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, segundo o Gartner (abr/2026). Ainda assim, apenas 7% das empresas têm dados completamente prontos para a IA, de acordo com a Cloudera e a Harvard Business Review (2026). O desafio é entender se a fundação de dados atual consegue sustentar aplicações de IA em produção, incluindo agentes.
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. É esse descompasso que pode impedir que projetos avancem do piloto para a produção.
No Brasil, a percepção de prontidão é maior que a prontidão real
44% das empresas brasileiras relatam alta prontidão de dados para IA, acima da média global de 32%. O dado é do estudo Cisco AI Readiness Index — Brasil, 2024. 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. 71% das empresas no Brasil ainda relatam dados fragmentados em graus variados, e 53% veem espaço de melhoria em rastrear a origem e a linhagem dos próprios dados. Não 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.
Governança é peça-chave para escalar IA
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.
É um raciocínio parecido com o que já tratamos no artigo IA em produção: 4 perguntas que todo CIO precisa responder. Ele ganha uma camada extra quando quem passa a executar parte do processo é um agente, tema que aprofundamos em Times com agentes de IA: o que muda, de fato, no dia a dia. Sem governança adequada, o projeto pode avançar no piloto, mas tende a encontrar barreiras maiores futuramente. Em uma arquitetura preparada para IA, a governança precisa estar incorporada à fundação desde o início.
Lakehouse, data mesh, data warehouse: arquiteturas de dados para a IA
O que é um data warehouse tradicional?
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.
O que é um data lakehouse?
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.
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 Product Challenger no ISG Provider Lens Databricks Ecosystem Partners, nos dois quadrantes avaliados. Aprofundamos essa credencial, com outros cases da parceria, no artigo Databricks: como alinhar arquitetura de dados e inovação real com IA?.
O que é um data mesh?
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 Fazenda de Dados que a dti ajudou a implementar na dsm-firmenich.
No Fleury, uma fundação de dados estruturada habilitou uma aplicação de IA
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.
Ricardo Camilo, Data Architect na dti, resume por que esse desafio persistiu por tanto tempo:
“Os dados na saúde estão em silos muito separados […] para você conseguir colocar isso no mesmo ambiente de dados com governança, com segurança, é um desafio, não é simples […] se você vencer essa primeira barreira, você destrava um potencial gigantesco”, contou ele neste episódio do podcast Os Agilistas.
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 modelo de linguagem para ler o laudo e identificar quem precisava ser acompanhado. 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.
Esse projeto nasceu da arquitetura de dados Data Hub, construída sobre Databricks. Detalhamos essa arquitetura no case Modernização de dados: arquitetura que fundamenta a adoção de IA no Grupo Fleury. 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.
O que ainda gera dúvidas sobre dados e IA
O que é uma arquitetura de dados e por que ela é importante para escalar IA?
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.
O que muda na governança de dados quando o consumidor final passa a ser a IA?
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.
Por onde começar a preparar os dados antes de colocar IA em produção?
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.
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 Fundação de dados para a IA: checklist para executivos antes de investir é um bom ponto de partida.

