Pergunte a três das suas ferramentas internas quem é o cliente mais valioso da empresa e é provável que receba três respostas diferentes. Agora multiplique isto pelos agentes e modelos de IA que a sua equipa começou a usar este trimestre, muitos sem ninguém ter aprovado nada. Cada um otimiza com base na sua própria versão do cliente, mas será que algum identifica realmente o cliente?
Entre prompts, modelos e agentes, pode ficar para atrás o essencial: as respostas dos modelos variam em função da informação que lhes damos e muitas vezes destinam-se a ser acionadas e partilhadas dentro da organização. Assim a informação não é apenas para o próprio, mas para passar a alguém ou colocar num dos sistemas existentes. Ora se a informação está partida e dispersa por diversos sistemas, a IA não só não a corrige, como amplifica a fragmentação em larga escala.
Já em 2024, o Work Trend Index, (Microsoft e LinkedIn) apontava que 78% dos utilizadores de IA levavam as suas próprias ferramentas para o trabalho (BYOAI – Bring Your Own AI). Um ano mais tarde, a ManageEngine foi mais longe sugerindo que 93% dos colaboradores de médias e grandes empresas nos EUA e Canadá admitiam introduzir informação em ferramentas de IA sem aprovação, e 85% dos responsáveis de TI reconheciam que os colaboradores adotavam essas ferramentas mais depressa do que o IT conseguia avaliar. Para quem gere dados privados de clientes, o mesmo estudo sugeria que 32% introduziram dados confidenciais de clientes em ferramentas de IA sem confirmar que estavam autorizados.
Cada ferramenta otimiza para a sua própria verdade
Quando o CRM define “cliente ativo” de uma forma, a plataforma de e-mail de outra e o agente que alguém montou numa tarde de outra, cada sistema vai otimizar para a sua própria versão da realidade. A soma destas otimizações locais deixa de ser estratégia e passa a ser ruído. Estima-se que até 2029 os citizen developers, pessoas fora das equipas técnicas que constroem as suas próprias aplicações, cresçam de 10% para 70%(Gartner, 2025).
Cada vez mais profissionais vão montar o seu próprio agente, sobre os seus dados, sem passar por ninguém e sem uma definição comum, o que coincide parcialmente com algumas das causas apontadas para o insucesso de muitos pilotos de IA: problemas na estratégia de dados, qualidade da informação e clareza da responsabilização (Bain, 2025).
A centralidade dos dados
Não sou especialista de engenharia de dados, mas ao longo dos anos tenho feito a ligação entre marketing, comunicação e IT em projetos com vertentes tecnológicas e de negócio, frequentemente no papel de intermediador, procurando alinhar ambas as partes. Uma das situações mais recorrentes é a preocupação de segurança e gestão de recursos por parte dos departamentos de IT, colocando por vezes requisitos elevados até mesmo a pequenos projetos como salvaguarda. Muitos departamentos de IT ambicionam o desenvolvimento de grandes “Data Lakes” e uma forte gestão centralizada, para garantir segurança e fiabilidade, mas esta opção implica um conhecimento tácito de todas as áreas da organização por parte da equipa de dados e uma capacidade de resposta que na maior parte das vezes não é possível de dar, tornando-a e ao IT muitas vezes nos gargalos da organização. A descentralização organizada “DataMesh”, proposta por Zhamak Dehghani (2019) pretende dar uma resposta a estes gargalos, atribuindo a propriedade dos dados de domínios específicos a um dono, que os tratará como um produto, a ser consumido pelo próprio ou por outros. Cada “dono” centraliza o acesso e distribuição do produto (dados), garantindo não só a sua qualidade e adequação às necessidades seus consumidores, como também promovendo o seu acesso e elevada visibilidade, respeitando as políticas da organização.
O “Cliente” é um domínio do marketing?
Se considerarmos o domínio “cliente” e atribuirmos a sua propriedade ao marketing, caberá ao marketing, garantir a disponibilidade dos seus dados aos restantes departamentos. O IT mantém a infraestrutura, a segurança e as regras de interoperabilidade, mas a verdade sobre o cliente tem assim um dono, que está perto do negócio, com nome e função, que responde pela disponibilidade, qualidade e evolução dos dados do cliente (Propriedade e responsabilidade por domínio).
O objetivo não é manter um repositório central neste domínio para toda a organização, mas sim orientar os dados para a utilização de quem os vai consumir (user-centric). Comunicar e facilitar o acesso para que qualquer pessoa na organização saiba que existem, qual a sua finalidade e como os encontrar. Garantir a sua fiabilidade, segurança, atualização e cumprimento de regras de privacidade. E até mostrar exemplos de uso para facilitar a sua utilização (Tratar os dados como produto).
O marketing ganha autonomia no domínio “cliente” mas não age isoladamente. As políticas globais (classificação, retenção legal, princípios de acesso) são definidas organizacionalmente e executadas automaticamente. A gestão e decisões locais são implementadas pelo marketing, mas respeitam as políticas globais (Governação federada).
Por outro lado, a proliferação de ferramentas não autorizadas é um sintoma estrutural, não comportamental, surge quando a via oficial é lenta ou pouco útil. A resposta não é travar tudo, mas criar uma fonte tão robusta e confiável que ninguém precise de improvisar a sua, de forma simples facilitar o acesso aos utilizadores à utilização de ferramentas (Plataforma em self-service).
Aliada a uma definição clara de domínio, esta descentralização organizada dá sentido prático à visão única do cliente que tanto se persegue com Customer Data Platforms e modelos de atribuição. Sem essa visão única, aIA pode ser um multiplicador de inconsistências que reforça o paradoxo atual da IA generativa: muita experimentação, muitas ferramentas, mas impacto limitado por falta de arquitetura, governança e integração entre domínios (McKinsey, 2025).
Numa era de Agentic AI, de delegações e decisões distribuídas, a fonte única da verdade não é um luxo do IT, éum pré-requisito das operações.
E na sua organização, quantas versões de cliente ativo existem?
Referências:
2024 Work Trend Index (Microsoft / LinkedIn) ManageEngine — Shadow AI Surgein Enterprises (2025)
Cyberhaven — Shadow AI: how employees are putting company data at risk (2024) Gartner — MarketGuide for Citizen Application Development Platforms (2025)
Zhamak Dehghani — How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh (Martin Fowler, 2019)
Bain & Company — Why AI Stumbles Without a Solid Data Strategy (2025) McKinsey — Seizing theAgentic AI Advantage (junho de 2025)
