Setenta e três por cento das empresas brasileiras já investem ou planejam investir em agentes de IA. Trinta e oito por cento têm governança de dados estruturada. O estudo ABES/IDC 2026 não suaviza essa contradição. Ela está lá, em números, para quem quiser lê-la pelo que realmente é: boa parte do mercado está acelerando a adoção de IA sobre uma base que ainda não consegue sustentar o básico. 

O gap que o mercado prefere não nomear 

Existe uma diferença importante entre investir em IA e estar preparado para extrair resultado dela. A primeira é uma decisão orçamentária. A segunda é uma condição que depende de trabalho feito antes, em silêncio: dados organizados, processos documentados, integrações funcionando, sistemas com alguma rastreabilidade, fluxos de aprovação que não dependem de planilhas e e-mails encadeados. 

O que o estudo ABES/IDC 2026 expõe não é novidade para quem atua em empresas com operações complexas. A novidade é que agora está quantificado. Quando 35 pontos percentuais separam a velocidade de adoção de IA da maturidade em governança de dados, não estamos falando de uma defasagem gerenciável. Estamos falando de risco. 

Os agentes de IA entregam recomendações apoiadas em dados que ninguém auditou, com fontes que ninguém rastreou, sobre processos que ninguém mapeou adequadamente. A organização começa a usar essas saídas como referência para decisões estratégicas sem saber qual é a confiabilidade real do dado que alimentou cada resposta. E quando automações são construídas sobre dados inconsistentes, elas replicam erros em escala, com uma aparência de precisão que os processos manuais nunca teriam. 

Isso não significa que a empresa não vai ver resultado nenhum. Significa que o resultado que ela vê pode ser distorcido, e que ela não vai ter os instrumentos para perceber quando e onde essa distorção aconteceu. 

Por que esse gap persiste mesmo nas empresas que já estão investindo 

A pressão por resultados com IA é real. Conselhos cobram, líderes anunciam iniciativas, times de tecnologia abrem frentes simultâneas. O problema é que a infraestrutura de dados raramente acompanha esse ritmo. Não porque as empresas não sabem que ela importa, mas porque construí-la exige algo que iniciativas de IA raramente têm: disposição para lidar com o que existe antes de criar o que se quer. 

A maioria das empresas médias e grandes no Brasil carrega um legado que ninguém pediu para ter. Sistemas construídos em décadas diferentes, por equipes diferentes, com critérios diferentes, integrados ao longo do tempo de formas que ninguém documentou completamente. Esses sistemas sustentam operações críticas. Não podem parar. E não foram projetados para alimentar modelos de linguagem ou agentes de IA. 

Quando uma empresa decide implementar um agente de IA para atendimento, aprovação de processos ou análise operacional, ela precisa conectá-lo a dados que vivem nesses sistemas. É exatamente aí que o gap se materializa: os dados existem, mas não estão estruturados. As fontes existem, mas não estão integradas. Os fluxos existem, mas não têm governança sobre quem os alimenta, quando e com qual critério de qualidade. 

Não é um problema de tecnologia. É um problema de camadas que não foram tratadas na sequência certa. 

O que governança de dados significa na prática 

Governança de dados não é ter um dicionário de dados em algum repositório que ninguém abre. Não é uma política aprovada em comitê e esquecida na intranet. E não é, definitivamente, um projeto que a TI conduz sozinha sem conexão com as áreas que produzem e consomem os dados. 

Governança é saber, com rastreabilidade real, de onde vem cada dado que importa para o negócio, quem é responsável por ele, como ele é atualizado e o que acontece quando ele falha. 

Na prática, isso começa por reconhecer situações como estas: o dado de faturamento que aparece no painel do BI é extraído do ERP com latência de horas, consolidado por um pipeline construído há três anos que sofreu alterações não documentadas quando o sistema contábil foi trocado. O indicador de SLA de atendimento é calculado a partir de um campo que dois sistemas preenchem com regras distintas, e ninguém reparou nisso porque o número sempre pareceu razoável. A base de clientes usada pela equipe comercial tem critérios de deduplicação diferentes dos usados pelo marketing, o que gera distorções nas análises de jornada que ninguém consegue explicar com precisão. 

Quando uma empresa sem esse nível de clareza começa a alimentar um agente de IA, está pedindo para o modelo produzir respostas que o negócio não vai conseguir contestar. Porque a IA responde com confiança. E a confiança do modelo não reflete a qualidade dos dados. Ela reflete a capacidade do modelo de gerar texto coerente, independente do que estiver na base. 

Os três pilares que o mercado brasileiro ainda precisa endereçar antes de escalar IA 

O estudo aponta o gap. Mas o diagnóstico mais útil está em entender quais camadas precisam ser resolvidas para que a adoção de IA deixe de ser risco e passe a gerar resultado consistente. 

