Setor financeiro enfrenta desafios de infraestrutura e dados para IA

Apesar do avanço na adoção de inteligência artificial (IA), o setor financeiro ainda enfrenta barreiras significativas relacionadas à infraestrutura de dados e à sua integração com os fluxos de trabalho. Um relatório da Cloudera aponta que 38% das instituições financeiras entrevistadas citam o desempenho da infraestrutura como um obstáculo recorrente, enquanto 20% indicam a integração deficiente aos processos de negócio como motivo para os investimentos em IA não entregarem os retornos esperados.

A pesquisa, que ouviu instituições financeiras sobre a prontidão para IA, revela que, embora 83% tenham visibilidade sobre onde seus dados estão armazenados, a complexidade de gerenciar ambientes de dados distribuídos e garantir a governança das informações ainda limita a capacidade de transformar dados em resultados concretos. A governança, em particular, é um ponto de atenção, com 61% das empresas afirmando que a maior parte de seus dados está sob controle, mas ainda há necessidade de assegurar consistência e rastreabilidade para atender às exigências regulatórias e suportar aplicações de IA.

Preparação de dados: o gargalo para a IA

A necessidade de modernizar operações, prevenir fraudes e aprimorar a gestão de riscos impulsiona o acesso a dados distribuídos. Nesse cenário, a preparação dos dados emerge como um fator crítico para levar projetos de IA da fase experimental para a produção. Para Jake Bengston, diretor sênior de soluções de IA na Cloudera, a geração de resultados com IA depende da disponibilidade de informações confiáveis e acessíveis.

"As instituições precisam aplicar modelos de IA a dados governados, independentemente de onde estejam armazenados", afirma Bengston. Essa capacidade é vista como essencial para reduzir a complexidade operacional e melhorar o retorno sobre os investimentos em tecnologia, reforçando que a adoção de IA vai além da escolha de modelos, englobando infraestrutura, integração e governança.

Descompasso entre metas e execução na adoção de IA

Uma pesquisa da Iron Mountain, intitulada "The Information Supercycle: Aligning Data, Infrastructure and Capital for AI Scale", corrobora os desafios, indicando um descompasso entre as ambições das empresas em IA e sua capacidade de execução. 95% das empresas consideram o uso de dados para melhorar resultados de negócios uma prioridade máxima, mas 86% registraram atrasos ou cancelamentos em iniciativas de IA nos últimos 12 meses devido a preocupações com os dados.

O tratamento manual de dados ainda consome uma parcela significativa do tempo dos projetos, com quatro em cada dez empresas dedicando pelo menos 41% do tempo total a essa tarefa. Apenas 39% das entrevistadas possuem dados corporativos gerenciados de forma centralizada e prontamente utilizáveis para análise de IA. Dados fragmentados em plataformas desconectadas (56%) e formatos obsoletos ou arquivos físicos (53%) são obstáculos persistentes.

Governança e rastreabilidade: pilares para a expansão da IA

Conforme a IA avança para modelos agênticos, capazes de agir em fluxos de trabalho, a fragmentação de dados torna-se ainda mais crítica. Sete em cada dez organizações declaram não conseguir rastrear com precisão o ciclo de vida dos dados usados em seus modelos de IA. Varun Gupta, vice-presidente sênior da Iron Mountain, destaca que a maturidade em IA exige mais do que tecnologia de ponta.

"As companhias precisam garantir que a informação fornecida aos modelos esteja acessível, atualizada e com governança, com propriedade e permissões claras", aponta Gupta. A falta de uma base sólida de dados pode levar a riscos de segurança, conformidade e auditoria, além de custos mais altos e perda de conhecimento corporativo. Uma governança contínua do ciclo de vida dos dados é essencial para garantir que as informações ativadas para IA sejam atuais, confiáveis e estejam em conformidade.