Preciso ter muitos dados para começar com IA?

Não necessariamente. Volume grande importa para treinar modelos, o que a maioria das empresas não faz. Para RAG e agentes, o que importa é que os dados estejam corretos, atualizados e acessíveis por integração, mesmo que sejam poucos.

Preciso de uma equipe de dados interna?

Não para começar, mas precisa de alguém do negócio que seja dono do conteúdo e responda o que está certo quando surgir contradição. Sem esse papel definido, o projeto trava na primeira divergência entre dois documentos.

Quanto tempo leva para ficar pronto se faltam pré-requisitos?

Depende do que falta. Definir fonte de verdade e limpar documentação leva de semanas a poucos meses. Expor dados de um sistema legado sem API é o item mais demorado e deve ser dimensionado antes do orçamento do projeto de IA.

Sua empresa está pronta para IA? Checklist de dados e processos

Sua empresa está pronta para um projeto de IA quando cinco condições estão presentes: uma dor específica e frequente, dados acessíveis por integração, uma fonte de verdade definida por assunto, alguém responsável pelo conteúdo e disposição para revisar as saídas no começo. Faltando qualquer uma delas, o primeiro projeto a fazer é outro.

Checklist 1, a dor é específica e frequente?

O pré-requisito mais importante não é técnico. É saber exatamente qual trabalho a IA vai tirar de alguém.

Marque como pronto se você consegue responder:

Qual tarefa exata será automatizada ou assistida
Quantas vezes por dia ou por semana ela acontece
Quanto tempo consome por execução hoje
Quem faz hoje e o que essa pessoa fará no lugar
Como você vai saber, em números, se melhorou

"Melhorar o atendimento" não passa nesse teste. "Responder as 200 perguntas diárias sobre prazo de entrega e status de pedido sem passar por atendente" passa.

Frequência é o que paga a conta. Uma tarefa complexa feita uma vez por mês raramente justifica o investimento; uma tarefa simples feita 300 vezes por dia justifica com folga.

Checklist 2, os dados estão acessíveis?

IA precisa ler de algum lugar. A pergunta não é se você tem dados, é como um sistema chega até eles.

Onde está o dado	Nível de prontidão	O que fazer
Banco de dados próprio	Pronto	Consulta direta com usuário de leitura
Sistema com API documentada	Pronto	Integração normal
ERP com API restrita ou paga	Parcial	Verificar licença e limite de requisições
Planilhas organizadas e versionadas	Parcial	Padronizar e automatizar a ingestão
PDF digital com texto selecionável	Parcial	Extração e chunking
PDF escaneado ou imagem	Atenção	Precisa de OCR, com taxa de erro a medir
Só na cabeça das pessoas	Não pronto	Documentar antes
Sistema legado sem API	Não pronto	Avaliar exportação, banco direto ou integração intermediária

O item mais caro e mais subestimado da lista é o legado sem API. Descobrir isso depois do orçamento fechado é a causa mais comum de estouro de prazo. Levante isso na primeira semana.

Checklist 3, existe fonte de verdade definida?

Este é o filtro que reprova mais empresas. Para cada assunto que a IA vai responder, precisa existir um documento ou sistema que manda.

Verifique:

Cada política tem uma versão vigente identificável
As versões antigas estão arquivadas, não circulando junto
Não há dois documentos dizendo coisas diferentes sobre a mesma regra
Onde o sistema e o documento divergem, está claro qual vale
Cada documento tem data de revisão e um responsável

Quando existem cinco versões do manual de procedimentos em pastas diferentes, a IA vai recuperar a mais parecida com a pergunta, não a mais correta. E vai responder com a mesma confiança de sempre.

Organizar isso é trabalho de negócio, não de tecnologia. E costuma entregar valor sozinho, antes de qualquer sistema entrar no ar.

Checklist 4, há um dono do conteúdo?

Projeto de IA aplicada trava quando ninguém tem autoridade para dizer "a resposta certa é essa". Não é papel do fornecedor decidir se o prazo de troca é 7 ou 30 dias.

Defina antes de começar:

Quem aprova o conteúdo que alimenta o sistema
Quem decide quando dois documentos internos se contradizem
Quem revisa as respostas nas primeiras semanas
Com que frequência a base é atualizada e por quem

Esse papel toma poucas horas por semana, mas precisa existir e ter nome. Sem ele, o sistema estagna no dia em que o conteúdo começa a envelhecer.

Checklist 5, há disposição para revisar no começo

Nenhum sistema de IA nasce calibrado. As primeiras semanas exigem revisão amostral das saídas, correção de base e ajuste de instruções. Empresas que esperam qualidade final no dia do lançamento desistem cedo demais, geralmente uma semana antes de o sistema ficar bom.

Planeje um período de acompanhamento com:

Amostragem diária de respostas nas duas primeiras semanas
Registro de todo erro encontrado, com a causa classificada
Um conjunto de 50 a 100 perguntas reais usado como termômetro fixo
Um caminho fácil de transferência para humano enquanto a confiança sobe

Checklist 6, governança e LGPD

Antes de mandar dados para qualquer modelo, resolva:

Que dados pessoais podem sair do seu ambiente e quais não podem
Se o provedor de modelo usa suas requisições para treinar (verifique o contrato, não o marketing)
Onde ficam os logs de conversa e por quanto tempo
Se há anonimização ou mascaramento antes do envio
Como o controle de acesso é aplicado na busca, não só na interface
Qual a base legal para o tratamento, e se o cliente precisa ser avisado que fala com IA

Controle de permissão precisa ser aplicado na recuperação dos documentos, filtrando antes de o modelo ver o conteúdo. Instrução no prompt do tipo "não revele dados de outros clientes" não é controle de acesso, é sugestão.

O veredito

Se você marcou os cinco primeiros blocos e resolveu a governança, o projeto tem base sólida. Se falhou em dados acessíveis ou fonte de verdade, comece por aí: integração e organização de informação são pré-requisitos, não etapas opcionais.

Nas conversas iniciais que temos na Retti Tech, boa parte do trabalho é justamente separar o que é problema de IA do que é problema de dado desorganizado. A empresa que resolve o segundo primeiro chega ao projeto de IA com metade do caminho andado, e com um orçamento bem mais previsível.