Sistemas legados: a base que sustenta e que limita ao mesmo tempo 

Não dá para discutir IA corporativa sem olhar para os sistemas que sustentam a operação. Em empresas com dez, quinze, vinte anos de história, os sistemas legados não são apenas repositórios de dados. São a memória operacional da empresa: regras de negócio codificadas, fluxos de aprovação que ninguém mais sabe de cor, integrações construídas em cima de integrações sem documentação atualizada. 

Esses sistemas precisam continuar funcionando enquanto a empresa evolui. Mas precisam ser endereçados, seja por modernização gradual, seja por camadas de integração que criem interfaces mais controláveis para os dados que saem deles. Construir IA em cima de APIs improvisadas sobre sistemas frágeis é criar uma arquitetura instável sobre outra arquitetura instável. 

Dados: qualidade, rastreabilidade e infraestrutura com governança funcional 

Ter dados não é o mesmo que ter dados prontos para IA. A distância entre essas duas condições é onde a maioria dos projetos trava. Fontes diferentes, critérios de preenchimento diferentes, campos sem validação, pipelines sem monitoramento, catálogos que existem no papel mas não na operação real. 

Construir infraestrutura de dados com governança significa trabalhar camada por camada: identificar as fontes que importam para cada decisão crítica, criar pipelines confiáveis, estabelecer processos de qualidade que funcionem no dia a dia e garantir que os dados que alimentam os modelos sejam rastreáveis até a origem. Quando isso não existe, o modelo trabalha, mas o resultado que ele entrega não tem lastro verificável. 

Processos e ITSM: agentes de IA precisam de fluxos organizados para operar 

Um agente de IA que automatiza aprovações, triagem de solicitações ou priorização de incidentes não cria ordem onde não existe. Ele precisa de fluxos definidos, critérios claros e um ambiente onde as regras de serviço estejam formalizadas. Empresas que não estruturaram seus processos de atendimento interno, seja em TI ou em outras áreas, não conseguem implantar agentes de IA de forma que gere resultado mensurável. 

É aqui que ITSM e ESM entram como habilitadores práticos: fluxos documentados, SLAs definidos, categorias de solicitação claras, responsabilidades mapeadas. Sem essa estrutura, o agente opera sobre ambiguidade. E ambiguidade em escala é o oposto do que o negócio precisa quando decide automatizar algo. 

O que acontece quando esse gap não é fechado 

Existe um argumento recorrente para avançar sem resolver essas bases: fazemos um piloto, vemos o resultado e depois escalamos. O problema é que pilotos mal estruturados raramente revelam suas falhas no piloto. Elas aparecem quando a automação escala, quando o agente começa a ser usado por mais pessoas, quando a decisão que ele suporta começa a ter peso real no negócio. 

O custo de corrigir uma arquitetura de dados depois que ela já alimentou modelos em produção é consideravelmente maior do que o de estruturá-la antes. O custo de desfazer automações construídas sobre processos mal definidos é maior do que o de definir os processos primeiro. E perder a confiança da liderança em uma iniciativa de IA que não entregou o prometido afeta o apetite da organização para tentar de novo, às vezes por anos. 

O que o estudo ABES/IDC 2026 evidencia é que o mercado brasileiro está, em grande parte, tomando esse risco sem calculá-lo. Investimento em IA crescendo. Governança de dados estagnada. A pressão externa empurrando a adoção. A maturidade interna não acompanhando. 

Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 

Football AI Pro: o que a Copa do Mundo de 2026 nos ensina sobre a IA 

Integração de dados físicos e digitais: o verdadeiro desafio de uma operação global 

Modernização de sistemas legados no Atacado e Distribuição: por onde começar sem parar a operação 

Como a CSP Tech atua nessa convergência 

A CSP Tech trabalha no ponto onde esses três pilares se encontram: ambientes em que os sistemas legados sustentam operações que não podem parar, os dados existem mas ainda não têm estrutura suficiente para sustentar decisões confiáveis, e os processos de serviço ainda não estão organizados o bastante para permitir automação com responsabilidade. 

A atuação começa por um diagnóstico real do ambiente: entender dependências, identificar os principais gaps de dados, mapear os fluxos de processo que precisam de estrutura antes de receber inteligência. A partir daí, o trabalho acontece de forma integrada, modernizando sistemas onde a evolução é viável, construindo infraestrutura de dados com rastreabilidade e implantando ou evoluindo ambientes ITSM que criem as condições para que os agentes de IA operem com segurança. 

Se sua empresa está avançando em iniciativas de IA e ainda não resolveu essas bases, vale conversar. A CSP Tech pode ajudar a mapear onde estão os riscos reais e quais são os primeiros passos que fazem mais sentido para o seu contexto específico. 

Fale com a CSP Tech: www.csptech.com.br/contato