CEO da Franklin Templeton pede que empresas adotem IA mais rápido e protejam dados essenciais

Jenny Johnson, CEO da Franklin Templeton, pediu que as empresas não demorem a adotar novas tecnologias e abracem a inteligência artificial com mais intensidade. Na lógica dela, a questão já não é a moda da IA, mas a rapidez com que um negócio consegue integrá-la a processos reais sem perder o controle sobre dados-chave.

Por que a IA se tornou obrigatória

Ao participar do Bloomberg Surveillance, em Washington, Johnson expressou uma posição cada vez mais comum entre grandes corporações e investidores: a IA não pode mais ficar no status de experimento de laboratório. Para os executivos, ela deixou de ser um programa de inovação isolado e virou uma ferramenta de trabalho que afeta a produtividade, a velocidade das decisões e o custo das operações. Isso é especialmente visível em setores com muita análise manual, relatórios e atendimento ao cliente, como finanças, consultoria e serviços corporativos.

"As empresas precisam aprender a usar novas tecnologias, incluindo a IA."

A tese dela não é que todo negócio precise correr para comprar ferramentas da moda. É outra: as empresas que aprenderem a usar bem os novos sistemas antes dos concorrentes terão um efeito cumulativo. Elas processam dados mais rápido, enxergam melhor o comportamento dos clientes e escalam processos internos a custo menor. Quem continuar tratando a IA como um item opcional para uma única equipe corre o risco de descobrir, em um ou dois anos, que o atraso deixou de ser de marketing e passou a ser operacional e financeiro.

Dados como base da adoção

O segundo ponto central de Johnson é a proteção dos core data, ou seja, dos dados essenciais em que o trabalho da empresa se apoia. Isso é especialmente importante diante da adoção acelerada de modelos generativos, que precisam de acesso a documentos internos, informações de clientes, análises e correspondências. Se a empresa libera a IA para bases mal rotuladas ou mal protegidas, cria um risco duplo: vazamentos e respostas erradas. Nesse arranjo, nem um modelo forte entrega resultado confiável, porque o problema não estará no algoritmo, mas na base de todo o sistema.

Na prática, isso significa que a adoção de IA não começa com uma demo bonita para o conselho de administração, mas com um trabalho de infraestrutura que raramente impressiona, mas define o resultado final. As empresas precisam decidir antes quais dados podem ser conectados aos modelos, quais não podem ser enviados a serviços externos, quem responde pela qualidade das fontes e como o resultado é verificado. Sem isso, até um piloto bem-sucedido logo esbarra em questões de segurança, compliance e confiança dos funcionários.

• inventário e classificação dos dados-chave
• controle de acesso para funcionários e serviços externos
• conexão dos modelos apenas a fontes verificadas
• medição do efeito por tempo, qualidade e redução de risco

Para uma empresa financeira, essa regra é quase óbvia, mas agora se torna universal também para outros setores. Se a empresa não entende quais dados são realmente críticos, quem os utiliza e onde estão armazenados, a conversa sobre IA continua superficial. A adoção em massa de modelos sem disciplina de dados pode acelerar tarefas isoladas por um tempo, mas depois pode gerar erros caros em relatórios, suporte, compliance e tomada de decisão.

O mercado olha mais longe

Johnson também comentou o estado do consumidor e os preços do petróleo. À primeira vista, são temas separados, mas para uma gestora desse porte estão diretamente ligados à conversa sobre tecnologia. A demanda do consumidor afeta a receita das empresas e o apetite por investimentos, enquanto o petróleo continua sendo um dos marcadores de pressão inflacionária e de custos. Por isso, para grandes executivos, a questão da IA há muito tempo não existe no vácuo: ela é avaliada junto com despesas, juros, demanda e a solidez do modelo de negócio.

Daí a abordagem mais sóbria na adoção de novos sistemas em 2026. Os conselhos querem entender não só onde é possível automatizar processos, mas também como essa decisão vai se comportar quando o cenário macroeconômico mudar. Se o consumidor enfraquece, as empresas precisam de controle mais rápido sobre margem e demanda. Se a energia encarece, sobe o preço da ineficiência. Nesse ambiente, a IA deixa de ser vitrine de inovação e passa a ser uma forma de decidir mais rápido onde um erro custa mais do que antes.

O que isso significa

O recado da Franklin Templeton é simples: já não basta às empresas discutir IA em sessões estratégicas; é preciso levá-la a processos, métricas e a um tratamento protegido dos dados. Vão se sair melhor não as que falam mais alto sobre transformação, mas as que ligam a tecnologia à disciplina operacional e sabem decidir em meio a demanda, custos e preços em mudança.