A inteligência artificial corporativa costuma ser julgada pela resposta que aparece na tela. Antes dela, porém, existe uma extensa cadeia tecnológica: informações coletadas em diferentes fontes, mecanismos de integração, processamento distribuído, controles de acesso, monitoramento e recursos computacionais capazes de suportar milhares de solicitações.

É nessa parte pouco visível que muitas iniciativas deixam de avançar.

Em janeiro de 2026, o Gartner informou que pelo menos 50% dos projetos de inteligência artificial generativa haviam sido abandonados após a prova de conceito até o fim do ano anterior. Entre as razões estavam baixa qualidade das informações, controles de risco insuficientes, elevação das despesas e dificuldade para demonstrar valor empresarial.

Outro levantamento, produzido pelo Google Cloud com 1.402 líderes globais de tecnologia, apontou que 83% das organizações precisavam atualizar sua infraestrutura para colocar sistemas autônomos em produção. Quatro em cada cinco participantes mencionaram segurança, governança ou MLOps entre os desafios mais relevantes. A pesquisa foi realizada por um fornecedor de nuvem e não equivale a um censo independente, mas dimensiona a distância entre apresentar um protótipo e operar uma solução em escala.

Poucos profissionais observam essa transição por tantas camadas quanto Paulo Renan dos Santos Ferrari Bessa. Paulo atuou como Big Data Architect Senior na Semantix/LinkApi, trabalhou com Databricks e Azure na nstech, possui certificação Cloudera Data Platform Administrator e leciona Cloud Native Development na FIAP.

“O modelo pode apresentar um bom resultado técnico e, ainda assim, não estar pronto para o ambiente corporativo. Quando entra em produção, ele passa a depender da atualização das fontes, das integrações, da segurança, da disponibilidade e do custo de cada consulta. A inteligência artificial não opera sozinha”, afirma Paulo.

Uma aplicação de IA precisa receber conteúdo em condições adequadas. Isso envolve saber de onde cada informação veio, quando foi atualizada, quais transformações sofreu e quem está autorizado a utilizá-la.

Em uma grande organização, esse conteúdo pode estar distribuído entre bancos tradicionais, plataformas analíticas, documentos, aplicações antigas e serviços contratados. Parte chega em lotes; outra é produzida continuamente. Sem coordenação, a solução pode consultar registros duplicados, incompletos ou contraditórios.

O Gartner ouviu 1.203 líderes de gestão de dados e verificou que 63% das organizações não possuíam, ou não sabiam se possuíam, práticas adequadas para preparar informações destinadas à IA. A consultoria também projetou que, ao longo de 2026, seriam abandonados 60% dos projetos sem suporte de dados efetivamente prontos para esse uso.

A preparação não se limita à limpeza de uma base antes do treinamento. Ela exige metadados, regras de governança, pipelines para alimentar continuamente os sistemas e mecanismos capazes de detectar alterações de padrão ou perda de qualidade.

“Kafka, Spark, NiFi, Hadoop, Cloudera e Databricks cumprem funções diferentes. O ponto principal não é acumular tecnologias, mas construir um fluxo em que seja possível identificar a origem do conteúdo, acompanhar seu processamento e agir quando uma etapa deixa de funcionar” ressalta Paulo.

Uma falha nesse percurso nem sempre derruba a aplicação. Em determinados casos, o serviço continua respondendo, mas utiliza informações atrasadas. Para o usuário, a interface permanece disponível; para a empresa, a decisão pode estar sendo tomada com uma visão incompleta da realidade.

O custo de uma iniciativa não está apenas no treinamento ou na contratação do modelo. A cobrança também aparece no armazenamento, na movimentação das informações, no processamento de documentos, na criação de representações vetoriais, nas consultas, nos registros de atividade e nos ambientes paralelos de desenvolvimento e produção.

Soluções que precisam permanecer disponíveis ainda demandam redundância, cópias de recuperação, telemetria e capacidade reservada para momentos de maior uso. Em ambientes multicloud, a transferência entre provedores pode acrescentar novas despesas.

