A conta que não fecha
Toda semana uma empresa me procura com o mesmo pedido: quero colocar IA no meu negócio. Na maioria dos casos, a conversa começa pela ferramenta. Qual modelo, qual licença, qual integração.
Eu sempre peço uma pausa e faço uma pergunta mais chata: como está seu cadastro de clientes hoje?
A resposta quase nunca é animadora. Planilha com três padrões de telefone. CNPJ em campo livre. Cliente duplicado com nome escrito de três jeitos. Vendedor que preenche o que quer. Exportação do ERP que muda de estrutura a cada mês.
Nenhuma IA conserta isso. Ela apenas acelera.
Se o dado que entra está errado, o resultado que sai está errado mais rápido. É essa a lógica que muita gente ainda não quis encarar em 2026, e os números mostram o tamanho da conta.
O que é dado quebrado na prática
Dado quebrado não é só dado errado. Na maioria das empresas que eu conheço, é uma combinação de quatro problemas silenciosos.
Cadastro duplicado com vida própria
O mesmo cliente aparece três vezes no sistema. Cada registro com um pedaço da história. Um tem o telefone certo, outro tem o e-mail, o terceiro tem as notas do último atendimento. Quando a IA tenta resumir a relação com aquele cliente, ela resume três pessoas diferentes.
Padrão que muda a cada exportação
Hoje a data vem como dia, mês, ano. Amanhã vem como texto. Depois vem em outro fuso. Quem trabalha com automação sabe que metade do trabalho não é automatizar, é convencer o dado a chegar no mesmo formato duas vezes seguidas.
Campo vazio virou regra
Endereço incompleto, segmento em branco, origem do cliente nunca preenchida. O time se acostumou e o sistema deixou de cobrar. Quando a IA precisa segmentar, priorizar ou recomendar, ela trabalha com um terço do quadro real.
Ninguém sabe de onde veio aquele número
A planilha crítica do faturamento circula há anos. Ninguém sabe quem montou, qual a regra de cálculo, se já foi revisada. A empresa decide em cima daquilo todos os dias, mas ninguém assina embaixo daquele dado.
Por que a IA não perdoa dado ruim
A promessa da IA generativa e dos agentes é justamente a escala. Ela lê o que uma pessoa não leria em cem anos e responde em segundos. O problema é que ela não tem senso crítico sobre a sua base. Ela assume que o dado que recebe é verdade.
Em uma operação manual, o erro de um cadastro errado morria na planilha. Com IA no meio do processo, esse mesmo erro vira e-mail automático, proposta com valor errado, ranking de cliente que não deveria estar ali e decisão de estoque baseada em histórico duplicado.
A falha não fica escondida mais. Ela opera.
Tem outro efeito que pouca gente mede: o time para de confiar. Quando a IA entrega três respostas absurdas seguidas, ninguém culpa o cadastro. Culpa a ferramenta. Aí o projeto morre por desconfiança, não por falta de licença.
O custo real de uma base suja
Esse custo não é novo. Em 2016, a IBM estimou em 3,1 trilhões de dólares por ano o prejuízo da má qualidade de dados só na economia dos Estados Unidos, número divulgado por Thomas Redman na Harvard Business Review. A Gartner atualizou essa conta e aponta que a má qualidade de dados custa em média 12,9 milhões de dólares por ano para uma organização.
O que mudou com a IA é a velocidade do estrago. Em 2025, a Gartner publicou uma previsão direta: até 2026, as organizações vão abandonar 60% dos projetos de IA que não tiverem dados prontos para IA. No mesmo estudo, 63% dos gestores de dados admitiram não ter, ou não saber se têm, as práticas certas de gestão para sustentar IA.
Leia de novo: seis em cada dez projetos morrem antes de nascer porque a base não estava pronta. Não é falta de orçamento. É dado quebrado.
Antes de contratar IA, arrume três coisas
Eu sei que arrumar base é trabalho invisível. Ninguém tira print de cadastro limpo. Mas é o que separa o projeto que funciona do projeto que vira caso de consultoria de resgate. Na prática, três frentes resolvem a maior parte do problema.
1. Escolha os dados que sustentam a decisão
Não tente arrumar tudo. Liste as cinco, dez decisões que mais movem dinheiro na sua empresa e identifique quais dados elas usam. É essa base pequena que merece atenção primeiro. O resto espera.
2. Dê dono para cada dado crítico
Campo sem dono é campo que vira lixeira. Cada dado crítico precisa de alguém que responda por ele. Quem garante que o cadastro de cliente está completo? Quem revisa a regra de cálculo da margem? Quando existe nome e responsabilidade, a qualidade vira rotina em vez de faxina.
3. Meça antes de automatizar
Antes de ligar qualquer IA, meça a taxa de erro dos dados que ela vai consumir. Cadastro completo em quantos por cento? Duplicidade em quantos por cento? Sem esse número, você não sabe se a IA está errando por culpa dela ou da base. E não consegue cobrar a evolução.
Perguntas frequentes
IA não consegue limpar meus dados sozinha?
Consegue ajudar em parte, detectando duplicidades e padronizando campos. Mas ela não decide qual é a regra certa do seu negócio. Limpeza de dados é decisão, não só técnica. Sem dono humano, a IA padroniza o erro junto.
Minha empresa é pequena. Esse problema vale para mim?
Vale mais. Empresa pequena não tem camada de controle para absorver erro. Um cadastro errado em uma base de trezentos clientes pesa muito mais do que em uma de trezentos mil. E o custo de arrumar cedo é uma fração do custo de arrumar depois que a IA estiver no meio do processo.
Por onde começar essa semana?
Pegue a planilha ou o relatório que sustenta a decisão mais importante da sua empresa hoje. Conte quantas linhas estão incompletas ou inconsistentes. Esse número, por pior que seja, é o seu ponto de partida. O resto é disciplina semanal.
Arrumar a base atrasa meu projeto de IA?
Atrasa o início e adianta o resultado. Projeto de IA sobre base quebrada não é acelerado, é adiado com juros. O retrabalho de consertar decisões erradas em escala custa mais do que a semana de preparação.
Fontes
- Bad Data Costs the U.S. $3 Trillion Per Year, Thomas C. Redman, Harvard Business Review, 2016
- Lack of AI-Ready Data Puts AI Projects at Risk, Gartner, 2025
- Data Quality: The Impact of Poor Data Quality, Gartner, 2021
- Data Quality and Revenue Impact, MIT Sloan Management Review, 2017
Se você está montando a base para usar IA de verdade, acompanhe o que eu publico sobre o tema no dia a dia. Estou em https://www.instagram.com/felipebelloni.
