Antes de ser data-driven, a empresa precisa confiar nos dados

TL;DR — Ter dashboard, Power BI, IA e gráfico bonito não é o mesmo que ser data-driven. A pesquisa mais recente do setor é categórica: o gargalo não é mais tecnologia, é cultura — e a fundação da cultura de dados é uma só, confiança operacional. Quando o mesmo indicador devolve números diferentes em áreas diferentes, ou quando alguém ajusta planilha manualmente antes da reunião, a empresa não está tomando decisão por dados; está tomando decisão por opinião com decoração. Este artigo expande essa tese, conecta com pesquisas recentes (Wavestone 2024, McKinsey 2022, MIT Sloan, Gartner 2024, IBM) e cita os grandes nomes que defendem o mesmo ponto: Tom Davenport, DJ Patil, Andrew Ng e Cassie Kozyrkov.

1. A provocação

"Vou falar uma coisa polêmica: muita empresa diz que é data-driven… mas não é. Porque ser data-driven não é ter dashboard. Não é ter Power BI. Não é ter IA. Não é ter um monte de gráfico bonito. Se cada área olha pro mesmo indicador e encontra um número diferente, você não tem cultura de dados. Se o time ajusta planilha manualmente antes da reunião, você não tem confiança no dado. E sem confiança, ninguém toma decisão baseado em dados. Toma decisão baseado em opinião."

A versão longa precisa de mais nuance — e de pesquisa. É o que este artigo entrega.

A tese central, em uma linha:

Confiança não é uma consequência de ser data-driven. É o pré-requisito.

Se essa frase parece óbvia, ótimo. Mas o que a pesquisa mostra é que as empresas, na prática, continuam tratando confiança como subproduto. Compram ferramenta antes de definir métrica. Contratam ciência de dados antes de ter engenharia de dados. Lançam IA antes de governança. E depois se perguntam por que o C-level desconfia do dashboard.

2. O elefante na sala: ter dashboard ≠ ser data-driven

Existe um senso comum confortável: "temos Power BI, temos data lake, temos um time de dados — somos data-driven." É um conforto que a pesquisa não confirma.

A imagem mental certa é outra. Imagine três cenários numa única empresa:

Marketing diz que a taxa de conversão do mês foi de 4,8%.
Comercial diz que foi de 3,9%.
Financeiro diz que foi de 4,2%.

Cada um puxou de um lugar. Cada um filtrou de um jeito. Cada um chamou de "conversão" uma coisa ligeiramente diferente. O dashboard não está mentindo: ele está dizendo verdades incompatíveis.

Quando isso acontece, três coisas pioram em sequência:

A reunião vira debate semântico ("o que conta como cliente?") em vez de decisão.
A liderança aprende a não confiar nos números — e passa a decidir apesar deles.
Os melhores analistas viram tradutores de planilha — gastam mais tempo reconciliando dado do que extraindo valor dele.

Esse é o estado natural de quem comprou ferramenta sem construir confiança. E é mais comum do que parece.

3. O que dizem os números (e quem mediu)

3.1 Wavestone 2024 — o "data-driven" dobrou, mas o problema continua humano

A pesquisa anual mais respeitada do setor — o Data and AI Leadership Executive Survey, conduzido com mais de 100 executivos de Fortune 1000 e organizações globais, com 95% de C-level — saiu da casa NewVantage Partners e hoje é da Wavestone (2024 Data and AI Leadership Executive Survey).

Em 2024:

48,1% das organizações dizem ter criado uma organização data-driven (saltando da casa de 20–24% dos anos anteriores).
42,6% dizem ter estabelecido uma cultura de dados e analytics.
87,9% classificam investimento em dados e analytics como prioridade máxima.
78% apontam cultura, pessoas, processo e organização — e não tecnologia — como o principal obstáculo para virar data-driven.
Apenas 37% conseguiram melhorar a qualidade dos dados.

Traduzindo: o entusiasmo com Gen AI mexeu o ponteiro, mas o gargalo é o mesmo de uma década.A empresa não trava no software. Trava na confiança.

3.2 IBM/HBR — o custo silencioso

A estimativa mais citada da indústria é de Thomas C. Redman, em colaboração com a IBM, publicada na HBR em 2016: dado ruim custa US$ 3,1 trilhões por ano à economia americana (Bad Data Costs the U.S. $3 Trillion Per Year — HBR).

