Precisamos de conteúdo Rao para atuar com AI? O problema da cultura
Ao conversar com líderes C-level, principalmente os de áreas mais técnicas, a questão dos dados sempre aparece com força quando o assunto é inovação, analytics, IA e desenvolvimento de produtos.
Com a democratização da inteligência artificial nos últimos anos, parece ter se tornado obrigatório dizer que “dados são o novo petróleo” e reforçar a máxima de que sem dados não dá para fazer nada. Isso é verdade até certo ponto, mas representa apenas metade da história.
Nosso objetivo aqui é apoiar esses líderes, mostrando com clareza alguns riscos nessa maneira de pensar e apontando caminhos mais seguros — e pragmáticos — para obter resultados reais com dados e IA.
As linhas gerais são bem objetivas:
– Dados (e muito menos dados brutos) não são um fim em si mesmos
– Empresas que já têm *muitos* dados, mas não possuem cultura consistente, continuam paralisadas
– Cultura é fator crítico de sucesso — e custo de oportunidade é um inimigo silencioso
– Evoluir cultura é mais importante, e mais raro, do que contratar ferramentas e stacks
A seguir, detalhamos a relação entre culture-fit, dados e desenvolvimento de inovação, analisando tanto os riscos quanto as oportunidades dessa nova era.
O contexto atual: discurso moderno, práticas antigas
Os últimos anos foram especialmente desafiadores para o mundo corporativo. Apesar disso, é impressionante notar como vários executivos seguem demonstrando foco em temas como:
– Tecnologia
– Inovação
– Cultura
– Dados
– IA
As apresentações mudaram: discursos mais modernos, buzzwords atuais, promessas ambiciosas. No entanto, em muitas empresas, o jeito de trabalhar mudou pouco.
Quando passamos do discurso para a prática, surgem desafios comuns:
– Pouca clareza sobre quais problemas de fato precisam ser resolvidos
– Baixíssima priorização de iniciativas estruturantes de dados e cultura
– Falta de conexão entre metas de negócios, capacidades analíticas e iniciativas de IA
– Times técnicos sobrecarregados com demandas operacionais e de manutenção
– Liderança delegando temas críticos de cultura e dados apenas para áreas de tecnologia
No que diz respeito a esforços relacionados a dados, é comum encontrar organizações que:
– Já coletam, consolidam e organizam grandes volumes de dados
– Têm dashboards, BI e data lakes minimamente estruturados
– Estão rodeadas de fornecedores vendendo soluções “transformadoras”
Mesmo assim, as equipes responsáveis por essas frentes costumam estar:
– Sem clareza estratégica
– Sem prioridade nas agendas decisórias
– Sem liderança engajada no uso concreto das informações
– Sem espaço para experimentar e aprender com segurança
O resultado? Muito esforço, pouco impacto. E uma sensação constante de que “falta dado”.
A ilusão do “falta dado”: ROI e custo de oportunidade
Quando a liderança não percebe o valor gerado pelos times de dados e inovação, quase sempre existe uma combinação de:
– Falta de direcionamento claro
– Falta de contexto de negócio
– Falta de patrocínio efetivo
– Falta de alinhamento cultural
Nessa hora, surgem as frases:
– “Estamos investindo em dados, mas ainda é cedo para ver resultado”
– “Quando tivermos todos os dados integrados, aí sim vamos fazer IA”
– “Sem base limpa, não dá para começar”
Há, de fato, limitações técnicas importantes. Mas existe também um problema estratégico: tratar dados como pré‑requisito absoluto, e não como alavanca incremental.
Enquanto a empresa espera estar “pronta”, três coisas acontecem:
1. O negócio continua tomando decisões no escuro ou com baixa qualidade de informação.
2. As oportunidades de aprendizado rápido com IA, automação e analytics são adiadas.
3. O time técnico se frustra, perde moral e, muitas vezes, perde talentos.
Ou seja: o custo de oportunidade é enorme, ainda que pouco visível.
Figure 1 — Representação visual do custo de oportunidade na adoção de IA e dados
A figura mostra o que não aparece nos relatórios: tudo o que se deixa de ganhar enquanto o foco está apenas em “arrumar a casa” indefinidamente, sem capturar valor ao longo do caminho.
Dados não são o novo petróleo — cultura é
A frase “dados são o novo petróleo” já foi útil para chamar atenção. Hoje, ela pode ser enganosa.
Petróleo, sem refinamento, não serve para quase nada. Da mesma forma:
– Dado bruto, isolado e sem contexto tem valor limitado.
– “Ter” dado não é o mesmo que conseguir usá‑lo com qualidade e velocidade.
