Especialista aponta falhas em IA na arquitetura de dados

Especialista Claudio Braghini afirma que falhas em IA vêm da arquitetura de dados, não apenas da escolha do modelo; é preciso contextualizar o negócio na infraestrutura.
O problema aparece na produção, com decisões inconsistentes e falhas de tratamento de exceções, devido à falta de embasamento prático sobre a rotina operacional (WMS, ERP, remessa, clientes).
Recomenda-se uma arquitetura em três camadas: disciplina semântica, injeção de contexto com recuperação híbrida (metadados e grafos de conhecimento) e limites de decisão com governança e validações.
Economicamente, contextualizar o modelo pode reduzir latência e custo por chamada; a orquestração oferece independência de fornecedor e facilita trocar modelo sem reconstruir a lógica operacional.
Antes de investir, as organizações devem avaliar o nível de codificação do conhecimento dos operadores e a infraestrutura capaz de alimentar esse aprendizado; o gargalo costuma ser a estrutura periférica, não o modelo.

A falha na IA não está apenas no modelo utilizado, mas na arquitetura de dados que sustenta a operação. Especialistas apontam que substituir modelos de linguagem sem redesenhar a infraestrutura de suporte compromete a eficiência no ambiente corporativo. A constatação vem de Claudio Braghini, especialista em transformação digital.

Para Braghini, o foco excessivo no modelo a ser licenciado desvia a atenção da raiz do problema: a arquitetura que dá contexto ao sistema. Ele compara a situação com contratar um consultor de alto nível sem familiaridade com a prática da empresa, que pode resultar em respostas corretas na teoria e erros na prática.

O especialista explica que termos como pedido aberto, remessa em risco e cliente ativo precisam ter significados unificados entre setores. Sem governança de dados, a IA herdará divergências e repetirá falhas em escala, afetando decisões corporativas.

Estrutura de três camadas

A solução passa por uma arquitetura adaptada à realidade das operações, organizada em três camadas. A primeira é a disciplina semântica, que alinha definições conceituais antes de enviar dados ao modelo. Divergências entre setores geram inconsistências na prática.

A segunda camada envolve o contexto no sistema. Métodos tradicionais de Recuperação Aumentada de Geração costumam falhar em cenários complexos. A sugestão é adotar recuperação híbrida com metadados e grafos de conhecimento para retratar a operação de forma determinística.

A terceira camada trata dos limites de decisão. Modelos de linguagem devem orquestrar, não executar decisões finais. Resultados precisam acionar validações, motores de política e checagens de conformidade, com governança integrada à arquitetura.

Impactos econômicos e independência

A arquitetura correta reduz latência e custo por chamada, tornando as operações mais eficientes. Segundo Braghini, a inteligência está na camada de orquestração, não no modelo. Assim, é possível trocar modelos de fronteira por opções open source sem reconstruir a lógica operacional.

Essa visão se torna relevante diante do ritmo de lançamento de novas ferramentas e dos custos de migração entre fornecedores, fatores que costumam ser subestimados no planejamento inicial.

Avaliação prévia de investimentos

Antes de investir em IA, as organizações devem avaliar o nível de codificação do know-how operacional e a disponibilidade de uma infraestrutura capaz de alimentar esse aprendizado no sistema de forma autônoma. O gargalo costuma estar na estrutura periférica, e não nas atualizações do modelo.

A XCELiS Consulting, responsável pelo conteúdo, atua em transformação digital operacional com foco em supply chain, arquitetura de dados e implementação de IA em produção. A empresa orienta líderes de operação, tecnologia e negócios na construção de uma base digital que torne a IA competitiva e escalável.