Por organização, a Gartner estimou em 2020 um custo médio de US$ 12,9 milhões/ano com qualidade ruim. E o relatório The True Cost of Poor Data Quality, da IBM, é direto:

"43% dos COOs identificam qualidade dos dados como sua prioridade mais importante em dados, particularmente à medida que a adoção de IA acelera."

O ponto não é o número exato — é o sinal: dado em que ninguém confia não é gratuito. Ele aparece como retrabalho, decisão errada, campanha massiva sem efeito, modelo de ML que herda viés, churn de analista bom.

3.3 MIT Sloan — o gap da utilidade

Estudo recente cobre o que o MIT Sloan Management Review batiza de "utility gap" (Building a Data-Driven Culture: Four Key Elements):

76% dos respondentes dizem ter mais acesso a dados úteis.
Apenas 43% sentem que têm o dado certo, no momento certo, para decidir.
Mais de 57% dizem que ainda lutam para construir cultura data-driven.

Mais acesso a dado não vira mais decisão por dado. É um achado fundamental — e bate exatamente com o roteiro do meu vídeo: acesso ≠ confiança ≠ decisão.

3.4 Gartner — sem crise, governança morre

A previsão da Gartner para o final de 2027 é incômoda: 80% das iniciativas de governança de dados e analytics vão falhar por falta de uma crise (real ou fabricada) que organize prioridades (Gartner Predicts 80% of D&A Governance Initiatives Will Fail by 2027).

A causa raiz, segundo a própria Gartner: governança "one-size-fits-all", sem ancoragem em resultado de negócio, e modelos de comando-e-controle centralizados demais. Em outras palavras: as empresas tentam governar antes de combinar o que está sendo medido.

4. Tom Davenport — "o problema é cultura, não tecnologia"

Thomas H. Davenport é provavelmente a voz mais influente da última geração sobre adoção corporativa de analytics — professor em Babson College, fellow no MIT Initiative on the Digital Economy, autor de Competing on Analytics e coautor com Randy Bean dos relatórios anuais que viraram a Wavestone Survey.

Davenport diz a mesma coisa há mais de quinze anos, em diferentes formatos:

"Apesar de centenas de bilhões investidos em hardware, software e talento em ciência de dados, a maioria das empresas ainda não tem uma cultura realmente data-driven. O obstáculo principal não é a tecnologia — é a cultura."

— Davenport & Bean, em Big Companies Are Embracing Analytics, But Most Still Don't Have a Data-Driven Culture (HBR, 2018) e How CEOs Can Lead a Data-Driven Culture (HBR, 2020).

A leitura honesta dele em 2024 ainda é: o problema não é falta de ferramenta, é falta de decisão de liderança em tratar dado como evidência e não como argumento.

Convergência com o vídeo: Davenport é a fundação acadêmica direta da tese — sem cultura, dashboard é decoração.

5. DJ Patil — "data is a team sport"

DJ Patil foi o primeiro Chief Data Scientist dos Estados Unidos, sob a administração Obama. Coautor de Data Driven: Creating a Data Culture (O'Reilly), com Hilary Mason. Cunhou a frase que entrou no léxico do setor:

"Data science is a team sport. We can't do this without you."

— DJ Patil, Strata + Hadoop, 2015 (fonte).

O ponto dele complementa Davenport: cultura de dados não é uma cadeira no organograma, é um comportamento coletivo. Engenheiro, analista, líder de produto, dono de processo — todos são produtores e consumidores de dado, e portanto todos assinam embaixo da confiança no número.

Convergência com o vídeo: quando "cada área olha o mesmo indicador e encontra um número diferente", o que faltou não foi BI — foi acordo coletivo sobre o que se mede.

6. Andrew Ng — "data is food for AI; don't feed it junk"

Andrew Ng é, talvez, o nome mais influente do mundo em educação de ML/IA (Stanford, Coursera, ex-Google Brain, ex-Baidu, fundador da Landing AI). Em 2021 ele lançou uma campanha que mudou o tom do setor: o movimento Data-Centric AI (From Big Data to Good Data, Scale 2021).