– O verdadeiro ativo é a capacidade organizacional de transformar dado em decisão e em produto.
Essa capacidade é, essencialmente, cultural.
Observando empresas de diferentes portes e segmentos, fica claro que o fator determinante para o sucesso em iniciativas de IA, Analytics e produtos digitais não é:
– Só o stack de tecnologia
– Só o tamanho do time
– Só o budget disponível
O fator comum nas organizações que avançam é outro:
– Mindset experimental
– Incentivo ao aprendizado estruturado (com erros)
– Segurança psicológica para propor, testar e ajustar
– Alinhamento entre liderança, times de negócio e times técnicos
– Clareza sobre problemas reais a serem resolvidos
Isso é cultura.
Empresas com boa cultura, mesmo com menos dados, conseguem:
– Começar pequeno e aprender rápido
– Focar em problemas relevantes, que geram valor visível
– Extrair mais resultado de ferramentas simples
– Evoluir suas capacidades técnicas de forma sustentável
Empresas com má cultura, mesmo com muitos dados, permanecem:
– Em ciclos longos de planejamento sem entrega
– Com projetos grandes, caros e lentos
– Dependentes de consultorias externas para tudo
– Frustradas com o “baixo retorno” dos investimentos em dados
Ou seja: não é sobre a quantidade absoluta de dados, mas sobre a qualidade da cultura que os usa.
Como cultura limita (ou potencializa) o trabalho com dados e IA
Quando a cultura não está preparada, alguns padrões aparecem:
– Dados usados apenas para justificar decisões já tomadas
– Relatórios gerados, mas não lidos
– Métricas que ninguém entende, nem sabe como influenciar
– Time de dados visto como “prestador de serviço” e não como parceiro estratégico
– Iniciativas de IA tratadas como vitrine, não como alavanca de negócio
Em contrapartida, em culturas mais maduras:
– Perguntas de negócio são formuladas com clareza
– Hipóteses são testadas com dados — ainda que imperfeitos
– Os times participam da definição do que medir e por quê
– A liderança acompanha, cobra e principalmente utiliza os insights gerados
– IA e automação são vistas como extensões naturais da capacidade analítica
Figure 2 — Representação visual da maturidade cultural em relação a dados e IA
A figura ilustra como o mesmo nível técnico pode gerar resultados muito diferentes dependendo do ambiente cultural em que está inserido.
O risco de “comprar” dados sem evoluir cultura
Há hoje um mercado aquecido de soluções para coleta, organização, enriquecimento e disponibilização de dados:
– Ferramentas de integração e ETL
– Plataformas de dados em nuvem
– Soluções de MDM, governança e qualidade
– APIs e conectores de terceiros
– Stack completo para IA generativa e modelos proprietários
Essas tecnologias são importantes e, muitas vezes, necessárias. O problema começa quando elas são tratadas como solução mágica para desafios que são, na origem, culturais e organizacionais.
Alguns sintomas comuns:
– Projetos de dados de anos, sem casos de uso claros para o negócio
– Times de tecnologia pressionados a “usar IA”, mas sem patrocínio para mudanças de processo
– Iniciativas paralelas, sem coordenação, que não se falam entre si
– Priorizações definidas mais por modismo que por impacto potencial
Nesses cenários, a empresa “compra” dados, ferramentas e promessas de IA, mas continua sem:
– Processo decisório baseado em evidências
– Métricas claras de sucesso para iniciativas de dados
– Espaço para experimentação rápida
– Incentivo real à colaboração entre áreas
Ou seja, o investimento fica concentrado em infraestrutura e pouco em cultura. E isso limita fortemente o ROI.
O que significa, na prática, evoluir cultura para dados e IA
Evoluir cultura não é fazer campanha interna ou colocar frases sobre “inovação” na parede.
Na prática, envolve ações como:
1. Conectar dados à estratégia de negócios
– Definir problemas concretos que precisam ser resolvidos
– Traduzir esses problemas em perguntas mensuráveis
– Priorizar iniciativas com base em impacto e viabilidade, não apenas em modismo tecnológico
2. Mudar como decisões são tomadas
– Incentivar o uso de dados em discussões estratégicas e táticas
– Cobrar não só “o número”, mas o raciocínio por trás dele
– Criar rituais em que hipóteses são apresentadas, testadas e revisadas
3. Redesenhar papéis e responsabilidades
– Tirar o time de dados do papel de mero fornecedor de relatório
– Incluir profissionais de dados, produto e tecnologia nas discussões de negócio
– Garantir que líderes saibam fazer as perguntas certas e interpretar respostas
4. Criar espaço para experimentação segura
– Começar com pilotos menores, com objetivos claros
– Medir resultados de forma transparente
– Aprender com o que não funciona, sem caça às bruxas
5. Desenvolver competências em toda a organização
– Treinar não só times técnicos, mas também áreas de negócio
– Ensinar conceitos básicos de estatística, IA, métricas e experimentação
– Estimular que todos façam melhores perguntas, ainda que não dominem a tecnologia
Sem esse movimento, a tendência é que iniciativas de IA e dados sigam limitadas a poucos especialistas, desconectadas do dia a dia da operação e da visão da liderança.
