A Denodo, líder em gerenciamento de dados, divulgou os resultados do AI Trust Gap Report (Relatório da Lacuna de Confiança na IA), um estudo global abrangente que revela que a próxima fronteira da inteligência artificial, a IA Agêntica, enfrenta uma crise crítica de confiança.
À medida que a IA evolui de chatbots passivos para agentes capazes de tomar decisões independentes e acionar fluxos de trabalho operacionais, o nível de exigência para a precisão dos dados nunca foi tão alto. No entanto, a pesquisa destaca que obstáculos técnicos estão minando essas iniciativas:
- A busca por contexto: 63% das organizações identificam a “busca por dados relevantes”, dentro de contextos de negócios específicos, como a principal barreira para a implantação da IA.
- A necessidade de dados em tempo real: 66% dos entrevistados insistem que os dados de IA devem ser acessados em tempo real para serem considerados confiáveis.
- O paradoxo da segurança: 67% enfrentam dificuldades para manter controles de segurança e acesso consistentes entre os sistemas, um requisito vital para operações agênticas seguras.
- Escala e complexidade: A iniciativa média de IA empresarial agora consome dados de mais de 400 fontes, com 20% das organizações lidando com mais de 1.000 fontes.
- Gargalos de desempenho: Quase 60% dos entrevistados relatam dificuldade em otimizar o desempenho para as cargas de trabalho intensivas exigidas pela IA em larga escala.
“A IA está mudando rapidamente de sistemas que meramente respondem perguntas para sistemas que tomam ações autônomas, e essa transição altera inteiramente os requisitos de dados”, disse Dominic Sartorio, vice-presidente de Marketing de Produto da Denodo. “Quando um agente de IA gera um resultado de negócio, não há margem para dados obsoletos ou sem governança. Para escalar a IA agêntica com confiança, as empresas devem ir além dos silos de dados estáticos e adotar uma base de informações dinâmicas, governadas e contextualmente relevantes.”
O relatório conclui que a “lacuna de confiança” não é uma falha dos modelos de IA, mas um reflexo da arquitetura de dados subjacente. Para que as organizações passem da IA experimental para a escala automatizada, elas devem superar a divisão entre seus acervos de dados díspares e os requisitos de tempo real dos sistemas agênticos.
