Entenda o que muda quando os dados deixam de alimentar apenas analytics e passam a sustentar aplicações de IA e agentes em produção.

<p>Para escalar IA, o desafio não está apenas no modelo ou na aplicação. A arquitetura de dados também precisa estar preparada para sustentar esse novo nível de uso. Organizações com maior maturidade de dados atingem até 65% mais resultado de negócio, em crescimento de receita e otimização de custo, <a href="https://www.gartner.com/en/newsroom/press-releases/2026-04-16-gartner-says-organizations-with-successful-ai-initiatives-invest-up-to-four-times-more-in-data-and-analytics-foundations">segundo o Gartner (abr/2026)</a>. Ainda assim, <strong>apenas 7% das empresas têm dados completamente prontos para a IA</strong>, de acordo com a <a href="https://www.cloudera.com/about/news-and-blogs/press-releases/2026-03-05-only-7-percent-of-enterprises-say-their-data-is-completely-ready-for-ai-according-to-new-report-from-cloudera-and-harvard-business-review-analytic-services-reveals.html">Cloudera e a Harvard Business Review (2026)</a>. O desafio é entender se a fundação de dados atual consegue sustentar aplicações de IA em produção, incluindo agentes.</p>
<p><span style="color: #000000">A prontidão de dados costuma ser avaliada a partir de workloads analíticos, como dashboards e relatórios. Mas, quando os dados passam a alimentar aplicações de IA e agentes capazes de orientar decisões ou executar ações, surgem requisitos adicionais de contexto, governança e controle. </span><span style="color: #000000">É esse descompasso que </span><span style="color: #000000">pode impedir que projetos avancem do piloto para a produção.</span></p>
<div id="toc_container" role="navigation" aria-label="Table of Contents" data-nosnippet class="toc_white no_bullets toc_numbered toc_title_center"><p class="toc_title">Sumário</p><ul class="toc_list"><li><a href="#No-Brasil-a-percepcao-de-prontidao-e-maior-que-a-prontidao-real"><span class="toc_number toc_depth_1">1.</span> No Brasil, a percepção de prontidão é maior que a prontidão real</a></li><li><a href="#Governanca-e-peca-chave-para-escalar-IA"><span class="toc_number toc_depth_1">2.</span> Governança é peça-chave para escalar IA</a></li><li><a href="#Lakehouse-data-mesh-data-warehouse-arquiteturas-de-dados-para-a-IA"><span class="toc_number toc_depth_1">3.</span> Lakehouse, data mesh, data warehouse: arquiteturas de dados para a IA</a><ul><li><a href="#O-que-e-um-data-warehouse-tradicional"><span class="toc_number toc_depth_2">3.1.</span> O que é um data warehouse tradicional?</a></li><li><a href="#O-que-e-um-data-lakehouse"><span class="toc_number toc_depth_2">3.2.</span> O que é um data lakehouse?</a></li><li><a href="#O-que-e-um-data-mesh"><span class="toc_number toc_depth_2">3.3.</span> O que é um data mesh?</a></li></ul></li><li><a href="#No-Fleury-uma-fundacao-de-dados-estruturada-habilitou-uma-aplicacao-de-IA"><span class="toc_number toc_depth_1">4.</span> No Fleury, uma fundação de dados estruturada habilitou uma aplicação de IA</a></li><li><a href="#O-que-ainda-gera-duvidas-sobre-dados-e-IA"><span class="toc_number toc_depth_1">5.</span> O que ainda gera dúvidas sobre dados e IA</a><ul><li><a href="#O-que-e-uma-arquitetura-de-dados-e-por-que-ela-e-importante-para-escalar-IA"><span class="toc_number toc_depth_2">5.1.</span> O que é uma arquitetura de dados e por que ela é importante para escalar IA?</a></li><li><a href="#O-que-muda-na-governanca-de-dados-quando-o-consumidor-final-passa-a-ser-a-IA"><span class="toc_number toc_depth_2">5.2.</span> O que muda na governança de dados quando o consumidor final passa a ser a IA?</a></li><li><a href="#Por-onde-comecar-a-preparar-os-dados-antes-de-colocar-IA-em-producao"><span class="toc_number toc_depth_2">5.3.</span> Por onde começar a preparar os dados antes de colocar IA em produção?</a></li></ul></li></ul></div>
