by A inteligência artificial entrou no planejamento estratégico de empresas de diferentes setores. Ela aparece em iniciativas de atendimento, previsão de demanda, análise financeira, automação documental, suporte técnico, gestão de pessoas e otimização da cadeia de suprimentos.
Mas transformar uma prova de conceito em uma capacidade operacional escalável exige muito mais do que contratar uma plataforma, escolher um modelo ou conectar um chatbot a uma base de documentos. Antes de gerar recomendações, previsões ou respostas, a IA precisa acessar dados confiáveis, interpretar regras de negócio e operar dentro de uma arquitetura tecnológica minimamente integrada.
Esse é o ponto central do levantamento da SAP em parceria com a Oxford Economics, repercutido pela Forbes Brasil: 61% dos executivos entrevistados afirmaram que o esforço técnico de integração superou as expectativas iniciais. No Brasil, as empresas investem, em média, US$ 20,8 milhões por ano em iniciativas de IA, segundo a mesma pesquisa.
O dado ajuda a deslocar o debate. O principal desafio da IA corporativa não está apenas na tecnologia escolhida, mas na capacidade da organização de conectar sistemas, processos, dados e pessoas.
O paradoxo do investimento em IA
As empresas estão investindo mais em inteligência artificial, mas nem sempre conseguem transformar esse investimento em impacto operacional.
O problema surge quando a IA é tratada como uma camada independente da arquitetura corporativa. Nesse modelo, a organização escolhe uma ferramenta, realiza um piloto e espera que os resultados apareçam mesmo que os dados estejam distribuídos em planilhas, ERPs, CRMs, sistemas legados e aplicações departamentais sem comunicação adequada.
A consequência é um ciclo conhecido:
- a empresa identifica um caso de uso promissor;
- desenvolve uma prova de conceito;
- utiliza uma base limitada ou preparada manualmente;
- obtém resultados aceitáveis em ambiente controlado;
- tenta levar o projeto para a operação;
- descobre que os dados reais estão incompletos, desatualizados ou inacessíveis;
- interrompe a escala ou inicia uma nova rodada de correções.
A diferença entre uma demonstração convincente e uma solução produtiva está justamente na infraestrutura que sustenta o fluxo de dados.
O que os 61% revelam sobre a adoção corporativa
O percentual de 61% não significa que a integração seja um detalhe técnico subestimado apenas pela área de TI. Ele indica um problema de planejamento empresarial.
Projetos de IA frequentemente começam com perguntas como:
- Qual modelo devemos utilizar?
- Qual plataforma oferece melhor desempenho?
- Devemos desenvolver internamente ou contratar uma solução?
- Como disponibilizar um copiloto para os colaboradores?
- Qual ferramenta generativa pode acelerar o atendimento?
Essas perguntas são legítimas, mas precisam ser acompanhadas de outras:
- Quais sistemas contêm os dados necessários?
- Quem é responsável pela qualidade dessas informações?
- Como os dados serão atualizados?
- Quais regras de negócio precisam ser preservadas?
- Como a IA acessará o ERP?
- Como serão controlados os perfis de acesso?
- Como as decisões poderão ser auditadas?
- O processo está estruturado o suficiente para ser automatizado?
Quando essas questões não são respondidas no início, o projeto tende a acumular dependências, exceções e integrações emergenciais.
Dados fragmentados limitam a inteligência artificial
Um modelo de IA pode produzir uma resposta tecnicamente coerente e ainda assim gerar uma recomendação errada para o negócio. Isso ocorre quando a informação disponível está incompleta, desatualizada ou desconectada do contexto transacional.
Entre os problemas mais comuns estão:
- cadastros duplicados;
- campos sem padrão;
- códigos diferentes para o mesmo produto;
- ausência de histórico;
- informações conflitantes entre sistemas;
- dados sem proprietário definido;
- registros sem data de atualização;
- documentos não estruturados;
- sistemas sem APIs disponíveis;
- regras comerciais registradas apenas informalmente.
O princípio “lixo na entrada, lixo na saída” continua válido. Se a base contém dados inconsistentes, a IA pode apenas processar a inconsistência em maior velocidade e apresentá-la com aparência de precisão.