“A conta não vem identificada apenas como ‘inteligência artificial’. Ela está distribuída entre processamento, armazenamento, rede, observabilidade e serviços auxiliares. Sem separar esses componentes, a empresa percebe que o custo cresceu, mas não consegue relacionar a despesa ao valor entregue”, explica Paulo.

É nesse ponto que FinOps se conecta à estratégia de IA. A disciplina aproxima tecnologia, finanças e áreas de negócio para mostrar quem utiliza cada recurso, quanto ele consome e qual resultado sustenta.

Paulo conduziu um trabalho multicloud em AWS e Azure na Distribuidora de Medicamentos Santa Cruz que gerou economia anual superior a R$ 215 mil em infraestrutura, com resultado auditado e menção honrosa corporativa. A iniciativa não era um projeto de inteligência artificial; sua relação com esta pauta está no método de visibilidade, atribuição e correção do consumo.

“FinOps não serve para bloquear experimentos. Ele permite saber quanto custa ampliar uma solução, qual área responde pelo consumo e em que momento uma arquitetura precisa ser ajustada. Em IA, essa disciplina deve entrar antes que o uso cresça, não depois que a fatura se torna um problema.”

Métricas como custo por documento processado, resposta gerada, usuário atendido ou atividade automatizada ajudam a traduzir a despesa técnica para uma linguagem de negócio. Sem essa relação, uma iniciativa pode ganhar adesão e perder viabilidade ao mesmo tempo.

Em aplicações convencionais, uma falha pode resultar em página indisponível ou mensagem de erro. Sistemas baseados em IA apresentam um risco adicional: podem continuar respondendo mesmo quando a fonte correta não está acessível.

Por isso, observabilidade nesse contexto precisa acompanhar mais do que servidores e tempo de resposta. O controle deve alcançar o pipeline, a atualização das bases, o mecanismo de recuperação de conteúdo, o comportamento do modelo e os gastos associados à execução.

“Uma resposta entregue rapidamente não é necessariamente uma resposta operacionalmente correta. É preciso verificar se a fonte estava atualizada, se o fluxo terminou sem erros e se o conteúdo esperado foi realmente recuperado. Disponibilidade, sozinha, não comprova qualidade”, observa Paulo.

Sua experiência com Kubernetes, automação e GitOps complementa esse trabalho. Configurações versionadas, mudanças revisáveis e implantações reproduzíveis reduzem intervenções manuais e facilitam a identificação do que foi alterado quando um comportamento inesperado aparece.

A IA, então, deixa de ser tratada como demonstração isolada e passa a seguir requisitos semelhantes aos de qualquer serviço relevante: segurança, rastreabilidade, continuidade e capacidade de reversão.

O avanço dos modelos tornou a inteligência artificial acessível a organizações que não desenvolveriam essas tecnologias internamente. A facilidade para contratar uma API ou criar uma interface, contudo, não elimina a necessidade de organizar tudo o que existe ao redor.

A experiência de Paulo entre plataformas distribuídas, nuvens públicas, automação, confiabilidade e gestão de custos o posiciona justamente nessa fronteira: a passagem do modelo promissor para um serviço capaz de operar continuamente.

A economia superior a R$ 215 mil obtida em um ambiente de infraestrutura não comprova o sucesso de uma iniciativa de IA. Ela demonstra, porém, que recursos tecnológicos em escala precisam ser medidos, atribuídos e ajustados. A mesma disciplina ajuda a evitar que uma solução inteligente se torne cara demais para continuar funcionando.

“O algoritmo é a parte que recebe atenção. O resultado depende de algo maior: informação confiável, capacidade de processamento, segurança, acompanhamento operacional e controle financeiro. Quando essas camadas evoluem juntas, a IA deixa de ser uma apresentação e passa a entregar valor de forma contínua”, conclui Paulo.

Matéira de Yan Nobre