80% dos dados da sua empresa são invisíveis para a IA. Veja o que está ficando de fora
Arthur Frota
Quando uma empresa conecta IA ao seu ERP ou ao seu CRM, a sensação é de que a ferramenta agora enxerga o negócio. Mas o que ela enxerga, na prática, é a ponta do iceberg.
Segundo estimativas consolidadas de Gartner e IDC, entre 80% e 90% de todos os dados corporativos gerados hoje são não estruturados. Eles não estão em tabelas. Não têm linhas e colunas. E a maioria das ferramentas de IA simplesmente não consegue processá-los. 90% dos dados não estruturados nunca são analisados.
O que está ficando de fora não é dado secundário. É onde vive o contexto real do negócio: o que os clientes dizem, o que os contratos contêm, o que foi decidido nas reuniões e o que os times de campo registraram. Ignorar esses dados não significa ignorar informação periférica. Significa ignorar a maior parte do que a empresa sabe.
A diferença entre dado estruturado e não estruturado em linguagem de negócio
Dado estruturado é aquele que vive em tabela. Tem campo definido, tipo de dado determinado, linha e coluna. A receita do mês no ERP é dado estruturado. O número de pedidos no sistema de vendas é dado estruturado. O saldo da conta no sistema financeiro é dado estruturado. Ferramentas de análise, dashboards e modelos de IA foram construídos para ler exatamente esse tipo de informação.
Dado não estruturado é todo o resto. É o e-mail onde o cliente explicou por que ia cancelar antes de o churn aparecer no sistema. É o contrato de fornecedor que tem uma cláusula de reajuste que ninguém lembrava. É a transcrição da reunião onde foi decidido que aquele projeto teria prioridade. É a nota que o técnico de campo registrou sobre um equipamento que estava apresentando comportamento anômalo semanas antes de parar.
Esses dados não têm campo definido. Não têm linha e coluna. São texto, áudio, imagem, documento. E é exatamente porque não têm estrutura que ficaram de fora de tudo que as empresas construíram para analisar informação nos últimos vinte anos.
Por que a maioria das ferramentas de IA não lê o que não está em tabela
Os bancos de dados tradicionais precisam de esquema fixo para funcionar: cada campo tem tipo e posição definida. Isso funciona muito bem para transações financeiras, registros de pedidos e cadastros de clientes. Não funciona para um e-mail, porque um e-mail não tem campo de "reclamação" ou "intenção de compra". O significado está no texto, não na estrutura.
A maioria das ferramentas de análise e BI que as empresas usam foi construída sobre essa lógica de banco de dados estruturado. Elas conectam ao ERP, ao CRM, ao sistema de estoque. Leem tabelas, cruzam campos, geram relatórios. Quando você pergunta à IA que acompanha esse BI "qual é o motivo mais frequente de cancelamento?", ela responde com base nos campos que existem na tabela de cancelamentos, como "motivo" ou "categoria". Se o campo de motivo estava vazio, ou se o cliente explicou o motivo real num e-mail de despedida que nunca entrou no sistema, essa informação simplesmente não existe para a ferramenta.
O dado não estruturado ficou invisível não porque não tinha valor. Ficou porque ler texto, áudio e documento em escala era, até recentemente, tecnicamente impossível sem um processo manual que nenhuma empresa tinha como manter.
O que sua empresa gera e ninguém usa
E-mails corporativos. Cada e-mail trocado com cliente contém informação sobre relacionamento, intenção, objeção, satisfação e contexto de negócio que nunca entra em nenhum sistema. O cliente que escreveu pedindo ajuda antes de cancelar está nesse e-mail. A negociação de prazo que mudou os termos do contrato está nesse e-mail. A reclamação que poderia ter virado oportunidade está nesse e-mail.
Contratos em PDF. A empresa tem centenas ou milhares de contratos com clientes, fornecedores e parceiros. Cada um tem cláusulas de vigência, reajuste, exclusividade, penalidade e obrigação. Esse conteúdo não está em nenhum campo do ERP. Está no PDF. Quando alguém precisa responder "quais fornecedores têm cláusula de reajuste automático acima de 10%?", a resposta exige ler contrato por contrato, porque nenhum sistema tem esse dado em tabela.
Transcrições de reunião. Toda decisão estratégica da empresa foi discutida em alguma reunião. O raciocínio por trás da decisão, as alternativas que foram descartadas, os riscos que foram levantados e os compromissos que foram assumidos ficaram na gravação ou nas notas. Quando um novo gestor chega e precisa entender por que determinada estratégia foi adotada, esse contexto não está em nenhum relatório.
Notas de campo e registros operacionais. Times de campo, técnicos de manutenção, consultores e representantes comerciais geram observações todos os dias. O equipamento que está apresentando vibração diferente. O cliente que mencionou que está avaliando um concorrente. O processo que todo mundo sabe que tem um atalho não documentado. Essas observações ficam em notas avulsas, mensagens de WhatsApp, campos de texto livre que ninguém sabe consultar.