Figure 3 — Representação visual da evolução cultural necessária para uso efetivo de IA
A figura mostra, de forma resumida, a transição de um modelo centrado em tecnologia para um modelo centrado em problemas, pessoas e aprendizado contínuo.
“Mas e o dado bruto? Não é importante?”
É importante, sim. Mas não no sentido de ser um pré‑requisito absoluto para qualquer avanço.
Alguns pontos de equilíbrio:
– Trabalhar com dados imperfeitos é melhor do que não trabalhar com dado nenhum
– Você não precisa ter “tudo pronto” para começar a experimentar IA e automação
– A qualidade do dado deve evoluir em paralelo ao uso, não apenas antes dele
– Muitos ganhos vêm de pequenos avanços bem aplicados em problemas relevantes
Em vez de esperar ter uma base “perfeita”, é mais inteligente:
– Mapear casos de uso com alto impacto potencial e dados minimamente acessíveis
– Começar com protótipos e provas de conceito bem delimitadas
– Usar o aprendizado desses testes para priorizar melhorias na infraestrutura de dados
– Retroalimentar o ciclo: quanto mais se usa dado, mais clara fica a necessidade de qualidade e integração
Assim, o trabalho com dados deixa de ser um projeto isolado e passa a ser parte orgânica da evolução do negócio.
Como começar de forma pragmática
Para líderes que querem sair do discurso e avançar na prática, alguns passos iniciais ajudam:
1. Clarificar objetivos
– Quais são os 2 ou 3 problemas mais relevantes que poderiam se beneficiar de melhor uso de dados e IA?
– Como o sucesso seria medido, em termos de negócio (receita, custo, risco, satisfação, tempo)?
2. Mapear capacidades atuais
– Que dados já existem, mesmo que dispersos ou imperfeitos?
– Que competências técnicas e de negócio estão disponíveis hoje?
3. Escolher um primeiro caso de uso com boa relação impacto x viabilidade
– Algo importante o suficiente para ser levado a sério, mas não crítico a ponto de gerar paralisia
– Evitar casos muito genéricos ou difusos (“melhorar tudo ao mesmo tempo”)
4. Montar um time misto, com patrocínio explícito
– Pessoas de negócio, dados, tecnologia e, se aplicável, produto
– Um líder com poder de decisão, tempo e interesse real no tema
5. Definir um ciclo curto de experimentação
– Hipóteses claras
– Período de teste bem definido
– Critérios objetivos para avaliar se vale expandir, ajustar ou encerrar
O papel da liderança nesse processo é insubstituível. Não dá para terceirizar cultura.
Dados, IA e produtos digitais podem ser construídos com apoio externo. Mas a decisão de:
– Usar dados de forma consistente
– Aprender com erros
– Premiar boas decisões informadas (mesmo quando o resultado não é perfeito)
– Revisar práticas antigas em nome de formas melhores de trabalhar
é, necessariamente, interna.
Conclusão: menos fetiche por dados brutos, mais foco em cultura
A pergunta “precisamos de conteúdo raw para atuar com IA?” revela uma preocupação legítima, mas incompleta.
Sim, dados importam. Sim, bases estruturadas, limpas e integradas fazem diferença. Mas nenhuma dessas condições, isoladamente, garante resultados.
O que de fato diferencia empresas que avançam das que ficam para trás é:
– A forma como formulam problemas
– A maneira como tomam decisões
– A abertura para experimentar e aprender com rapidez
– A consistência com que integram dados, pessoas e processos
Tudo isso é cultura.
Antes de buscar ainda mais dados brutos, vale perguntar:
– O que estamos fazendo com os dados que já temos?
– Nossas decisões refletem o que os dados mostram, ou apenas os usamos para validar o que já queríamos?
– Nossos times se sentem seguros para experimentar, aprender e propor mudanças?
– A liderança está realmente comprometida em mudar a forma de trabalhar?
Se a resposta for “ainda não” para a maior parte dessas questões, então o desafio central não é técnico — é cultural. E é justamente aí que mora a principal oportunidade de transformação.