Empresas em transição para IA precisam de um data concierge antes de qualquer copilot

A frase mais comum em board brasileiro em 2026 é alguma variação de "vamos fazer IA". Já saiu da fase de "isso é hype, vamos esperar" e entrou na fase de "todo mundo está fazendo, a gente precisa também". O orçamento foi aprovado. O comitê foi formado. A diretoria cobrou um plano para o próximo trimestre.

E aí começa o problema. Porque "fazer IA" não é um projeto. É cinco ou seis projetos simultâneos, três dos quais a empresa não sabia que existiam até começar a tentar. E nenhum deles é o copilot que o board imaginou.

O que ninguém te disse na conferência

A apresentação que vendeu IA para o seu board mostrou um chat respondendo perguntas do CFO em tempo real. O que a apresentação não mostrou foi:

• As três métricas diferentes de "receita" no warehouse que o modelo vai descobrir e, sem orientação, escolher a errada.
• O fato de que o ERP não tem foreign key consistente entre cliente e contrato, então o copilot pode dizer "fulano fechou X" para alguém que nunca fechou nada.
• A ausência total de catálogo, lineage, ou política de governança que decida o que o modelo pode ver. (Spoiler: por padrão, ele vai ver tudo, incluindo a tabela de salário.)
• Que o vendor da plataforma de IA não vai resolver isso por você. Eles vendem a ferramenta. A fundação é problema seu.

Eu escrevi mais sobre essa dinâmica em arrumar os dados antes de adotar IA generativa, mas o ponto principal é: quase toda empresa em transição para IA descobre, três a seis meses depois de começar, que o problema real nunca foi o modelo.

Três coisas que a transição de IA exige além do modelo

1. Definição canônica das métricas que o modelo vai citar

Se "receita", "cliente ativo" e "margem" não estão definidos uma única vez no warehouse, qualquer copilot que você plugar em cima vai herdar a ambiguidade, e amplificar. O exercício de definição canônica costuma ser a primeira coisa que rodo com clientes entrando em transição para IA. Detalhei o método em métricas duplicadas.

2. Lineage rastreável até a fonte

Quando o modelo cita um número, alguém precisa conseguir, em menos de cinco minutos, caminhar do número até a tabela bruta no sistema de origem. Se a sua arquitetura não permite isso hoje, você vai gastar mais auditando alucinações do que aproveitando o copilot.

3. Governança que decide o que o modelo pode ver

Não é uma lista de desejos no Confluence. É política aplicada na camada do warehouse: row-level security, masking de campos sensíveis, allow-list de tabelas que o modelo pode consultar. No Brasil isso ganha peso extra porque LGPD considera dado pessoal exposto via copilot tão problemático quanto exposto via vazamento clássico.

Onde o data concierge encaixa nessa transição

O concierge é a ponte entre a ambição executiva ("queremos IA") e a realidade técnica ("nossa fundação não está pronta"). O papel não é construir o copilot, geralmente um vendor faz isso. O papel é garantir que, quando o copilot ligar, ele tenha algo confiável para ler.

Concretamente, em uma engagement de transição para IA, eu costumo sequenciar três fases:

1. Diagnóstico de readiness (2 semanas). Auditar a fundação atual contra os requisitos reais de IA, não os de marketing. Mapear as métricas que se contradizem, os pontos onde lineage quebra, os dados sensíveis que estão acessíveis sem controle.
2. Build de fundação (8–12 semanas). Modelar warehouse com camadas claras, definir métricas canônicas, plugar catálogo, ligar governança no nível do warehouse. Não construir IA ainda. Construir a base que torna IA viável.
3. Acompanhamento durante o piloto (retainer). Quando o vendor de IA entra com o copilot, o concierge fica disponível para o que vai aparecer, pergunta de governança que o vendor não sabe responder, métrica que o modelo está interpretando errado, decisão de scope que precisa ser tomada com conhecimento da fundação.

Por que isso é especialmente urgente em 2026

O ciclo de hype de IA passou da fase otimista. Boards brasileiros já autorizaram orçamento. CEOs já anunciaram em entrevista. O custo político de "voltar atrás" é alto. O que sobra é entregar, e entregar bem é mais difícil do que entregar. Empresas que conseguirem distinguir entre "ligar uma feature de IA" e "transitar para IA" vão sair na frente. As outras vão ter seis a doze meses de pilotos emperrados antes de aceitar a sequência correta de operações.

Leituras relacionadas

Para o framing estratégico completo, comece em arrumar os dados antes de adotar IA generativa. Se a sua dúvida agora é estrutura de contratação, o que é um data concierge explica o modelo. E se você está no meio do mid-market brasileiro avaliando como entrar em IA sem virar uma corporação cedo demais, data concierge para médias empresas brasileiras cobre o caso específico desse porte.