Conversas de atendimento. O histórico de atendimento ao cliente é uma das fontes mais densas de informação sobre o que está funcionando e o que não está. Cada chamado tem contexto, tom, frequência de recorrência e indicação de problema sistêmico. Mas esse histórico costuma existir como texto em campos de comentário, e a análise que as empresas fazem dele é manual, lenta e parcial.
O que muda quando esses dados se tornam acessíveis para a IA
O salto não é de quantidade de informação. É de tipo de pergunta que passa a ser respondível.
Com apenas dados estruturados, a IA responde: quanto, quando, quantas vezes. Com dados não estruturados integrados, ela passa a responder: por quê, o que os clientes estão dizendo, o que está nos contratos, o que foi decidido antes.
Um exemplo concreto: uma empresa de serviços quer entender por que a taxa de renovação de contratos caiu 8% no último trimestre. Com dados estruturados, a análise mostra quais contratos não foram renovados, em qual segmento e em qual região. Com e-mails e transcrições de atendimento incorporados, a análise passa a mostrar que 60% dos clientes que não renovaram tinham, nos três meses anteriores, registrado pelo menos uma reclamação sobre prazo de entrega, e que esse tema não apareceu uma vez nos dados estruturados porque o campo "motivo do cancelamento" estava vazio ou marcado como "outros".
O dado estava lá. Estava no e-mail, na conversa de atendimento, na transcrição da reunião de revisão de conta. Simplesmente não estava em tabela, então nunca entrou em nenhuma análise.
Como cada tipo de dado não estruturado pode se tornar acessível
A mudança técnica que torna isso possível em 2026 é a capacidade dos modelos de linguagem de ler, interpretar e indexar texto em escala. O que antes exigia estruturação manual, campo a campo, agora pode ser processado de forma automatizada, desde que haja uma infraestrutura que conecte as fontes ao modelo de análise.
Para e-mails, a integração com o servidor de e-mail corporativo permite que o modelo leia e categorize comunicações relevantes, identificando temas, sentimento e recorrência sem que alguém precise classificar cada mensagem manualmente.
Para contratos em PDF, ferramentas de extração de texto combinadas com modelos de linguagem permitem que a empresa faça perguntas sobre o conteúdo de contratos como se estivesse consultando um banco de dados, desde que os documentos estejam indexados.
Para transcrições de reunião, ferramentas de gravação e transcrição automática existem e são acessíveis. O passo seguinte é garantir que essas transcrições sejam armazenadas de forma organizada e possam ser consultadas por contexto.
Para notas de campo e registros operacionais, o ponto de entrada é padronizar onde e como essas observações são registradas, de forma que o modelo consiga localizá-las e processá-las.
Para conversas de atendimento, o histórico já existe na maioria dos sistemas de helpdesk. O que falta, na maior parte dos casos, é uma camada que consiga extrair padrão e significado desse texto em escala, em vez de depender de relatórios manuais.
O que previne o aproveitamento desses dados, em quase todos os casos, não é falta de tecnologia. É falta de infraestrutura que conecte o dado à análise e de governança que defina quais dados podem ser processados, com qual finalidade e com quais critérios de privacidade.
Perguntas frequentes
Dado não estruturado não é mais difícil de governar e proteger?
Sim, e isso é um argumento para estruturar a abordagem antes de integrar, não para não integrar. Dados em PDF de contrato, e-mails com informação de cliente e transcrições com dados pessoais precisam de política de retenção, controle de acesso e conformidade com a LGPD. A diferença entre dado estruturado e não estruturado para fins de governança é que o segundo exige mais trabalho de mapeamento inicial. Mas dados que ninguém governa porque ninguém sabe que existem não são dados seguros. São dados de risco invisível.
Por onde começar sem tentar resolver tudo ao mesmo tempo?
Pelo tipo de dado não estruturado que já existe em volume e que tem conexão direta com uma decisão que a empresa precisa tomar hoje. Para a maioria das empresas médias, o histórico de atendimento ao cliente ou as transcrições de reunião de revisão de conta são o ponto de entrada mais produtivo, porque o dado existe, é acessível e a pergunta que ele responde tem valor imediato.
Isso não exige uma infraestrutura técnica muito complexa?
A complexidade depende da ambição do projeto. Para um caso de uso pontual, como "quero conseguir consultar contratos em linguagem natural", a infraestrutura necessária hoje é muito menor do que era há dois anos. Para um projeto que integra todas as fontes de dado não estruturado ao mesmo tempo, a complexidade é maior. A recomendação prática é começar por um caso de uso, provar o valor e expandir a partir da evidência.
Os dados que ficam em PDF de contrato e em e-mail têm qualidade suficiente para análise?
Depende do que se quer analisar. Para extrair cláusulas específicas de contratos, o texto em PDF tem qualidade mais do que suficiente. Para analisar sentimento em e-mails de atendimento, a qualidade é adequada para tendências e padrões, mas não para análise individual de cada mensagem. A diferença em relação ao dado estruturado é que a margem de erro por registro individual é maior, mas a capacidade de identificar padrões em volume compensa essa limitação.