A coluna da Época NEGÓCIOS argumenta que liderança, governança, dados, cultura, pessoas e orçamento precisam caminhar juntos para que a IA deixe de ser uma coleção de pilotos. Analisamos por que a governança de dados é o eixo que sustenta escala, segurança e continuidade.
Introdução contextual
Poucas discussões amadureceram tão rápido no ambiente corporativo brasileiro quanto a da inteligência artificial aplicada aos negócios. Em poucos anos, a IA saiu do campo experimental para ocupar o centro das agendas de conselhos, comitês de auditoria e planejamentos estratégicos. No entanto, a velocidade da adoção nem sempre foi acompanhada pela maturidade das estruturas que deveriam sustentá-la: políticas de dados, papéis de responsabilidade, controles de acesso, critérios de qualidade e mecanismos de prestação de contas.
A coluna publicada pela Época NEGÓCIOS em 26 de outubro de 2026 traz uma provocação relevante: como estruturar uma estratégia de IA sem transformar tudo em projeto de TI. O argumento central é que liderança, governança, dados, cultura, pessoas e orçamento precisam caminhar juntos para que a inteligência artificial deixe de ser uma coleção de pilotos e passe a gerar resultados de forma consistente.
Este texto não reproduz a coluna. Ele parte dela para oferecer uma leitura executiva sobre o tema semântico que a sustenta — a governança de dados — e sobre o que empresas brasileiras deveriam considerar ao desenhar programas de IA que resistam ao tempo, à auditoria e à pressão por resultados.
O que aconteceu
A publicação original discute a estruturação de estratégias de IA para além da dimensão tecnológica. O ponto de partida é um fenômeno amplamente observado em organizações de médio e grande porte: a multiplicação de iniciativas isoladas de inteligência artificial, muitas vezes conduzidas por áreas de negócio com autonomia técnica limitada, sem padronização de dados, sem critérios comuns de avaliação de risco e sem integração a um portfólio corporativo.
Esses pilotos, individualmente, podem até demonstrar valor. Coletivamente, tendem a produzir fragmentação: conjuntos de dados duplicados, modelos treinados sobre bases inconsistentes, decisões automatizadas sem trilha de auditoria e custos de infraestrutura que crescem sem governança correspondente. A coluna propõe que a estratégia de IA seja tratada como agenda de liderança e de governança, e não como uma sequência de projetos de TI entregues sob demanda.
O enquadramento é coerente com o que organismos de referência vêm consolidando. O AI Risk Management Framework do NIST organiza a gestão de riscos de IA em funções de governar, mapear, medir e gerenciar, colocando a governança como ponto de partida. A OCDE, por sua vez, enfatiza princípios de transparência, responsabilização e robustez que só se materializam quando há estrutura de dados e de decisão bem definida. No Brasil, a ANPD tem reforçado a necessidade de bases legais, finalidade e accountability no tratamento de dados pessoais, o que inclui boa parte dos insumos usados em modelos de IA.
Por que isso importa para empresas
A mensagem central da coluna tem consequências práticas diretas para o desenho de programas corporativos de IA. A primeira é que governança de dados não é etapa preliminar a ser superada, mas infraestrutura permanente. Sem catálogo de dados, definição de proprietários, políticas de qualidade e linhagem, qualquer modelo tende a reproduzir vieses, erros e inconsistências que depois se convertem em risco operacional, regulatório e reputacional.
A segunda consequência é organizacional. Quando a IA é tratada apenas como projeto de TI, decisões sobre priorização, tolerância a risco e uso de dados ficam deslocadas para áreas técnicas que não têm mandato para assumir essas escolhas. A coluna sugere o oposto: patrocínio executivo, comitês com participação de negócio, jurídico, segurança, dados e compliance, e clareza sobre quem responde por cada decisão automatizada.
A terceira consequência é econômica. Pilotos desconectados raramente escalam. O custo de integrar, documentar e auditar iniciativas fragmentadas costuma superar o benefício marginal de cada uma. Empresas que estruturam uma camada comum de dados, metadados e controles conseguem reutilizar ativos, reduzir retrabalho e acelerar a passagem do experimento para a produção.
A quarta é cultural. A coluna menciona cultura e pessoas ao lado de liderança, governança, dados e orçamento. Isso importa porque a adoção sustentável de IA depende de letramento, de incentivos corretos e de uma compreensão compartilhada sobre limites de uso. Sem esse alinhamento, a sombra de iniciativas não autorizadas — o uso de ferramentas externas com dados sensíveis, por exemplo — cresce silenciosamente.