A mensagem-síntese:

"99% da pesquisa em IA é centrada em modelo, mas 80% do tempo dos times é gasto em dado. O caminho mais rápido para melhorar resultado, especialmente em problemas reais com datasets pequenos, é melhorar a qualidade do dado, não trocar de modelo. Data is food for AI. Don't feed it junk."

— Andrew Ng, The Data-Centric AI Approach.

Cinco práticas que Ng defende para "alimentar bem" a IA são notáveis pela banalidade — e justamente por isso assustadoras de não estarem implantadas:

Tornar rótulos consistentes.
Usar consenso entre rotuladores.
Documentar instruções de rotulagem.
Remover exemplos ruidosos.
Usar análise de erro para descobrir onde o dado mente.

Convergência com o vídeo: o argumento "antes da IA existe confiança" é literalmente a tese de Ng aplicada ao plano da empresa. Sem dado em que se confia, IA escala o erro com elegância.

7. Cassie Kozyrkov — "decisão antes do dado"

Cassie Kozyrkov foi a primeira Chief Decision Scientist do Google e treinou mais de 20.000 funcionários da empresa em decisão guiada por dados. Hoje é CEO da Kozyr e referência mundial em Decision Intelligence.

A contribuição dela é talvez a mais incômoda do conjunto, porque coloca um espelho antes do dado:

"O problema raro não é ter dado. É saber qual decisão você está tentando tomar. Aplicar matemática sofisticada ao problema errado dá uma resposta errada elegante. A cultura de dados nasce quando a empresa pergunta 'o que vamos decidir?'antes de perguntar 'que relatório vamos puxar?'"

— Kozyrkov, em entrevista ao DataFramed (DataCamp).

É o ponto que liga confiança operacional (o dado bate) com utilidade decisória (o dado responde à pergunta certa). Não adianta ter um dado preciso se ele responde à pergunta errada.

Convergência com o vídeo: "antes da IA existe confiança"; e antes da confiança no dado existe clareza sobre a decisão. O vídeo entrega o segundo passo; Kozyrkov entrega o primeiro.

8. McKinsey — as 7 características da empresa data-driven em 2025

A McKinsey publicou em 2022 o relatório The data-driven enterprise of 2025. Sete características compõem a tese:

Dado embutido em toda decisão, interação e processo — não como exceção, mas como default.
Dado processado e entregue em tempo real.
Armazenamento flexível com dados prontos para uso.
Modelo operacional que trata dado como produto — com owner, SLA, métricas de qualidade.
CDO com mandato de gerar valor, não só governar.
Ecossistemas de dados — parcerias e data sharing.
Gestão de dados priorizada e automatizada para privacidade, segurança e resiliência.

Repare o item 4: dado como produto. Isso é a virada do "dado é responsabilidade do TI" para "dado tem owner de negócio, tem SLA, tem consumer, tem release". Esse é o vocabulário que constrói confiança em vez de erodir.

Convergência com o vídeo: dado-como-produto é o caminho operacional para sair do regime de "ajustar planilha manualmente antes da reunião".

9. MIT Sloan — os 4 elementos da cultura de dados

A pesquisa de campo do MIT Sloan Management Review condensa o que faltava à maioria das empresas em quatro elementos (Building a Data-Driven Culture: Four Key Elements):

Intervenção de liderança — o C-level cita números, pede números, usa números, e explica os números que usou.
Empoderamento com dado — quem decide tem acesso ao dado, e quem produz dado entende como é consumido.
Colaboração entre áreas — uma definição única de cada métrica, vivida por todas as áreas.
Realização de valor — todo uso de dado precisa caminhar para uma decisão ou ação concreta.

Note que três dos quatro elementos são comportamentais, e nenhum é "comprar ferramenta". Isso bate exatamente com o achado da Wavestone: 78% do que trava é humano.

Convergência com o vídeo: a confiança aparece como propriedade emergente desses quatro elementos. Sem eles, dashboard só faz a desconfiança ser mais visível.

