SAP argumenta que governança de inteligência artificial empresarial é o que separa lucro real de custo disfarçado de inovação
Manos Raptopoulos, presidente global de Sucesso do Cliente para Europa, Ásia-Pacífico, Oriente Médio e África da SAP, afirma que a distância entre 90% e 100% de precisão em sistemas de inteligência artificial não é uma diferença marginal, mas sim uma questão de sobrevivência para as organizações. Segundo ele, empresas que tratam a inteligência artificial como ferramenta passiva, sem governança rigorosa, correm o risco de comprometer não apenas suas margens de lucro, mas a própria viabilidade de processos operacionais críticos. A declaração reforça uma posição crescente no mercado corporativo: governança deixa de ser um item secundário de conformidade e passa a ser o principal fator de proteção financeira.
O contexto que sustenta essa avaliação é a transição acelerada dos modelos de linguagem de grande porte, conhecidos como LLMs — sistemas treinados com volumes massivos de dados textuais para gerar e compreender linguagem humana — de ambientes experimentais para ambientes de produção. À medida que essas ferramentas passam a atuar diretamente sobre dados sensíveis e a influenciar decisões de negócio em grande escala, os critérios de avaliação mudam. Precisão, governança, escalabilidade e impacto tangível nos resultados passam a ocupar o centro das discussões das diretorias executivas, substituindo a fascinação inicial com a capacidade de gerar textos convincentes.
Um dos pontos centrais do argumento de Raptopoulos é a ascensão da inteligência artificial autônoma, também chamada de IA agente — sistemas capazes de planejar, raciocinar, coordenar ações com outros agentes e executar fluxos de trabalho sem intervenção humana contínua. Esses agentes interagem diretamente com bases de dados corporativas sensíveis e tomam decisões operacionais que antes exigiam supervisão humana. Governá-los com o mesmo rigor com que se governa uma equipe de colaboradores é, segundo o executivo, uma exigência não negociável. Sem isso, as organizações ficam expostas a riscos operacionais graves, comparáveis às crises de TI invisível vividas na última década, porém com consequências significativamente maiores.
A proliferação descontrolada desses agentes dentro de uma mesma empresa — fenômeno que Raptopoulos chama de dispersão de agentes — pode reproduzir o cenário sombrio já vivido com as chamadas TI invisíveis, quando departamentos adquiriam ferramentas tecnológicas fora do controle da área de tecnologia. Naquele episódio, a empresa perdia visibilidade e controle sobre seus próprios sistemas. Com agentes autônomos, o perigo é amplificado, pois esses sistemas não apenas acessam dados, mas tomam decisões. Por isso, o executivo defende que a gestão do ciclo de vida dos agentes, a definição clara de limites de autonomia, a aplicação de políticas de segurança e o monitoramento contínuo de desempenho devem ser implementados como requisitos obrigatórios, e não como boas práticas opcionais.
Do ponto de vista técnico, a governança rigorosa traz desafios de engenharia significativos. A integração de bancos de dados vetoriais — estruturas que mapeiam relações semânticas entre palavras e conceitos para permitir buscas por significado, e não apenas por correspondência exata — com arquiteturas relacionais legadas exige investimentos consideráveis em infraestrutura. As equipes de engenharia precisam restringir ativamente o ciclo de inferência do agente para evitar que alucinações — respostas geradas pelo modelo que parecem plausíveis mas são factualmente incorretas — contaminem caminhos de execução financeira ou logística. Essa contenção, porém, aumenta a latência computacional e eleva os custos de processamento em nuvem, alterando projeções financeiras iniciais.
Quando um modelo autônomo precisa realizar consultas frequentes e contínuas a bancos de dados para manter resultados determinísticos — ou seja, previsíveis e consistentes —, os custos associados ao processamento de fragmentos de texto multiplicam-se rapidamente. Cada consulta ao banco, cada verificação de contexto e cada etapa de validação consome capacidade computacional. Nesse cenário, a governança deixa de ser uma simples lista de verificação de conformidade e se transforma em uma restrição de engenharia com impacto direto no orçamento de tecnologia da empresa. O custo de garantir confiabilidade é alto, mas o custo de não garanti-la pode ser devastador.
Raptopoulos identifica três questões fundamentais que as diretorias precisam resolver antes de implantar modelos agentes. A primeira é definir quem é o responsável quando um agente comete um erro. A segunda é estabelecer trilhas de auditoria completas para decisões tomadas por máquinas, de modo que seja possível reconstruir o raciocínio que levou a cada ação. A terceira é definir os limiares exatos em que a supervisão humana deve ser acionada. O executivo alerta que a fragmentação geopolítica dificulta essa resposta, uma vez que infraestruturas de nuvem soberana, modelos de inteligência artificial restritos a determinados territórios e mandatos de localização de dados já são realidades regulatórias em mercados como Nova York, Frankfurt, Riade e Singapura.
Beyond the governance layer, Raptopoulos destaca o que chama de momento dos dados, uma fase em que as empresas percebem que sistemas de inteligência artificial dependem inteiramente da qualidade dos dados sobre os quais operam. Dados mestres fragmentados, sistemas de negócio isolados e ambientes de planejamento de recursos empresariais excessivamente personalizados introduzem imprevisibilidade perigosa. Se um agente autônomo baseia sua recomendação sobre fluxo de caixa, relação com clientes ou posição de conformidade regulatória em fundamentos de dados desarticulados, o dano operacional escala instantaneamente. A consequência pode ir desde uma previsão financeira equivocada até uma violação regulatória com multas expressivas.
