Há um equívoco silencioso na forma como executivos brasileiros estão pensando a adoção de IA. Trata-se de tecnologia como se fosse capacidade — algo que se compra, se instala e passa a entregar vantagem. Mas a IA generativa, do jeito que está colocada hoje, é commodity. Os modelos de ponta — ChatGPT, Claude, Gemini — foram treinados sobre essencialmente o mesmo corpus público: Wikipedia, Common Crawl, Reddit, papers acadêmicos abertos, releases corporativos. Quando duas empresas concorrentes consultam o mesmo modelo sobre o mesmo problema setorial, recebem aproximações da mesma resposta. A inferência herdada de input público tende ao centro.

A consequência é matemática. Em 2025, a iniciativa Project NANDA, do MIT, mediu o retorno real da IA generativa em mais de 300 implementações empresariais e encontrou um número desconfortável: 95% das organizações não viram impacto mensurável em P&L. Não baixo retorno — zero. A McKinsey, na sua pesquisa global de novembro de 2025, completou o quadro: 88% das empresas adotaram IA em pelo menos uma função, e apenas 39% reportaram efeito relevante em EBIT. A IA está em todo lugar, e não está fazendo praticamente nada.

A pergunta inevitável é por quê. A resposta, quando se olha os casos que funcionaram, sempre aponta para o mesmo lugar: o que diferencia uma IA útil de uma IA decorativa não é o modelo. É o dado proprietário que a empresa consegue colocar dentro do contexto do modelo.

O caso Bloomberg

O melhor exemplo público dessa lógica vem da Bloomberg. A empresa anunciou em 2023 a criação do BloombergGPT, um modelo de linguagem treinado sobre 363 bilhões de tokens de dados financeiros proprietários — anos de cotações estruturadas, transcripts de conferências, fluxo de mensagens entre dealers, indicadores construídos internamente — somados a 345 bilhões de tokens públicos. A maior parte do treinamento, em outras palavras, veio de dados que mais ninguém no mundo tem.

O resultado pode parecer apenas tecnologia, mas é estratégia. Cada terminal Bloomberg custa cerca de US$ 32 mil por ano e o terminal responde por mais de 85% da receita da empresa. A barreira de entrada nunca foi o software, o teclado preto ou o canal de chat institucional. Foram quatro décadas de dado proprietário acumulado a partir de uma posição privilegiada no mercado financeiro. Quando a IA generativa virou questão estratégica, a Bloomberg não teve que reinventar a tese. Ela simplesmente fez do seu corpus a base de treinamento de um modelo próprio, e transformou o moat de dados em moat de inferência. A IA, para a Bloomberg, é uma extensão da operação que já produzia vantagem — não um substituto dela.

A regra vale para qualquer setor: insight assimétrico só vem de dado assimétrico. Tudo que a IA aprende sobre o seu mercado a partir de dados públicos, ela ensina igualmente para você e para o seu concorrente. A diferença operacional aparece só a partir do que a sua empresa registra, observa e captura — e que ninguém mais tem acesso.

O erro mais caro: confundir dado proprietário com data lake

Aqui aparece o erro mais caro: confundir dado proprietário com data lake. A reação reflexa é pedir para o time de tecnologia consolidar todos os dados da empresa em algum repositório, na expectativa de que insight emerja do volume. Não emerge. Em formação que fiz recentemente em Stanford, a frase mais útil que ouvi sobre o tema veio numa sessão sobre adoção corporativa de IA: estratégia de IA vem depois da estratégia de negócio. Primeiro se define o problema que se quer resolver. Depois se desenha a arquitetura de dados que retrate aquele problema com fidelidade ao mundo físico. Só então a IA tem o que processar.

Os números suportam a sequência. A McKinsey identificou em 2025 que empresas com retorno significativo em IA são duas vezes mais propensas a ter redesenhado processos antes de selecionar ferramentas. Ferramenta primeiro é a inversão que falha. E o Gartner, na mesma direção, prevê que 60% dos projetos de IA sem dado adequadamente preparado serão abandonados até o fim de 2026.

