inteligência artificial de forma significativa e direcionada.
As cadeias de suprimentos são um exemplo clássico de área com potencial enorme para resultados mensuráveis. A maioria das empresas tem dificuldade em prever oferta e demanda para se antecipar a picos ou disrupções. Esse é um problema feito sob medida para AI. Como Khan explica, não se trata mais de esperar para prever que algo está acontecendo, mas de genuinamente sentir quando algo vai acontecer, antes que ele se materialize.
Essa mesma lógica se aplica a finanças, planejamento de força de trabalho, operações e outras áreas críticas do negócio. Ao combinar modelos preditivos com essa capacidade de sensoriamento em tempo real e, em seguida, automatizar a resposta, as empresas podem sair de uma postura reativa e adotar uma postura proativa. Em vez de reagir aos problemas depois que eles acontecem, passam a antecipar cenários e agir preventivamente.
Repensar times e modelos operacionais para um mundo AI-native
A inteligência artificial está mudando rapidamente a forma como o trabalho é feito, e Khan afirma que as empresas precisam agir com velocidade para alinhar seus modelos operacionais a essa nova realidade. No curto prazo, ele enxerga uma espécie de modelo de dupla, onde humanos e agentes de AI trabalham lado a lado de forma próxima. O agente assume tarefas repetitivas como testes ou garantia de qualidade, enquanto o humano foca em criatividade e supervisão.
No longo prazo, a transição para AI pode colocar ainda mais pressão nos modelos operacionais existentes. Times de desenvolvimento de software que tradicionalmente operam com metodologias em cascata ou mesmo ágeis, por exemplo, precisarão se adaptar para gerar resultados de forma dinâmica. Essa necessidade de velocidade e adaptabilidade leva Khan de volta ao seu ponto original: as empresas precisam cortar as perdas com sistemas de gestão de dados que já não servem mais e implementar uma infraestrutura baseada em nuvem ou híbrida que permita essa agilidade.
A mensagem final de Khan é direta e potente: se você ainda está buscando um business case para justificar a adoção de AI, vai acabar soterrado por lógica de business case enquanto o mundo segue em frente, em um ritmo muito mais rápido. As empresas precisam abraçar a mentalidade de experimentar rápido, falhar rápido, aprender e iterar, tratando a AI como algo que se constrói na prática e não apenas nos decks de apresentação.
A cultura importa tanto quanto a tecnologia
Tecnologia sem cultura não vai a lugar nenhum. De nada adianta ter a melhor plataforma de cloud, os dados mais bem organizados e os modelos de AI mais sofisticados do mercado se as pessoas dentro da organização não confiam no que os sistemas mostram e continuam tomando decisões com base em feeling ou em informações paralelas que circulam por e-mail. Construir uma cultura de confiança nos dados é um processo que começa pela transparência: as equipes precisam entender de onde os números vêm, como eles são calculados e por que eles são confiáveis.
Um elemento essencial nessa construção é a governança de dados. Isso envolve definir quem é responsável por cada conjunto de informações dentro da empresa, quais são os critérios de qualidade que precisam ser atendidos, como os erros são identificados e corrigidos, e como as atualizações são comunicadas para quem depende daqueles dados para trabalhar. Quando existe um processo claro de governança, as pessoas passam a enxergar os dados como algo confiável e gerenciado, e não como algo que pode estar desatualizado ou errado sem que ninguém saiba.
A transformação cultural também passa por capacitação. Pessoas que entendem como a AI funciona, quais são seus limites e como interpretar os resultados que ela apresenta são muito mais propensas a confiar na tecnologia e a usá-la de forma eficaz do que aquelas que encaram a inteligência artificial como uma caixa preta mágica. Investir em letramento de dados e em treinamentos práticos para as equipes não é um custo extra na jornada de transformação digital, é parte fundamental do caminho.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Medir resultados e iterar com consistência fecha o ciclo
Lançar uma solução de inteligência artificial e esperar que ela continue funcionando bem indefinidamente sem ajustes é uma ilusão. Tanto o ambiente de negócios quanto os próprios dados que alimentam os modelos mudam constantemente. Empresas que entendem isso criam ciclos regulares de avaliação dos resultados, identificação de desvios e atualização dos modelos, tratando a AI como um ativo dinâmico que precisa de manutenção e evolução contínua.
Definir métricas de sucesso antes de lançar qualquer iniciativa de AI é essencial para que essa avaliação seja possível. Essas métricas precisam estar conectadas aos objetivos de negócios que a solução se propõe a endereçar: redução de tempo em determinado processo, aumento na precisão de previsões de demanda, diminuição de erros em operações específicas, crescimento na satisfação dos clientes. Números concretos, mensuráveis e vinculados ao impacto real no negócio são o que separam uma iniciativa de AI com propósito de uma iniciativa feita apenas para constar em relatórios.
A infraestrutura de cloud desempenha um papel importante nessa etapa, porque permite que as empresas escalem ou reduzam recursos de acordo com o que os resultados mostram, sem precisar de grandes investimentos fixos em hardware. Essa flexibilidade é especialmente valiosa no processo de iteração, porque permite testar hipóteses, ajustar abordagens e experimentar novas configurações sem o peso financeiro que esse tipo de experimentação teria em ambientes tradicionais. Empresas que combinam medição rigorosa com infraestrutura flexível têm muito mais chances de transformar suas iniciativas de AI em vantagens competitivas sustentáveis.
O que separa as empresas que chegam lá das que ficam para trás
No fim das contas, a diferença entre as organizações que conseguem fazer a AI trabalhar a seu favor e as que continuam presas na fase de planejamento não está no orçamento disponível, no tamanho da equipe de tecnologia ou no acesso às ferramentas mais avançadas do mercado. Está na disposição de encarar o problema pela raiz, que começa sempre pela qualidade e pela organização dos dados, e na capacidade de conectar cada decisão tecnológica a um resultado concreto de negócios.
A cloud democratizou o acesso às ferramentas que antes eram privilégio de apenas as maiores corporações do mundo. Hoje, empresas de todos os tamanhos podem acessar infraestrutura escalável, plataformas de análise avançada e modelos de AI de última geração sem precisar construir nada do zero. O que ainda é escasso, e por isso se tornou o verdadeiro diferencial competitivo, é a capacidade de usar tudo isso de forma estratégica, conectada e orientada por dados confiáveis.
As quatro etapas descritas por Khan, abraçar a nuvem híbrida, construir bancos de dados projetados para AI, focar nos casos de uso com maior impacto e repensar os modelos operacionais, formam um roteiro testado nas maiores organizações do mundo. Não são uma fórmula mágica, mas são o caminho mais consistente para sair do ciclo de ansiedade e entrar de vez no ciclo de ação.
2026 está se tornando o ano em que as apostas ficam mais altas e as diferenças entre empresas preparadas e empresas que ficaram para trás começam a aparecer nos resultados financeiros com muito mais clareza. O momento de agir é agora. 🚀