<h2><span id="No-Brasil-a-percepcao-de-prontidao-e-maior-que-a-prontidao-real">No Brasil, a percepção de prontidão é maior que a prontidão real</span></h2>
<p>44% das empresas brasileiras relatam alta prontidão de dados para IA, acima da média global de 32%. O dado é do estudo <a href="https://www.cisco.com/c/dam/m/en_us/solutions/ai/readiness-index/2024-m11/documents/cisco-ai-readiness-index-br.pdf">Cisco AI Readiness Index — Brasil, 2024</a>. À primeira vista, é um resultado positivo, e reflete o quanto o tema já subiu de prioridade nas empresas brasileiras. Vale, porém, olhar os números operacionais do mesmo estudo lado a lado. <strong>71% das empresas no Brasil ainda relatam dados fragmentados em graus variados</strong>, e 53% veem espaço de melhoria em rastrear a origem e a linhagem dos próprios dados. N<span style="color: #000000">ão por acaso, são os dois pontos que mais pesam quando o consumidor final do dado passa a ser uma inteligência artificial operando em tempo real.</span></p>
<h2><span id="Governanca-e-peca-chave-para-escalar-IA">Governança é peça-chave para escalar IA</span></h2>
<p>A objeção mais comum trata governança como o que atrasa a entrega. A mesma pesquisa citada acima lista seis movimentos que líderes de dados precisam fazer até 2030. Um deles inverte essa lógica: tratar contexto e semântica como infraestrutura crítica, porque é isso que permite a IA operar com confiança.</p>
<p>É um raciocínio parecido com o que já tratamos no artigo <span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/blog/ia-em-producao">IA em produção: 4 perguntas que todo CIO precisa responder.</a></span> Ele ganha uma camada extra quando quem passa a executar parte do processo é um agente, tema que aprofundamos em <span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/blog/times-com-agentes-de-ia-o-que-muda-de-fato-no-dia-a-dia">Times com agentes de IA: o que muda, de fato, no dia a dia</a></span>. Sem governança adequada, o projeto pode avançar no piloto, mas tende a encontrar barreiras maiores futuramente. Em uma arquitetura preparada para IA, <strong>a governança precisa estar incorporada à fundação desde o início</strong>.</p>
<h2><span id="Lakehouse-data-mesh-data-warehouse-arquiteturas-de-dados-para-a-IA">Lakehouse, data mesh, data warehouse: arquiteturas de dados para a IA</span></h2>
<div role="feed" aria-label="Mensagens do chat" aria-describedby="_r_92_" data-find-provider-scope="">
<div data-sizer-excess="0" data-rocksteady-sizer="">
<div data-rs-index="37" data-index="37" data-last-message="true">
<div role="article" aria-label="Mensagem 38 de 38">
<div data-test-render-count="1">
<div class="group group/message-row">
<div class="group relative relative pb-[var(--msg-assistant-pb,0.75rem)]" data-is-streaming="false">
<div class="font-claude-response relative leading-[1.65rem] [&amp;_pre&gt;div]:bg-bg-000/50 [&amp;_pre&gt;div]:border-0.5 [&amp;_pre&gt;div]:border-border-400 [&amp;_.ignore-pre-bg&gt;div]:bg-transparent [&amp;_.standard-markdown_:is(p,blockquote,h1,h2,h3,h4,h5,h6)]:pl-2 [&amp;_.standard-markdown_:is(p,blockquote,ul,ol,h1,h2,h3,h4,h5,h6)]:pr-8 [&amp;_.progressive-markdown_:is(p,blockquote,h1,h2,h3,h4,h5,h6)]:pl-2 [&amp;_.progressive-markdown_:is(p,blockquote,ul,ol,h1,h2,h3,h4,h5,h6)]:pr-8">
<div>
<div class="grid grid-rows-[auto_auto] min-w-0">
<div class="row-start-2 col-start-1 relative grid grid-rows-[auto_auto] isolate min-w-0">
<div class="row-start-1 col-start-1 relative z-[2] min-w-0">
<div>
<div>
<div class="standard-markdown grid-cols-1 grid [&amp;_&gt;_*]:min-w-0 gap-3 [&amp;_&gt;_*:last-child]:mb-0 print:block print:[&amp;_&gt;_*_+_*]:mt-3 standard-markdown">
