À medida que inteligência artificial generativa (GenAI), grandes modelos de linguagem (LLMs) e agentes de IA (Agentic AI) se tornam amplamente populares, as organizações começam a repensar sobre suas estratégias de dados — e percebem que a maioria delas não foi projetada para esse novo cenário. Embora os fundamentos de uma estratégia de dados continuem sendo importantes, o mundo atual, impulsionado pela inteligência artificial (IA), demanda uma abordagem mais sofisticada — uma estratégia capaz de acompanhar a escala, a complexidade e a velocidade com que as organizações operam, inovam e competem.
Uma estratégia de dados e IA bem-sucedida requer pensamento integrado entre dados, modelos, processos, plataformas e pessoas. Com novos riscos surgindo tão rapidamente quanto as oportunidades, muitas organizações estão tentando recuperar o tempo perdido — não por falta de ambição, mas porque ainda não reanalisaram suas bases considerando a IA.
Por que a convergência das estratégias de dados e IA é mais relevante do que nunca
Embora a maioria das empresas já possua iniciativas de dados e IA em andamento, poucas reestruturaram suas estratégias para o que vem pela frente. Um cenário fragmentado — que abrange ambientes multicloud, silos de dados, soluções pontuais de IA e governança ad hoc — pode rapidamente limitar a escala e o valor gerado. Por outro lado, uma estratégia unificada de dados e IA pode impulsionar agilidade operacional, promover inovação responsável e proporcionar experiências diferenciadas para o cliente.
Três tendências impulsionam essa mudança:
- A ascensão da GenAI e de arquiteturas baseadas em agentes: Modelos tradicionais de integração de dados e análises não são suficientes para as demandas dinâmicas e em tempo real das aplicações generativas e das operações de LLM (LLMOps). Desde o RAG (retrieval-augmented generation) até frameworks personalizados de agentes, as empresas precisam de plataformas e modelos de governança criados para esses novos fluxos de trabalho nativos de IA.
- Governança deixou de ser opcional — agora é fundamental: Com regulamentações específicas para IA, como a Lei de IA da UE e padrões em evolução, como o NIST AI RMF e a ISO 42001, a governança deixa de ser um checklist de compliance para um princípio de design. Empresas visionárias tratam governança de IA, gestão de riscos e cibersegurança como elementos centrais escalar e conquistar confiança.
- O conceito de “land and expand” precisa ir além de uma simples tática de vendas: A capacidade de começar pequeno (por exemplo, com um agente GenAI piloto para uso interno) e escalar rapidamente, por meio de padrões reutilizáveis, ferramentas modulares e governança integrada, é o que diferencia as organizações que lideram a transformação daquelas que apenas tentam acompanhá-la. Uma boa estratégia parte do seu contexto atual — mas nunca permanece nele.
Cinco recomendações para acertar na estratégia de dados e IA
Confira cinco recomendações comprovadas para estruturar uma estratégia de dados e IA robusta, alinhada às exigências de um cenário cada vez mais orientado por inteligência artificial.
1. Torne a governança um princípio de design — não uma reflexão tardia
Comece incorporando a governança em todo o ciclo de vida da IA: desde a ingestão de dados até o monitoramento de modelos. Isso envolve estabelecer políticas claras para qualidade, linhagem, rotulagem, controles de acesso e explicabilidade dos dados. Utilize frameworks modulares que integrem mecanismos de proteção específicos de IA (detecção de vieses, observabilidade de modelos, gestão de prompts) à governança geral de dados e segurança. Isso não se trata apenas de compliance — trata-se de confiança. E é a confiança que permite que as organizações escalem IA de forma segura, responsável e sustentável.
2. Invista em uma base de dados e IA de nível empresarial
O sucesso da IA em escala exige mais do que modelos — requer plataformas, pipelines e processos projetados para sustentar operações de longo prazo. Isso inclui capacidades de MLOps e LLMOps, aceleradores reutilizáveis — como integração com bancos de dados vetoriais ou ferramentas de avaliação de modelos — e uma arquitetura robusta, capaz de suportar tanto operações centralizadas quanto colaborativas entre diferentes unidades, com governança integrada. Independentemente da adoção de soluções open source, comerciais ou híbridas, o essencial é orquestrar — e não apenas montar — sua stack tecnológica, priorizando flexibilidade, portabilidade e responsabilidade ao longo de todo o ciclo de vida.
3. Torne a operacionalização uma prioridade, não um plano futuro
O maior valor vem de iniciativas de IA que vão além das provas de conceito (PoCs) e geram impacto real. Isso requer um modelo de entrega baseado em agilidade, automação e orquestração multifuncional. Inclua a operacionalização desde o início: projete já com monitoramento, controle de custos (FinOps), governança "human-in-the-loop" e controles de cibersegurança.
Pense em MVP — mas com um caminho claro para escalar, impulsionado por automação e repetibilidade. Ferramentas como matrizes de risco de IA, avaliações de maturidade e kits de teste de segurança ajudam a reduzir atritos e acelerar o tempo para geração de valor.
4. Preencha as lacunas de talentos, ferramentas e processos
Uma estratégia moderna de dados e IA deve ir além do fator tecnológico. Também é fundamental considerar o nível de prontidão cultural, o desenvolvimento de competências e o alinhamento dos processos. Crie centros de excelência ou departamentos específicos de IA que unifiquem gestão de produtos, engenharia, dados e compliance. Incentive a colaboração utilizando plataformas compartilhadas e mecanismos transparentes de avaliação.
Mais importante ainda: não subestime a gestão da mudança. Promover a adoção — interna e externamente — exige comunicação forte, construção de confiança e compromisso com o aprendizado contínuo.
5. Priorize casos de uso por impacto, risco e prontidão
Com tanta atenção voltada para casos de uso de GenAI, a tendência é mergulhar direto nos casos mais inovadores. Mas nem todos têm o mesmo grau de importância — ou estágio de maturidade. Estabeleça uma visão de portfólio avaliando os casos de uso pelo impacto no negócio, viabilidade técnica, complexidade de governança e postura de segurança.
Aplique frameworks reconhecidos para definir níveis de criticidade e ajustar sua estratégia conforme necessário. Algumas aplicações de IA exigem red teaming e pen tests, enquanto outras podem ser administradas com controles mais simples. O ponto central é: adapte o nível de exigência às necessidades de cada contexto.
Considerações finais
Ainda que os fundamentos de uma boa estratégia — como alinhamento aos objetivos do negócio, escalabilidade e adaptabilidade — continuem válidos, a forma de execução mudou. A IA traz novos poderes, mas também novas responsabilidades. As organizações mais resilientes e relevantes serão aquelas que integrarem a IA ao núcleo de seus dados, tecnologia e modelos operacionais — de forma segura, ética e em escala.
Ao acertar na estratégia de dados e IA, você não apenas prepara seu negócio para o futuro. Você constrói as bases para liderar na era da IA.
- Para saber mais sobre como criar uma estratégia de dados e IA responsável, com foco em governança e segurança, conheça as soluções abrangentes da NTT DATA para IA.
- Para saber mais sobre a atuação da NTT DATA em GenAI, descubra suas capacidades empresariais em inteligência artificial generativa.