Preparar a base significa garantir quatro coisas: que o dado exista em formato acessível, que tenha uma fonte única de verdade por informação, que esteja atualizado com frequência conhecida e que tenha permissão definida sobre quem lê o quê. Sem isso, o agente responde com confiança sobre informação errada.
Sumário
- Como preparar os dados da empresa para usar IA?
- Etapa 1: como mapear onde a informação realmente está?
- Etapa 2: como definir a fonte única de verdade?
- Etapa 3: como avaliar se o dado está em condição de uso?
- Etapa 4: como tornar o dado acessível ao agente?
- Etapa 5: como tratar permissão e dado sensível?
- Etapa 6: como manter a base em condição?
- Perguntas frequentes
Como preparar os dados da empresa para usar IA?
Esta é a etapa que mais adia projetos e a única que não dá para pular. Modelo bom com dado ruim produz erro convincente — que é a pior categoria de erro, porque ninguém desconfia.
Etapa 1: como mapear onde a informação realmente está?
Liste, para cada informação que o agente vai precisar, onde ela vive hoje e quem a mantém. Faça isso em uma tabela de três colunas: informação, sistema de origem, responsável. O exercício costuma revelar que a mesma informação existe em três lugares com valores diferentes.
Quando isso acontece, a decisão não é técnica. Alguém precisa determinar qual fonte vale. Adiar essa decisão significa entregar ao agente a tarefa de escolher — e ele vai escolher, arbitrariamente.
Etapa 2: como definir a fonte única de verdade?
Para cada informação duplicada, eleja um sistema como oficial e documente a escolha. Os demais passam a ser cópias, e cópias não alimentam o agente. É uma regra simples que resolve a maior parte das inconsistências que aparecem depois em produção.
Etapa 3: como avaliar se o dado está em condição de uso?
Cinco verificações, nesta ordem:
- Completude — qual percentual dos registros tem os campos essenciais preenchidos.
- Consistência de formato — datas, moedas, unidades e códigos seguem o mesmo padrão.
- Atualidade — com que frequência a informação é atualizada e quando foi a última vez.
- Unicidade — quantos registros duplicados existem e por qual critério se identifica duplicata.
- Rastreabilidade — dá para saber quem alterou o quê e quando.
Registre o resultado de cada verificação em percentual. Isso vira a linha de base da qualidade e permite decidir com número, e não com impressão, se o dado está pronto.
Etapa 4: como tornar o dado acessível ao agente?
Prefira API a exportação de arquivo. Exportação congela o dado no momento da extração, e agente que trabalha com dado congelado erra silenciosamente. Onde não houver API, defina uma rotina de atualização com frequência declarada, e faça o agente informar a idade do dado que está usando.
Etapa 5: como tratar permissão e dado sensível?
Defina antes o que o agente pode ler, o que pode escrever e o que nunca deve sair do sistema de origem. Agentes tendem a herdar as permissões de quem os configurou, o que é quase sempre mais amplo que o necessário. Restringir depois é mais caro e menos confiável que restringir na arquitetura.
Documente também o que acontece com o dado que sai da empresa em cada chamada de modelo — quais campos vão, quais são mascarados, e qual o período de retenção do fornecedor.
Etapa 6: como manter a base em condição?
Qualidade de dado não é projeto, é rotina. Defina responsável, frequência de verificação e limite de tolerância para cada uma das cinco métricas da etapa 3. Quando um indicador cai abaixo do limite, o agente que depende dele deve avisar — não continuar operando como se nada tivesse acontecido.
Perguntas frequentes
Preciso arrumar tudo antes de começar? Não. Precisa arrumar o subconjunto que o primeiro agente vai usar. Tentar organizar a base inteira antes do primeiro projeto é a forma mais comum de nunca começar.
Quanto tempo leva essa preparação? Varia muito conforme o ponto de partida. Empresa com sistema único e processo definido resolve em semanas; empresa com informação espalhada em planilhas costuma levar meses — e o tempo é bem gasto.
Data lake resolve? Resolve acesso, não resolve qualidade nem fonte única de verdade. Juntar dado ruim num lugar só produz dado ruim centralizado.
Dá para o agente lidar com dado imperfeito? Até certo ponto, se ele souber que o dado é imperfeito. O problema não é a imperfeição — é o agente tratar dado incerto como certo.
— —
A WS Labs desenvolve agentes de IA e automações inteligentes que viram infraestrutura de crescimento — não ferramenta isolada. Todo mundo usa IA; quase ninguém constrói com ela.
Leia também:
