IA nas decisões estratégicas: por que a tecnologia ainda não chegou ao P&L das empresas brasileiras

Romildo Burguez • October 6, 2026

Em boa parte das empresas brasileiras, a IA já resume reunião, escreve rascunho de e-mail e responde o primeiro contato do cliente. Quando o financeiro fecha o trimestre, porém, ninguém consegue apontar em que linha do resultado essa tecnologia apareceu. 


O descompasso agora tem número. A 3ª edição do Panorama Mindset Digital, do BriviaGroup, avaliou 350 empresas de 15 setores, e a dimensão que mede o uso de IA nas decisões estratégicas e na gestão ficou em último lugar. O uso está espalhado. O efeito em custo e margem ainda não chegou. 


O que o Panorama Mindset Digital 2026 encontrou 


O estudo foi conduzido pelo Brivia_Group em parceria com o Instituto Caldeira e a UFRGS e apresentado em 21 de setembro, na Semana Caldeira, em Porto Alegre. A coleta aconteceu entre setembro de 2025 e março de 2026 e cobriu 100 indicadores, organizados em sete pilares de maturidade digital. 


Na média, as empresas somaram 72 pontos numa escala de 0 a 100. É quando se separa pilar por pilar que a distância aparece. 


Propósito e Comunidade foi o pilar mais bem avaliado, com 80 pontos. Aprendizado Orientado por Dados somou 69 e Digitalização, 67. 


IA & Gestão Eficiente, com 56 pontos, estreou nesta edição e já ficou na lanterna. Segundo a reportagem do TI Inside, assistentes virtuais e ferramentas generativas são comuns nas rotinas operacionais, mas a IA segue distante das decisões do C-Level e pouco mexe em custos e lucros. O detalhamento publicado pelo Brasil Inovador mostra onde esse uso se concentra: tarefas de apoio, como resumo de reuniões e primeiras versões de texto. 


O recorte por setor ajuda a ler o número. A indústria farmacêutica liderou o índice geral com 83 pontos, seguida por transporte e logística, com 79. O varejo marcou 67, cinco pontos abaixo da média, justamente num setor em que preço e estoque decidem a margem quase toda semana. 


Por que a IA não gera resultado financeiro? 


O próprio estudo dá a pista quando coloca lado a lado as notas de dados (69) e de digitalização (67). A ferramenta generativa funciona bem sozinha, em cima de um texto ou de uma pauta. Uma decisão de preço ou de reposição depende de muita coisa que está fora da janela do chat. 


O dado de que a decisão precisa mora em lugares diferentes 


Pense numa recomendação de desconto para um cliente de atacado. Ela exige o histórico de compras no ERP, as interações no CRM, a margem por produto que o financeiro mantém numa planilha própria e o estoque atualizado do centro de distribuição. Quando cada fonte usa um código de cliente diferente, alguém concilia tudo à mão antes da reunião. O modelo que deveria apoiar essa decisão herda a mesma bagunça, só que sem a pessoa que sabia corrigir. 


A pesquisa associa as notas mais baixas justamente à dependência de processos manuais e à falta de centralização do conhecimento. 


A recomendação não chega ao sistema que executa 


Mesmo com um bom modelo, a sugestão precisa virar ação em algum lugar. Em muitas empresas, alterar um preço no ERP ainda passa por chamado, aprovação por e-mail e carga noturna. Quando a mudança entra, a janela já fechou. O levantamento cita a dificuldade de integrar automação a arquiteturas antigas como uma das barreiras, e quem convive com sistema legado em produção conhece o motivo: ninguém quer mexer no que sustenta o faturamento sem saber do que ele depende. 


Ninguém na diretoria responde pelo resultado da IA 


Quando a IA é um projeto da TI ou da área de inovação, o sucesso costuma ser medido por adoção. Quantas licenças estão ativas, quantas pessoas usam por semana. São números honestos, mas nenhum deles aparece no DRE. O estudo aponta a ausência do tema nas reuniões de diretoria e o orçamento diluído entre departamentos como razões para o investimento não ganhar escala. Sem um executivo que responda pela margem de uma categoria ou pela taxa de cancelamento de uma carteira, a IA fica sem uma pergunta de negócio para responder. 


Onde a IA mexe de verdade no P&L 


A saída que o estudo aponta passa por modelos preditivos e prescritivos ligados aos sistemas de gestão. A diferença entre os dois é prática. O preditivo estima o que tende a acontecer, como a demanda da próxima quinzena ou a chance de um cliente cancelar. O prescritivo vai um passo adiante e recomenda o que fazer com essa estimativa, às vezes executando a ação dentro de limites definidos pela empresa. 


Quatro decisões concentram boa parte desse potencial, e todas têm dono e indicador conhecidos. 


Preço: Num varejo com milhares de itens, ninguém revisa preço produto a produto. Um modelo que cruza elasticidade, concorrência e estoque sugere onde vale subir o preço e onde compensa conceder desconto. O efeito aparece na margem por categoria, uma linha que o diretor comercial já acompanha. 


Demanda e estoque: Prever a demanda por loja ou por região muda a reposição. Comprar menos do que vende vira ruptura; comprar demais vira capital parado e remarcação. Os dois erros saem do resultado. 


Logística: Transporte e logística ficou em segundo lugar no ranking do estudo, e não por acaso. Roteirização e alocação de frota se repetem todos os dias e têm custo mensurável por entrega. 


Churn: Em serviços recorrentes, o modelo indica quais clientes mostram sinais de saída antes do pedido de cancelamento. A área de relacionamento passa a agir sobre uma lista priorizada, em vez de reagir quando o contrato já foi encerrado. 


O que as quatro têm em comum é pouco glamoroso: dado confiável chegando a tempo e um caminho direto até o sistema que executa a decisão. 


Como levar a IA para as decisões estratégicas do C-Level 


O ponto de partida mais seguro é uma decisão recorrente que já tem dono e impacto financeiro conhecido. A política de desconto de uma linha de produtos serve. A reposição de uma categoria com ruptura frequente também. Escolher a decisão antes da tecnologia evita o projeto que nasce para provar que a IA funciona e morre sem conseguir dizer quanto rendeu. 


Com a decisão definida, o trabalho de dados ganha um recorte. O estudo recomenda estruturas centralizadas, como data lakes, para acabar com os silos, e a direção está certa. Na prática, porém, unificar todas as bases antes de entregar qualquer resultado costuma consumir o orçamento e a paciência da diretoria. Funciona melhor começar pelas fontes que aquela decisão consome, com regras claras de qualidade e de significado para cada campo, e ampliar a partir daí. 


Depois vem a integração. A recomendação do modelo precisa entrar no ERP ou no CRM pelo mesmo caminho que qualquer outra alteração autorizada, com limites definidos, aprovação humana onde o risco for alto e registro do que foi decidido. Em ambiente com sistema legado, isso exige mapear antes as dependências, para que o novo fluxo não derrube o processo que já fatura. 


Por fim, a métrica entra antes do modelo ir para produção. Margem da categoria ou taxa de cancelamento, medidas antes e depois, com uma linha de base acordada com o financeiro. É esse número que leva a IA para a pauta da diretoria. Relatório de adoção raramente chega lá. 


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


Mais de 700 mil empresas brasileiras querem agentes de IA. Quantas estão prontas? 

 

56% dos CEOs ainda não veem retorno financeiro da IA: o que esse dado realmente revela? 

 

Governança de IA agêntica: como medir o que a maioria das empresas ainda não sabe medir 


O que a nota 56 diz para quem decide 


A nota 56 fala menos sobre a IA do que sobre a base em que ela roda. As empresas que vão mudar esse número nas próximas edições devem ser as que escolheram uma decisão com dinheiro em jogo e refizeram, com paciência, o caminho inteiro entre o dado de origem e o sistema que executa. 


Esse caminho atravessa áreas que raramente conversam: dados, sistemas core, integração e o negócio que responde pela margem. A CSP Tech atua nesse trecho. Organiza e integra as fontes, estrutura a governança, desenvolve modelos preditivos e conecta as recomendações aos sistemas que já sustentam a operação, inclusive os legados que não podem parar. 


Se a IA da sua empresa já faz parte da rotina, mas ainda não aparece no resultado, vale começar por um diagnóstico. Quais decisões pesam mais na sua margem, e o que falta em dados e integração para que um modelo participe delas? Converse com nossos especialistas e veja como podemos avaliar esse cenário no seu contexto. 


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

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.