Resposta direta: escolha uma empresa de dados e analytics para IA somente se ela conseguir provar seis capacidades conectadas: definir a decisão de negócio, identificar fontes autorizadas, estabelecer contratos de dados, medir qualidade no contexto real, preservar controle e linhagem e operar a fundação com responsáveis claros. Não comece por lakehouse, plataforma ou modelo. Comece pela decisão que precisa ser melhor, pelo dado que a sustenta e pela evidência de que o resultado pode ser reproduzido.
Projetos de IA falham silenciosamente quando uma tabela parece completa, mas não representa o processo, quando identidades não se reconciliam, métricas têm definições conflitantes ou transformações não podem ser rastreadas. O NIST recomenda documentar fontes, origens, transformações, rótulos, dependências, limitações e metadados. O parceiro certo trata essa documentação como parte do produto operacional, não como apêndice entregue no final.
O Data Foundation Proof-6 da MAKINAI
Avalie seis provas: Decisão, Fonte, Contrato, Qualidade, Controle e Operação. Pontue cada uma de zero a quatro: zero significa ausente; um, promessa; dois, método documentado; três, evidência parcial; quatro, execução reproduzível. Exija pelo menos três pontos em Fonte, Qualidade e Controle. Um dashboard elegante não compensa dados sem procedência ou uma identidade de cliente impossível de auditar.
1. Prova de Decisão: qual ação o dado precisa melhorar?
Peça ao fornecedor para converter objetivos vagos em decisões observáveis. “Personalizar melhor” deve virar: para qual cliente, em qual momento, entre quais alternativas, usando que evidência, com qual impacto permitido e qual ação posterior. “Prever churn” deve definir horizonte, população, custo do falso positivo, intervenção disponível e forma de medir incremento. Sem isso, a equipe otimiza uma métrica técnica sem valor operacional.
- Evidências exigíveis: dono da decisão; usuário; frequência; SLA; ação habilitada; valor esperado; erro tolerado; segmentos afetados; baseline; comparação; critério de parada. Alerta: casos de uso escolhidos porque combinam com a ferramenta do fornecedor.
2. Prova de Fonte: os dados existem, podem ser usados e representam o fenômeno?
O parceiro deve inventariar sistemas de origem, responsáveis, frequência, histórico, granularidade, cobertura, restrições, consentimento e direitos de uso. Exija amostras reais antes de fechar arquitetura ou prazo. Dados de CRM, transação, mídia e atendimento podem usar chaves, calendários e definições diferentes. A proposta precisa mostrar como essas diferenças serão resolvidas e quais lacunas permanecerão.
Pergunte quem criou cada dado, para qual finalidade e em que condições. O NIST AI RMF e seu Playbook associam procedência a transparência e accountability. Não aceite “primeira parte” como sinônimo de uso irrestrito. A origem pode ser interna e ainda assim ter finalidade incompatível, retenção expirada, baixa representatividade ou acesso excessivo.
3. Prova de Contrato: cada conjunto tem significado e expectativa verificável?
Exija contratos de dados para entradas críticas: esquema, unidade, chave, timezone, domínio válido, nulidade, atualização, proprietário, consumidor, SLA e mudança compatível. Uma transformação deve ter versão e teste. Quando uma fonte mudar coluna, código ou frequência, o sistema precisa detectar impacto antes de alimentar modelo, agente, dashboard ou ativação.
Peça um glossário comercial associado ao contrato técnico. Receita, cliente ativo, conversão, pedido e lead precisam ter definição, fonte, janela e regra de exclusão. Se marketing, produto e financeiro calculam a mesma métrica de três maneiras, a camada de IA apenas acelera o conflito. O fornecedor deve facilitar decisões de definição, não escondê-las em SQL.
4. Prova de Qualidade: o dado é adequado ao contexto de uso?
Qualidade não é uma nota universal. Meça completude, validade, atualidade, unicidade, consistência e representatividade conforme a decisão. Um endereço incompleto pode ser tolerável para análise agregada e bloqueante para entrega. Uma amostra pode prever comportamento médio e falhar para um segmento importante. O NIST Generative AI Profile recomenda avaliar qualidade e integridade de dados e a procedência do conteúdo gerado.
Peça perfil de dados, regras por campo crítico, distribuição de falhas, reconciliação com fontes oficiais e avaliação por segmento. O fornecedor deve mostrar o impacto de registros ausentes e atrasados no resultado final. “99% das linhas válidas” é insuficiente se o 1% contém os clientes de maior valor ou se a regra valida formato, mas não verdade comercial.
5. Prova de Controle: identidade, acesso, privacidade e linhagem permanecem visíveis?
O projeto deve aplicar privilégio mínimo, segregação de ambientes, mascaramento, retenção, deleção, auditoria e aprovação de acesso. O NIST Privacy Framework ajuda organizações a identificar e gerenciar riscos de privacidade; a proposta precisa ligar esses riscos a controles técnicos e donos reais. Pergunte como uma solicitação de exclusão atravessa cópias, features, vetores, modelos e exportações.
Exija linhagem de ponta a ponta: fonte, transformação, tabela, feature, modelo, resposta, dashboard ou ativação. Também registre versão de código, regras, dataset e modelo. O teste MAKINAI de reconciliação reversa começa em uma decisão ou número final e percorre o caminho de volta até registros de origem. Se o fornecedor não consegue explicar diferença, filtro e perda, a fundação não está pronta.
6. Prova de Operação: quem mantém confiança depois do lançamento?
Defina responsáveis por produto de dados, plataforma, segurança, privacidade, qualidade, modelo e uso comercial. Exija observabilidade, alertas, gestão de incidentes, custo, capacidade, mudanças, backup, recuperação e depreciação. Monitore não só pipeline quebrado, mas também dado atrasado, distribuição alterada, métrica divergente e consumidor sem uso.
O contrato deve esclarecer propriedade de código, modelos semânticos, catálogo, testes, features, documentação e dados derivados. Peça exportação, transferência, treinamento e plano de saída. Evite dependência de uma camada proprietária que não permite reproduzir a decisão fora do fornecedor. O ativo estratégico é a capacidade operacional, não apenas a plataforma implantada.
Piloto recomendado de 10 a 12 semanas
Escolha uma decisão prioritária e duas ou três fontes. Nas semanas iniciais, documente baseline, contratos, privacidade e qualidade. Depois construa uma fatia vertical até a decisão, com linhagem e avaliação. Rode reconciliação reversa e simule fonte atrasada, campo alterado e exclusão de pessoa. Só escale quando usuários adotarem a saída, a qualidade atingir limites definidos e a equipe interna conseguir explicar o resultado.
Sinais de alerta e próximo passo
- Arquitetura antes da decisão; migração completa como pré-requisito; prazo sem amostra real; qualidade tratada apenas como completude; glossário inexistente; identidade “resolvida por IA”; acesso administrativo amplo; privacidade apenas jurídica; lineage prometido depois; dashboard sem baseline; custo de nuvem ignorado; nenhum plano de transferência.
Estruture a concorrência com https://makinai.co/insights/pt/como-criar-rfp-servicos-ia, compare capacidade geral em https://makinai.co/insights/pt/como-escolher-empresa-implementar-ia-brasil-scorecard-30-pontos e diferencie sistemas de conhecimento em https://makinai.co/insights/pt/como-escolher-empresa-rag-base-conhecimento-ia. A MAKINAI conecta dados, conteúdo e inteligência em https://makinai.co/services/pt/dados-conteudo-inteligencia-artificial.