<p class="font-claude-response-body break-words whitespace-normal" dir="ltr"><strong>Fundação de dados fragmentada trava a IA</strong>. É o que mostram, de forma consistente, os principais estudos sobre o tema, incluindo a pesquisa da <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai">McKinsey (2025)</a>. Ela cita qualidade e arquitetura de dados como uma das barreiras centrais para a lacuna entre empresas que adotam IA e empresas que de fato escalam. Então, a questão que ainda fica é qual arquitetura corrige isso na prática: lakehouse ou data mesh, em comparação com o data warehouse tradicional. Vale entender a diferença antes de decidir qual a mais adequada para sua empresa.</p>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
<h3><span id="O-que-e-um-data-warehouse-tradicional">O que é um data warehouse tradicional?</span></h3>
<p>Um ambiente otimizado para consultas analíticas sobre dados estruturados e a base clássica de relatórios e dashboards. Os dados chegam já tratados, num formato fixo definido antes da carga, o que funciona bem para workloads analíticos estruturados, mas pode exigir capacidades complementares quando a empresa passa a combinar dados estruturados e não estruturados, machine learning e aplicações de IA. Isso costuma forçar um ambiente separado só para IA, com duplicação de dados e de pipeline entre os dois times.</p>
<h3><span id="O-que-e-um-data-lakehouse">O que é um data lakehouse?</span></h3>
<p>Uma categoria arquitetural que unifica funções de data warehouse e data lake sobre um formato de dados aberto, com uma camada de confiabilidade transacional por cima (como o Delta Lake). Na prática, isso permite guardar dado estruturado e não estruturado no mesmo lugar, consultar com a performance de um warehouse. Na prática, permite atender workloads analíticos e de IA sobre uma fundação de dados compartilhada, reduzindo duplicações desnecessárias de dados e pipelines e aplicando uma camada comum de governança.</p>
<p>Databricks é hoje uma das plataformas de referência para implementar arquitetura lakehouse, e a dti tem parceria formal com reconhecimento externo. Em 2026, foi classificada como <strong>Product Challenger no ISG Provider Lens Databricks Ecosystem Partners</strong>, nos dois quadrantes avaliados. Aprofundamos essa credencial, com outros cases da parceria, no artigo <span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/blog/databricks-como-alinhar-arquitetura-de-dados-e-inovacao-real-com-ia">Databricks: como alinhar arquitetura de dados e inovação real com IA?</a></span>.</p>
<h3><span id="O-que-e-um-data-mesh">O que é um data mesh?</span></h3>
<p>Um modelo mais organizacional do que técnico, para quando a escala exige distribuir a responsabilidade pelos dados. Em vez de um time central ser o único responsável por integrar todos os dados da empresa, cada domínio de negócio passa a tratar seu próprio dado como produto, com contrato de qualidade, documentação e forma de acesso definidos, enquanto um núcleo comum garante padrão e governança entre os domínios. Resolve escala quando uma empresa grande tem dezenas de fontes de dados e um único time central não consegue mais acompanhar a demanda de todos. É o que sustenta, por exemplo, a <strong><span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/cases/fazenda-de-dados-fundacao-de-dados-moderna-para-inovacao-com-ia">Fazenda de Dados</a></span> que a dti ajudou a implementar na dsm-firmenich</strong>.</p>
<h2><span id="No-Fleury-uma-fundacao-de-dados-estruturada-habilitou-uma-aplicacao-de-IA">No Fleury, uma fundação de dados estruturada habilitou uma aplicação de IA</span></h2>
<p>Apenas 13% dos pacientes com recomendação formal de retorno no laudo de fato voltavam para o exame de acompanhamento. O radiologista identificava o achado e escrevia a recomendação certa. Mas o desafio estava depois: rastrear, mês após mês, milhares de laudos e cruzá-los com o histórico de cada paciente para saber quem precisava ser contatado para retorno.</p>
<p>Ricardo Camilo, Data Architect na dti, resume por que esse desafio persistiu por tanto tempo:</p>
