Xebia: agentes de IA fracassam sem a base de dados certa

Niels Zeilemaker, diretor de tecnologia global da consultoria Xebia, afirmou em comentário ao AI News que a maioria das implantações fracassadas de agentes de IA nas empresas se deve não à fraqueza dos modelos, mas à ausência de uma base de dados preparada. Segundo ele, a IA agêntica escala apenas até onde for sólida a base de dados em que os agentes se apoiam: se a organização não pensou nisso com antecedência, o projeto corre o risco de empacar bem antes de os agentes começarem a acelerar os processos para os quais foram implantados.

Por que os dados são o alicerce, e não um detalhe

Ao contrário do software convencional, que executa um roteiro predefinido, um agente de IA autônomo decide por conta própria quais fontes consultar, quais dados ler e que ação tomar em seguida. Se as informações corporativas estão espalhadas por sistemas desconectados, sem rotulagem e inacessíveis por interfaces claras, o agente não encontrará os dados de que precisa ou os receberá distorcidos e executará uma ação errada. Zeilemaker ressalta que o desempenho do agente é limitado diretamente pela qualidade e pela disponibilidade dos dados a que ele tem acesso, e nenhuma potência do modelo compensa isso.

É o que diferencia fundamentalmente os sistemas agênticos dos pilotos clássicos de IA generativa, nos quais um erro do modelo raramente gera consequências reais fora do chat.

A mesma lógica já apareceu na onda de projetos de IA generativa dos últimos anos: as empresas lançaram chatbots em massa sobre dados internos e depois descobriram que as respostas eram imprecisas ou incompletas, porque o modelo não tinha acesso às versões atuais dos documentos ou não sabia distinguir uma instrução obsoleta de uma vigente. Com agentes, o risco é maior, porque o agente não apenas gera texto: ele executa ações, como enviar e-mails, atualizar registros no CRM e iniciar pagamentos. Em um cenário agêntico, um erro causado por dados ruins não vira uma resposta imprecisa, mas uma ação real e potencialmente cara.

O que está por trás da posição da Xebia

A Xebia é uma consultoria internacional de TI que ajuda corporações com transformação digital, construção de bases de dados e implantação de IA em processos produtivos. A mensagem de Zeilemaker se dirige justamente a quem é responsável por acelerar os processos de negócio da organização com agentes de IA: segundo ele, é preciso começar pela base, tornando os dados aptos ao consumo pelos agentes, e só depois partir para a escala da implantação. A sequência parece óbvia, mas na prática é a que mais costuma ser violada: as empresas compram licenças de plataformas de agentes antes de organizar as fontes de dados que esses agentes devem usar.

Fatos principais:

• Niels Zeilemaker é o CTO global da Xebia
• O comentário foi publicado pelo AI News (artificialintelligence-news.com)
• Tese central: a IA agêntica escala pela solidez dos dados, e não apenas pela potência do modelo
• A Xebia é especializada em consultoria de dados e transformação digital para clientes corporativos

O que isso muda para as equipes que implantam agentes de IA

A conclusão prática da posição da Xebia é simples: antes de escalar uma frota de agentes, vale fazer uma auditoria das fontes de dados, entendendo onde estão armazenadas, quão atualizadas são, quem as gerencia e se é possível dar acesso seguro a elas para um agente via API. As empresas que pulam essa etapa e partem direto para pilotos com demos vistosas costumam descobrir que o agente funciona no sandbox, mas quebra diante de dados corporativos reais, incompletos ou contraditórios. O investimento na preparação dos dados, que inclui catalogar fontes, controlar a qualidade e separar direitos de acesso, se paga na fase de escala, e não no primeiro protótipo.

Para os líderes técnicos, isso significa rever as prioridades de orçamento: parte do dinheiro que antes ia exclusivamente para assinaturas de modelos e frameworks de agentes deve ser redirecionada para engenharia de dados, ou seja, pipelines que deem aos agentes acesso a dados atualizados e verificados em tempo real. Sem esse passo, até o modelo mais avançado tomará decisões às cegas, e os próprios agentes correm o risco de virar uma demonstração cara de capacidades, e não uma ferramenta de trabalho que realmente acelere os processos da empresa.