Por isso, a preparação para IA precisa incluir qualidade de dados, isto é, um conjunto de práticas para medir, corrigir e manter atributos como completude, consistência, atualidade, unicidade e conformidade.
ERP, sistemas legados e o dilema da substituição
Em muitas organizações, o ERP central concentra informações críticas de finanças, compras, estoque, vendas, produção, pessoas e logística. Ao redor dele, existem aplicações especializadas, sistemas adquiridos ao longo do tempo e soluções desenvolvidas internamente.
Esse ecossistema raramente é homogêneo. Alguns sistemas são modernos e expõem APIs bem documentadas. Outros dependem de arquivos, rotinas manuais, bancos de dados antigos ou integrações ponto a ponto difíceis de manter.
Diante desse cenário, surgem duas estratégias:
Substituição total
Também conhecida como rip and replace, consiste em trocar o sistema legado por uma nova plataforma. Pode fazer sentido quando o sistema atual representa um risco operacional elevado, não atende aos requisitos regulatórios ou impede mudanças estruturais.
No entanto, essa abordagem tende a exigir alto investimento, grande mobilização interna e mudança simultânea de processos. A complexidade aumenta quando a empresa não possui documentação confiável do ambiente existente.
Modernização progressiva
A modernização progressiva preserva parte do legado enquanto cria novas camadas de integração, APIs, serviços e governança. Em vez de substituir tudo de uma vez, a empresa prioriza os fluxos de maior impacto e reduz gradualmente a dependência de conexões frágeis.
Essa abordagem não é automaticamente melhor em todos os casos, mas pode reduzir risco quando há processos críticos que não podem ser interrompidos. O ponto decisivo é evitar que a modernização progressiva se transforme em mais uma camada desorganizada sobre um ambiente já fragmentado.
APIs, middleware e iPaaS: o papel de cada camada
Para integrar sistemas de forma sustentável, é importante distinguir alguns conceitos.
API, ou interface de programação de aplicações, é um mecanismo que permite que um sistema disponibilize ou consuma funcionalidades e dados de forma controlada. Em vez de acessar diretamente o banco de dados de outro sistema, uma aplicação pode utilizar uma API com regras de autenticação, autorização e formato de resposta definidos.
Middleware é uma camada intermediária que facilita a comunicação entre aplicações. Ele pode transformar mensagens, encaminhar solicitações, controlar filas, aplicar regras e monitorar transações.
iPaaS, sigla para Integration Platform as a Service, é uma plataforma em nuvem voltada à construção, execução e monitoramento de integrações entre sistemas. Ela pode acelerar o desenvolvimento, mas não elimina a necessidade de arquitetura, governança e definição clara dos dados.
Essas tecnologias ajudam a reduzir a dependência de integrações ponto a ponto. Porém, a ferramenta não substitui decisões sobre propriedade dos dados, modelo de segurança, tratamento de erros, versionamento e continuidade operacional.
São Salvador Alimentos: integração com ganho operacional mensurável
O caso da São Salvador Alimentos demonstra como uma integração pode gerar valor antes mesmo da implementação de um projeto avançado de IA.
Segundo a SAP, a empresa conectou a gestão de equipamentos de proteção individual ao ecossistema SAP por meio de uma aplicação desenvolvida com SAP Build. O fluxo eliminou cerca de 150 assinaturas manuais por dia e melhorou o controle da gestão de EPIs.
O exemplo é relevante porque mostra que transformação digital não precisa começar por um caso de uso sofisticado de inteligência artificial. A organização pode obter ganhos concretos ao eliminar tarefas manuais, digitalizar etapas críticas e conectar uma aplicação operacional ao sistema central.
Essa base também prepara o terreno para automações futuras. Com processos estruturados, dados rastreáveis e eventos registrados corretamente, torna-se mais simples identificar oportunidades de análise preditiva, alertas e automação inteligente.
Americanas: IA conectada à operação em escala
A Americanas também representa um caso de uso em ambiente corporativo complexo. A empresa opera mais de 1.400 lojas físicas e conta com mais de 20 mil colaboradores, segundo a SAP.
A companhia vem ampliando o uso de inteligência artificial para apoiar suporte técnico e processos de recursos humanos. Nesse contexto, a integração com o ecossistema SAP é essencial porque a IA precisa operar sobre informações organizacionais, regras internas e fluxos de atendimento que não estão isolados em uma única aplicação.