<blockquote><p>“Os dados na saúde estão em silos muito separados [&#8230;] para você conseguir colocar isso no mesmo ambiente de dados com governança, com segurança, é um desafio, não é simples [&#8230;] se você vencer essa primeira barreira, você destrava um potencial gigantesco”, contou ele <span style="text-decoration: underline"><a href="https://open.spotify.com/episode/7AXSD0aNowmqhU2i3KSWqp?si=dP6gvcBmT_OcMgFCxS5D-Q">neste episódio do podcast Os Agilistas</a></span>.</p></blockquote>
<p>O sistema de laboratório, o relatório de radiologia e a nota clínica do médico moravam em ambientes diferentes. Só depois que esses dados passaram a viver num ambiente comum, com governança, fez sentido colocar um <strong>modelo de linguagem para ler o laudo e identificar quem precisava ser acompanhado</strong>. O desenho de governança não é um detalhe posterior, é o motivo de o projeto ser seguro o suficiente para funcionar no dia a dia clínico. O modelo lê o laudo e identifica o achado, mas quem decide se o paciente deve ser contatado é o médico prescritor, não o sistema.</p>
<p>Esse projeto nasceu da arquitetura de dados <strong>Data Hub, construída sobre Databricks</strong>. Detalhamos essa arquitetura no case <span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/cases/modernizacao-de-dados-arquitetura-que-fundamenta-a-adocao-de-ia-no-grupo-fleury">Modernização de dados: arquitetura que fundamenta a adoção de IA no Grupo Fleury</a></span>. O caso mostra como uma arquitetura de dados bem estruturada pode habilitar IA em produção com segurança. Quando o objetivo é ampliar a autonomia para agentes, essa mesma fundação passa a exigir controles adicionais sobre decisões, ações e intervenção humana.</p>
<h2><span id="O-que-ainda-gera-duvidas-sobre-dados-e-IA"><span style="color: #000000">O que ainda gera dúvidas sobre dados e IA</span></span></h2>
<h3><span id="O-que-e-uma-arquitetura-de-dados-e-por-que-ela-e-importante-para-escalar-IA">O que é uma arquitetura de dados e por que ela é importante para escalar IA?</span></h3>
<p>Arquitetura de dados é a estrutura que organiza como os dados são coletados, armazenados, integrados, governados e disponibilizados para diferentes usos. Para escalar IA, ela precisa oferecer dados confiáveis, contexto, governança e acesso adequado aos diferentes fluxos, permitindo que projetos avancem do piloto para a produção com mais segurança e consistência.</p>
<h3><span id="O-que-muda-na-governanca-de-dados-quando-o-consumidor-final-passa-a-ser-a-IA">O que muda na governança de dados quando o consumidor final passa a ser a IA?</span></h3>
<p>Além dos controles de acesso e uso dos dados, a IA exige políticas claras sobre quais ações pode executar, em quais condições e quando é necessário um checkpoint humano.</p>
<h3><span id="Por-onde-comecar-a-preparar-os-dados-antes-de-colocar-IA-em-producao">Por onde começar a preparar os dados antes de colocar IA em produção?</span></h3>
<p>Mapeando, antes de automatizar: onde cada dado vive, quem é o dono dele, e quais decisões a IA pode tomar sem revisão, e quais não.</p>
<p>O investimento em IA generativa não falta. O que falta, na maioria dos casos, é uma arquitetura de dados capaz de oferecer qualidade, contexto, governança e controles para a IA, inclusive agentes que operam em produção. Se sua empresa ainda não avaliou a fundação de dados com esse critério, o checklist do artigo <span style="text-decoration: underline"><a href="https://www.dtidigital.com.br/blog/fundacao-de-dados-para-a-ia">Fundação de dados para a IA: checklist para executivos antes de investir</a></span> é um bom ponto de partida.</p>


Sua arquitetura de dados está pronta para escalar IA?

Desbloqueie o futuro do seu negócio

Mais conteúdos como esse

Travessa Dona Zilda, 125, sala 203, São Gonçalo – Pelotas, RS. CEP: 96075-166

14841 Dallas Parkway, 8th Floor Addison, TX 75254

R. Levindo Lopes, 357, 5º e 12º Andar – Savassi, Belo Horizonte MG, 30112-010