Forecast de vendas é a ilustração mais clara que conheço. Praticamente toda empresa quer usar IA para prever receita, e os números do mercado mostram por que poucas conseguem: o forecast B2B médio erra entre 25% e 40% (Gartner), 76% dos registros de CRM têm menos da metade dos campos preenchidos, e 87% das empresas erraram suas metas de receita em 2025 segundo a Clari Labs. Esse não é um problema de modelo. É um problema de retratação. Sem origem do lead catalogada, sem critério objetivo de transição entre fases do funil, sem performance individual estruturada por etapa, não existe IA capaz de inferir o que não está registrado. Como você traz a melhor retratação do mundo físico através de dados? — essa é a pergunta executiva, não "qual modelo escolher".

Na minha experiência conversando com líderes comerciais brasileiros, a conversa quase sempre pula etapas. Discute-se autopilot — agentes autônomos tomando decisões — antes de ter diagnóstico bem feito. A escala de maturidade real, em quase todo setor, segue uma sequência mais paciente. Diagnóstico: a IA me ajuda a entender, com clareza, o que já aconteceu. Predição: a IA sinaliza, com antecedência razoável, o que provavelmente vai acontecer. Prognóstico: a IA recomenda o que fazer. Autopilot: a IA executa em loop fechado, com supervisão humana intermitente. Cada degrau exige um nível mais profundo de dado proprietário e de governança. Pular degraus produz exatamente os 95% de iniciativas sem retorno do estudo do MIT.

Há um ângulo adjacente para empresas de tecnologia, sobretudo software houses brasileiras. Quem opera um sistema usado por centenas ou milhares de empresas do mesmo setor está sentado sobre um ativo que poucos exploraram bem: dado agregado, anonimizado e com opt-in apropriado, capaz de gerar benchmark setorial. Em momento de incerteza, toda diretoria quer saber se está performando melhor ou pior que pares — e essa informação tem valor desproporcional ao custo de produzi-la. Empresas como Gong, HubSpot e Salesforce já fazem isso, transformando State of the Industry em produto recorrente, não em peça de marketing. O reposicionamento é claro: o software vendor passa de fornecedor de ferramenta a parceiro de inteligência setorial. A barreira não é técnica; é de governança de dado.

Três decisões para a próxima reunião de conselho

• Primeiro, antes de discutir IA, reabra a pauta sobre dado. Pergunte qual problema concreto sua empresa quer resolver — previsibilidade de receita, retenção, eficiência de capital — e se o registro hoje existente retrata esse problema com a fidelidade necessária. Se a resposta envolver a expressão "depois a gente organiza", a iniciativa de IA já nasceu com 60% de chance de morrer no PoC.
• Segundo, abandone a fantasia do data lake como passo inicial. Faça o caminho oposto: comece pelo problema, projete a engenharia de dados que retrata o mundo físico desse problema, e só depois pergunte qual ferramenta de IA processa esse contexto. A sequência inversa fracassa empiricamente — a McKinsey já mediu.
• Terceiro, e esse é o mais difícil de admitir: respeite a escada. Se sua operação ainda não tem diagnóstico bem feito, não está pronta para predição. Se não tem predição confiável, não está pronta para prognóstico. E se não tem prognóstico estável, autopilot é mágica de palco — funciona enquanto ninguém olha, e desmonta no primeiro caso real.

A IA, a essa altura, não é o que diferencia uma empresa de outra. O que diferencia é o que ela registra do mundo, com que disciplina, e a serviço de qual decisão. Aqui, como na coluna anterior sobre reputação, vale o mesmo princípio: a IA não cria a vantagem — amplifica a que já existe na operação. Modelos de fronteira são iguais para todo mundo. O contexto que você dá a eles, não. E é ali — no dado que apenas você tem, sobre o problema que apenas você definiu — que a vantagem competitiva da próxima década vai ser construída.