10. Como isso se manifesta na sua empresa, agora

Para tornar o tema concreto, alguns sinais de baixa confiança que aparecem na rotina — e que o vídeo aponta de forma direta:

Sinal 1 — Números concorrentes. A taxa de conversão do CEO, do CMO e do CFO são diferentes para o mesmo período. Conserta-se na base ou na sala?
Sinal 2 — Planilha pré-reunião. Alguém abre o Excel uma hora antes do comitê e "ajusta" números antes de exibir. Se isso é necessário, o dado oficial não é confiável — é um rascunho com legitimação social.
Sinal 3 — Métrica sem dono. Pergunte "quem é responsável pela definição de ARPU nessa empresa?". Se cinco pessoas respondem coisas diferentes, ou ninguém responde, a métrica não tem dono — tem inquilino.
Sinal 4 — Decisão por intuição com decoração. A decisão já estava tomada; o relatório foi puxado para legitimar. Aqui você não é data-driven, é feeling-driven.
Sinal 5 — Relatórios "espelho". Cada área tem sua versão do mesmo relatório, com pequenas diferenças, porque ninguém confia 100% no relatório do outro.
Sinal 6 — Dashboards sem linhagem. Você sabe de onde vem cada número exibido? Se não, ele é um número órfão — bonito, mas incapaz de sustentar decisão de risco.
Sinal 7 — IA antes da base. Há projetos de modelo preditivo em curso, mas a empresa ainda discute se "cliente ativo" inclui inadimplente. Isso é colocar carro antes do motor.

Se você reconheceu dois ou três desses sinais, a empresa ainda não é data-driven — independentemente da quantidade de licenças de BI que tenha.

11. Um roteiro prático para construir confiança

Não dá para terminar um texto provocando sem deixar uma rota. A síntese pragmática, alinhada ao que Davenport, Patil, Ng, Kozyrkov, McKinsey e o MIT Sloan vêm dizendo:

11.1 Defina a decisão antes da métrica

Antes de "que relatório puxar", responda: que decisão estamos prestes a tomar?. Quase todos os erros caros nascem de pular essa etapa (lição direta da Kozyrkov).

11.2 Glossário de métricas

Documento único, vivo, com definição operacional de cada métrica relevante:

O que entra, o que não entra.
Janela temporal.
Fonte oficial (qual sistema, qual tabela, qual coluna).
Owner — pessoa, não área.

Se um dia precisar de uma única ação para começar a virar a cultura, comece por escrever esse glossário.

11.3 Dado como produto

Cada conjunto de dado crítico precisa ter:

Owner (pessoa).
SLA (frescor, completude, disponibilidade).
Contrato de dado (schema versionado, alteração comunicada).
Consumidor declarado (quem usa e para quê).
Observabilidade (alerta quando algo quebra antes do consumidor reportar).

Esse é o modelo operacional do item 4 da McKinsey.

11.4 Qualidade na fonte, não no relatório

A intuição errada é "vamos limpar no dashboard". A intuição certa, sustentada por MIT Sloan e Andrew Ng, é prevenir o erro na entrada. Validação no formulário, no app, no contrato com o fornecedor, no front, no banco transacional. Quem cria dado precisa enxergar quem consome.

11.5 Linhagem auditável

Para todo número exibido em comitê, deve ser possível responder em segundos:

De qual fonte veio?
Que transformações sofreu?
Quem é o owner?
Qual a última atualização?

Sem isso, não há confiança em nível de auditoria.

11.6 Liderança que pratica

O dado mais importante é o que a liderança usa em público. Se o CEO cita números, explica de onde veio, mostra incerteza ("essa amostra é pequena, mas indica..."), reconhece quando estava errado por causa de dado, o resto da empresa pega o tom. O contrário também é verdade.

11.7 IA depois do alicerce

Modelo preditivo é amplificador. Se a base é frágil, ele amplifica fragilidade. Antes de "qual algoritmo", arrume: definição estável, dataset rastreável, métrica de qualidade da entrada, validação contra realidade. Ng é literal: data is food for AI; don't feed it junk.

12. Divergências e tensões no debate (transparência)

Houve um pedido explícito: sinalizar se algum nome relevante discorda da tese. Fui atrás, e o que encontrei foi mais nuance do que oposição. Vale a transparência:

12.1 Yann LeCun — não discorda, mas tensiona o "data-centric"

O cientista-chefe de IA da Meta, Yann LeCun, defende que o caminho para inteligência geral não passa por mais dados rotulados, mas por arquiteturas que aprendam o mundo de forma auto-supervisionada (sua proposta JEPA —Joint Embedding Predictive Architecture). Para LeCun, "humano aprende a dirigir em 20 horas; carro autônomo precisa de bilhões de exemplos rotulados — isso é prova de que o gargalo é arquitetura, não dado bruto".

