IAs sabem as mesmas coisas; a vantagem está no que não sabem

O texto aponta um equívoco comum na adoção de IA generativa: tratá-la como capacidade de compra, quando, na prática, a vantagem está no contexto de dados. Modelos como ChatGPT, Claude e Gemini são treinados com bases públicas amplas, levando a respostas semelhantes entre concorrentes para o mesmo problema setorial.

Essa semelhança de base torna o retorno dependente do que vem antes da IA. Estudo do MIT, o Project NANDA, avaliou mais de 300 implementações e mostrou que 95% das organizações não observaram impacto mensurável no lucro. Em linha semelhante, a McKinsey aponta que 88% adotaram IA, mas apenas 39% registraram efeito relevante no EBIT.

Conclusão repetida pelos casos bem-sucedidos: o diferencial não está no modelo, mas no dado proprietário dentro do contexto da empresa. Dados únicos alimentam a IA de forma que ninguém mais tem acesso, ampliando a eficiência operacional.

O caso Bloomberg

A Bloomberg mostra o caminho: em 2023 lançou o BloombergGPT, treinado com 363 bilhões de tokens de dados financeiros proprietários, somados a 345 bilhões de tokens públicos. O treinamento privilegiado gera vantagem competitiva baseada no próprio acervo de dados. A prática transforma o moat de dados em moat de inferência.

Para a Bloomberg, a IA é extensão da operação já existente, não substituto. O negócio de terminais de informação, com receita dominante, depende de dados acumulados ao longo de décadas para manter vantagem competitiva. Assim, a IA deixa de ser apenas tecnologia e passa a ser estratégia.

Dado proprietário versus data lake

O erro mais caro é confundir dado proprietário com data lake. Consolidar dados sem objetivo claro não gera insight útil. Em Stanford, a recomendação é definir o problema de negócio primeiro, depois desenhar a arquitetura de dados que o represente fielmente. Só então entra a IA com o contexto adequado.

A McKinsey confirma: redesenhar processos antes de escolher ferramentas aumenta as chances de retorno. O Gartner aponta que 60% dos projetos sem dados bem preparados devem ser abandonados até 2026. Assim, o caminho é o diagnóstico do negócio, não a corrida por tecnologia.

Caminho prático para empresas

O forecast de receita ilustra bem o desafio: erros entre 25% e 40% são comuns no B2B, e muitos CRMs registram dados incompletos. Sem origem de leads bem catalogada e sem critérios objetivos de transição entre fases, a IA não consegue inferir o que não está registrado. A governança de dados é fundamental.

Em conversas com líderes comerciais brasileiros, observa-se a necessidade de avançar em etapas: diagnóstico, predição, prognóstico e, por fim, autopilot. Cada degrau exige dados proprietários e governança mais apurada. Pular etapas explica a taxa de 95% de iniciativas sem retorno.

Três decisões para a próxima reunião de conselho

1) Priorizar dados antes de IA: qual problema concreto será resolvido e os registros atuais o retratam com fidelidade? Se a resposta for “organizar depois”, a PoC perde fôlego.

2) Abandonar o data lake como ponto de partida: comece pelo problema, desenhe a arquitetura de dados correspondente e só depois escolha uma ferramenta de IA.

3) Respeitar a escada de maturidade: diagnóstico é essencial antes de predição; sem previsão confiável, prognóstico não é viável; autopilot funciona apenas em ambiente controlado.

A IA não é, por si, o que diferencia uma empresa. O valor está no que ela registra do mundo, com qual disciplina e para qual decisão. Modelos de ponta são idênticos entre setores; o diferencial está no contexto de cada organização.