Chefe da Franklin Templeton pede que empresas acelerem a adoção de AI e protejam dados fundamentais

A presidente da Franklin Templeton, Jenny Johnson, pediu que as empresas não adiassem a implementação de novas tecnologias e adotassem mais ativamente inteligência artificial. Em sua lógica, a questão não é mais sobre a moda de IA, mas sobre como o negócio conseguirá incorporá-la em processos reais, sem perder o controle sobre dados-chave.

Por que a IA se tornou obrigatória

Falando no Bloomberg Surveillance em Washington, Johnson essencialmente articulou uma posição que cada vez mais empresas grandes e investidores compartilham: a IA não pode mais ser mantida no status de um experimento de laboratório. Para os executivos, já não é um programa de inovação separado, mas uma ferramenta de trabalho que afeta produtividade, velocidade de tomada de decisão e custos operacionais. Isso é especialmente notável em setores com muita análise manual, relatórios e serviço ao cliente, incluindo finanças, consultoria e serviços corporativos.

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

A essência de sua tese não é que qualquer negócio deve comprar urgentemente ferramentas da moda. O ponto é diferente: empresas que aprendem a usar adequadamente novos sistemas antes dos concorrentes ganham um efeito cumulativo. Elas processam dados mais rápido, entendem melhor o comportamento do cliente e escalam processos internos mais barato. Aqueles que continuarem tratando IA como opcional para um time separado correm o risco de descobrir em um ou dois anos que seu atraso se tornou não de marketing, mas operacional e financeiro.

Dados como base de implementação

O segundo ponto importante de Johnson é a proteção de dados essenciais, ou seja, os dados básicos nos quais as operações da empresa dependem. Isso é especialmente importante no contexto da rápida implantação de modelos generativos, que precisam de acesso a documentos internos, informações de clientes, análises e correspondência. Se um negócio dá à IA acesso a conjuntos de dados mal marcados ou inadequadamente protegidos, cria um risco duplo para si mesmo: vazamentos e respostas incorretas. Nessa configuração, até um modelo poderoso não fornecerá resultados confiáveis, porque o problema não estará no algoritmo, mas na fundação de todo o sistema.

Na prática, isso significa que a implementação de IA não começa com uma demonstração bonita para o conselho de administração, mas com trabalho de infraestrutura que raramente parece impressionante, mas determina o resultado final. As empresas precisam entender antecipadamente quais dados podem ser conectados aos modelos, quais dados não podem ser enviados para serviços externos, quem é responsável pela qualidade das fontes e como os resultados são verificados. Sem isso, até um piloto bem-sucedido logo esbarrará em questões de segurança, conformidade e confiança dos funcionários.

• inventário e classificação de dados-chave
• diferenciação de acesso para funcionários e serviços externos
• conexão de modelos apenas a fontes verificadas
• medição de impacto através de tempo, qualidade e redução de risco

Para uma empresa financeira, essa é uma regra quase óbvia, mas agora está se tornando universal para outras indústrias. Se uma empresa não entende quais dados são realmente críticos, quem os usa e onde estão armazenados, a conversa sobre IA permanece superficial. A implantação em massa de modelos sem disciplina de dados pode temporariamente acelerar tarefas individuais, mas depois trazer erros custosos em relatórios, suporte, conformidade e tomada de decisão.

O mercado olha mais amplamente

Johnson também tocou em condições do consumidor e preços do petróleo—aparentemente esses são tópicos separados, mas para uma empresa de gestão de tal escala estão diretamente relacionados à conversa sobre tecnologia. A demanda do consumidor afeta a receita do negócio e o apetite das empresas para investimento, enquanto o petróleo permanece um dos marcadores de pressão inflacionária e custos. Portanto, a questão da IA para grandes executivos há muito tempo não vive em um vácuo: é considerada junto com despesas, taxas, demanda e sustentabilidade do modelo de negócio. Daí a abordagem mais sóbria para implementar novos sistemas em 2026.

O conselho de administração quer entender não apenas onde processos podem ser automatizados, mas também como essa solução se comportará quando o ambiente macroeconômico mudar. Se o consumidor enfraquece, as empresas precisam de controle mais rápido sobre margem e demanda. Se os preços de energia aumentam, o custo da ineficiência aumenta. Em tal ambiente, a IA se torna não uma vitrine de inovação, mas uma forma de tomar decisões mais rapidamente em condições onde um erro é mais custoso do que antes.

O que isso significa

O sinal da Franklin Templeton é simples: os negócios não podem mais apenas discutir IA em sessões estratégicas, precisam levá-la a processos, métricas e trabalho protegido com dados. Os vencedores não serão aqueles que falam mais alto sobre transformação, mas aqueles que vinculam tecnologias com disciplina operacional e sabem tomar decisões em meio a demanda mutável, custos e preços.