Impacto para cibersegurança, governança, IA ou continuidade
Do ponto de vista de cibersegurança, a fragmentação descrita na coluna amplia a superfície de ataque. Cada piloto tende a criar seu próprio conjunto de credenciais, integrações e cópias de dados, muitas vezes fora do perímetro monitorado. Modelos que consomem dados sensíveis sem classificação adequada elevam o risco de vazamento e dificultam a resposta a incidentes. A ausência de inventário de modelos e de dados de treinamento compromete a capacidade de investigar comportamentos anômalos e de demonstrar conformidade.
Na dimensão de governança, o tema se conecta ao debate regulatório em curso. A Lei nº 14.879/2024, que alterou a CLT em matéria de representação dos trabalhadores, não trata de IA, mas o exemplo serve para lembrar que o ordenamento brasileiro avança em frentes que afetam a operação de dados e de decisões automatizadas. A LGPD segue como referência obrigatória para tratamento de dados pessoais, e iniciativas de IA que usam informações de clientes, colaboradores ou terceiros precisam de base legal, finalidade e avaliação de impacto.
Em relação à própria IA, a governança de dados define a qualidade do que o modelo aprende e a confiabilidade do que ele entrega. Sem dados governados, métricas de desempenho podem parecer boas em laboratório e falhar em produção. Sem rastreabilidade, torna-se difícil explicar decisões a clientes, reguladores e auditorias internas.
Por fim, a continuidade de negócios é afetada de forma concreta. Modelos embarcados em processos críticos — crédito, triagem, atendimento, logística — precisam de planos de contingência, versionamento, monitoramento contínuo e critérios de desligamento. A coluna, ao defender que a IA não seja apenas um projeto de TI, aponta para a necessidade de tratar esses sistemas como ativos corporativos com ciclo de vida gerenciado, e não como experimentos permanentes.
Leitura executiva da WSVP
A WSVP entende que a coluna da Época NEGÓCIOS acerta ao deslocar o debate do entusiasmo tecnológico para a disciplina de governança. O ponto mais valioso é a recusa de uma falsa escolha: não se trata de frear a inovação em nome do controle, nem de acelerar a adoção ignorando riscos. Trata-se de construir uma base comum que permita inovar com repetibilidade.
Nossa leitura é que a governança de dados funciona como o sistema nervoso de uma estratégia de IA madura. Ela conecta liderança, orçamento, cultura e tecnologia em decisões coerentes. Quando essa camada existe, pilotos deixam de ser ilhas e passam a compor um portfólio; quando não existe, cada avanço cria uma nova dívida técnica e um novo risco a ser gerenciado sob pressão.
Observamos também que o tema exige tradução para a linguagem do conselho. Governança de dados não deve ser apresentada como projeto de infraestrutura, mas como mecanismo de proteção de valor: reduz perdas por decisões mal fundamentadas, acelera a conformidade regulatória, melhora a confiança de clientes e investidores e viabiliza a escala. Essa tradução é o que sustenta orçamento plurianual e patrocínio executivo consistente.
Por fim, a WSVP destaca que a maturidade em IA é menos sobre modelos e mais sobre decisões. Quem decide o quê, com base em quais dados, sob quais controles e com qual prestação de contas. A coluna contribui ao lembrar que essas perguntas não pertencem exclusivamente à TI.
Recomendações práticas
- Estabeleça um comitê de IA com mandato claro, reunindo negócio, dados, jurídico, segurança, compliance e auditoria, com atribuições definidas de priorização, tolerância a risco e aprovação de casos de uso.
- Construa um inventário de dados e de modelos que registre origem, finalidade, proprietário, classificação de sensibilidade e controles aplicados, servindo de base para auditoria e resposta a incidentes.
- Defina políticas de qualidade e linhagem de dados antes de escalar pilotos, com critérios objetivos de aceitação e monitoramento contínuo em produção.
- Trate a IA como ativo de ciclo de vida, com versionamento, planos de contingência, métricas de desempenho e critérios formais de desligamento.
- Invista em letramento e cultura, incluindo orientações sobre uso aceitável de ferramentas externas e canais seguros para experimentação.
- Vincule orçamento a resultados e a controles, evitando financiamento pulverizado de pilotos sem integração ao portfólio corporativo.
- Documente decisões automatizadas relevantes, garantindo explicabilidade mínima e base legal adequada para dados pessoais, em linha com a LGPD e com as orientações da ANPD.
Fontes consultadas
- Época NEGÓCIOS — Como estruturar sua estratégia de IA sem transformar tudo em projeto de TI
- NIST — AI Risk Management Framework
- OCDE — Princípios de IA
- ANPD — Autoridade Nacional de Proteção de Dados
- Planalto — Lei nº 14.879/2024
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