Onde fica a divergência? Ele tensiona o argumento "qualidade dos dados é tudo" no plano da pesquisa fundamental em IA.Não contradiz a tese deste artigo, que é sobre decisão em empresa. Para uma empresa que decide se uma campanha vai pro WhatsApp ou pro telefone, a confiança nos dados continua sendo pré-requisito. LeCun fala do limite do paradigma; o artigo fala do chão de fábrica.

12.2 O resíduo do "End of Theory"

Em 2008, Chris Anderson publicou na Wired o ensaio The End of Theory, argumentando que "com dado suficiente, os números falam por si". Esse argumento foi influente entre 2010 e 2015 e ainda aparece, residualmente, em discursos do tipo "vamos jogar tudo no data lake que a IA descobre". Hoje é rejeitado pela quase totalidade dos pesquisadores citados aqui, e é exatamente esse otimismo ingênuo que Andrew Ng, Cassie Kozyrkov e Tom Davenport vêm desconstruindo desde 2018. Mais dado, sem confiança, sem definição e sem decisão clara, piora o problema — não resolve.

12.3 O hype do "AI-first"

Algumas falas públicas de líderes de IA generativa (especialmente em ciclos de captação) sugerem que "AI-first" substitui "data-first". Lendo o que essas mesmas pessoas falam em fóruns técnicos, a posição é mais matizada: a IA é viabilizada por dado de altíssima qualidade, curado, rotulado, alinhado por RLHF. O discurso público nem sempre coincide com o discurso técnico — vale lembrar.

Síntese honesta: não encontrei nenhum pesquisador ou executivo sério defendendo, em 2024–2025, que dado sem confiança gera decisão melhor. O debate verdadeiro é sobre onde investir mais (modelo vs. dado, governança vs. produto, central vs. federado). Sobre o ponto-chave — confiança como pré-requisito — há convergência rara e cristalina.

13. Conclusão — voltando ao roteiro

A versão curta do vídeo termina assim:

"Empresa realmente data-driven não é a que tem mais dashboard. É a que consegue confiar no próprio número."

A versão longa, depois de Davenport, Patil, Ng, Kozyrkov, McKinsey, MIT Sloan, Gartner e IBM, diz a mesma coisa com mais densidade:

Empresa data-driven não é a que acumula dado. É a que opera dado — com definição compartilhada, qualidade na fonte, linhagem auditável, dono nominal, decisão clara antes da consulta, e uma liderança que pratica em público o que prega em reunião.

Tudo o que vem depois — dashboard, BI, ML, IA generativa — é amplificador. Se você confia no que mede, esses amplificadores ampliam acerto. Se você não confia, ampliam o ruído.

A pergunta-teste: se amanhã sua empresa quisesse provar, para um auditor externo, que cada número do comitê executivo é confiável — em fonte, transformação, owner e atualização — em quantos dos números isso seria possível em menos de cinco minutos?
A resposta a essa pergunta é o seu nível real de maturidade data-driven. Não a quantidade de licenças de BI.

Referências e leitura adicional

Wavestone —Data and AI Leadership Executive Survey 2024 (PDF)|resumo
McKinsey —The data-driven enterprise of 2025
MIT Sloan Management Review —Building a Data-Driven Culture: Four Key Elements|How to Get Proactive About Data Quality
Gartner —80% of D&A Governance Initiatives Will Fail by 2027
IBM —The True Cost of Poor Data Quality
Tom Davenport & Randy Bean — HBR: How CEOs Can Lead a Data-Driven Culture (2020)|Big Companies Are Embracing Analytics, But Most Still Don't Have a Data-Driven Culture (2018)
DJ Patil & Hilary Mason —Data Driven: Creating a Data Culture (O'Reilly)
Andrew Ng —From Big Data to Good Data (Scale 2021)|The Data-Centric AI Approach
Cassie Kozyrkov —DataFramed (DataCamp) entrevista|Kozyr
Thomas C. Redman & IBM —Bad Data Costs the U.S. $3 Trillion Per Year (HBR, 2016)

Versão curta deste argumento, em vídeo (1 minuto)

Dados com contexto, estratégia e prática.