Para extrair valor empresarial tangível, Raptopoulos defende que as empresas precisam ir além de modelos de linguagem genéricos, treinados com textos da internet. A inteligência empresarial verdadeira, segundo ele, deve ser ancorada em dados proprietários — pedidos, faturas, registros de cadeia de suprimentos e lançamentos financeiros incorporados diretamente nos processos de negócio. Modelos fundamentais relacionais, otimizados especificamente para dados empresariais estruturados, tendem a superar consistentemente os modelos genéricos em tarefas como previsão de demanda, detecção de anomalias e otimização operacional. A diferença está no fato de que esses modelos compreendem a lógica dos dados da empresa, não apenas a linguagem em que estão descritos.
O atrito operacional de tornar um ambiente de planejamento de recursos empresariais excessivamente personalizado inteligível para um modelo fundamental é um obstáculo que interrompe muitas implantações. Equipes de engenharia de dados gastam ciclos excessivos limpando e organizando dados mestres fragmentados apenas para criar uma base mínima de ingestão. Quando um modelo relacional precisa interpretar com precisão registros complexos e proprietários de cadeia de suprimentos junto com dados brutos de faturas, os pipelines de dados subjacentes devem operar com latência próxima de zero. Se a ingestão falhar, as capacidades preditivas do modelo degradam imediatamente, tornando o agente funcionalmente perigoso para a empresa.
A interação entre usuários e aplicativos empresariais também passa por uma transformação profunda, que Raptopoulos descreve como o momento da interação com o funcionário. Em vez de navegar manualmente por ecossistemas de software complexos, os colaboradores poderão expressar suas intenções em linguagem natural. Um exemplo citado é o de um usuário que instrui o sistema a preparar um relatório para a visita ao cliente de maior faturamento daquela semana. Os agentes de inteligência artificial orquestram os fluxos de trabalho necessários, reúnem o contexto relevante e apresentam ações recomendadas, eliminando a necessidade de buscas manuais em múltiplas telas.
A adoção dessa nova forma de interação, porém, depende diretamente da confiança. Raptopoulos enfatiza que os funcionários só vão abraçar esses colegas digitais quando sentirem segurança de que as respostas respeitam as fronteiras de governança estabelecidas, refletem as regras autênticas do negócio e entregam ganhos de produtividade mensuráveis. Sem confiança, a ferramenta mais sofisticada será ignorada. Construir essa confiança exige a criação de personas de inteligência artificial específicas para cada função — diretor financeiro, diretor de recursos humanos, gerente de cadeia de suprimentos —, construídas sobre dados confiáveis e incorporadas aos fluxos de trabalho já familiares aos colaboradores.
A construção desses sistemas não é apenas uma decisão técnica, mas uma decisão arquitetônica com consequências financeiras pesadas. Organizações dispostas a investir em arquitetura nativa de inteligência artificial aceleram seu retorno sobre investimento, enquanto empresas que tentam encaixar modelos probabilísticos em interfaces legadas enfrentam dificuldades sérias de confiança, usabilidade e escalabilidade. Líderes de tecnologia que forçam a orquestração moderna de inteligência artificial sobre aplicações monolíticas frequentemente encontram atrasos severos de integração, com chamadas de interface passando por middleware desatualizado que causa lentidão e destrói a experiência do usuário.
Do lado competitivo, Raptopoulos observa que o retorno financeiro da inteligência artificial aparece mais rapidamente durante interações com clientes. Treinar modelos com registros proprietários, regras internas e históricos de atendimento cria uma camada de inteligência específica de cada empresa que concorrentes dificilmente conseguem replicar. Esse cenário funciona especialmente bem em processos com muitas exceções, como resolução de disputas, análise de reclamações, tratamento de devoluções e roteamento de serviços. Implantar agentes autônomos capazes de classificar casos, acessar documentação relevante e recomendar resoluções alinhadas às políticas da empresa transforma processos de alto custo em diferenciação competitiva.
Para coordenar toda essa estratégia, Raptopoulos propõe que a alta gestão opere três camadas simultaneamente. A primeira envolve funcionalidades incorporadas, onde ganhos de produtividade baseados em personas são integrados diretamente nos aplicativos centrais para retornos rápidos. A segunda demanda orquestração de agentes, facilitando a coordenação de múltiplos agentes entre sistemas diferentes. A terceira concentra-se em inteligência específica do setor, com aplicações profundamente especializadas para os desafios de maior valor de cada indústria. O erro que ele alerta é o de falsa sequência: concentrar-se apenas em ferramentas incorporadas deixa valor financeiro considerável sem captura, enquanto avançar agressivamente para aplicações setoriais profundas sem governança e maturidade de dados multiplica o risco corporativo.
As decisões de governança tomadas nos próximos meses definirão se implantações específicas de inteligência artificial se tornarão fontes poderosas de vantagem duradoura ou lições custosas. Para Raptopoulos, a diferença entre 90% de acurácia e certeza plena é o ponto exato onde reside o verdadeiro valor empresarial. Empresas que reconhecem essa fronteira e investem em governança robusta, dados confiáveis e arquitetura adequada estarão posicionadas para extrair retorno real de seus investimentos em inteligência artificial. As demais correrão o risco de transformar inovação tecnológica em despesa operacional crescente sem contrapartida mensurável.