Em ambientes de grande escala, uma solução de IA precisa lidar com:
- diferentes perfis de usuários;
- políticas de acesso;
- alto volume de solicitações;
- sistemas de origem variados;
- dados pessoais e funcionais;
- rastreabilidade das respostas;
- atualização contínua das informações;
- encaminhamento para atendimento humano quando necessário.
A lição não é que uma plataforma específica resolve automaticamente a complexidade. O aprendizado está em conectar a IA a processos corporativos reais, com controle de acesso, governança e integração ao ambiente existente.
CEEC: consolidação como fundamento para escalar
A experiência da CEEC reforça outro ponto: às vezes, o principal desafio não é adicionar IA ao ambiente, mas criar uma base operacional unificada para que a automação futura seja viável.
De acordo com o Portal ERP e a SAP, a empresa colocou sete entidades legais em operação no SAP Cloud ERP em 12 semanas, ativando 72 cenários de negócio. A consolidação criou uma fundação mais padronizada para processos, dados e governança.
A unificação não elimina automaticamente todas as diferenças entre empresas ou unidades de negócio. Porém, reduz a dispersão de regras e melhora a capacidade de trabalhar com informações comparáveis.
Para iniciativas de IA, essa padronização é importante. Modelos preditivos e agentes corporativos dependem de definições consistentes sobre clientes, fornecedores, produtos, centros de custo, pedidos, estoques e indicadores.
Como priorizar casos de uso de IA
Nem todo processo está pronto para receber inteligência artificial. Uma matriz de priorização pode ajudar a selecionar iniciativas com maior potencial de retorno e menor risco de implementação.
Os critérios podem incluir:
Impacto no negócio
O caso reduz custos, aumenta produtividade, diminui riscos ou melhora a experiência do cliente?
Disponibilidade dos dados
As informações necessárias existem, estão acessíveis e possuem qualidade suficiente?
Complexidade de integração
Quantos sistemas precisam ser conectados? Existem APIs ou será necessário construir mecanismos intermediários?
Criticidade operacional
Um erro da IA interromperia um processo essencial, afetaria clientes ou geraria risco regulatório?
Governança e segurança
É possível controlar quem acessa os dados, registrar as decisões e revisar os resultados?
Capacidade de adoção
As equipes possuem processos, competências e disponibilidade para incorporar a solução à rotina?
Um caso de uso simples, com dados estruturados e impacto mensurável, pode ser mais estratégico do que uma aplicação sofisticada que depende de várias fontes inconsistentes.
Governança, segurança e rastreabilidade
A integração de sistemas e IA também amplia as responsabilidades de governança. Quanto mais processos passam a depender de dados e automações, maior a necessidade de controlar o ciclo de vida das informações.
A arquitetura deve prever:
- classificação dos dados;
- gestão de identidade e acesso;
- criptografia;
- registro de logs;
- versionamento de APIs;
- monitoramento de integrações;
- tratamento de falhas;
- validação das respostas;
- segregação de ambientes;
- revisão periódica de permissões;
- plano de continuidade.
Em aplicações generativas, também é necessário controlar a origem das informações utilizadas pelo modelo, a atualização das bases documentais e os limites para respostas automatizadas.
A confiança não nasce apenas da qualidade da resposta. Ela depende da possibilidade de entender de onde veio a informação, qual regra foi aplicada e quem pode revisar o resultado.
Antes de acoplar IA a um processo, é necessário entender seu fluxo, suas fontes de dados, suas exceções e seus responsáveis. A partir desse diagnóstico, torna-se possível definir quais integrações devem ser criadas, quais informações precisam ser corrigidas e quais etapas podem ser automatizadas.
A adoção corporativa de inteligência artificial não depende apenas da escolha de um modelo ou da contratação de uma plataforma. Ela depende da qualidade da arquitetura que conecta dados, sistemas e processos.
Os 61% de executivos que subestimaram o esforço de integração representam um alerta para organizações que ainda tratam a IA como um projeto isolado. Dados fragmentados, ERPs desconectados e processos sem governança podem impedir que uma solução promissora avance além do piloto.
A modernização não precisa significar a substituição imediata de todo o legado. Em muitos casos, uma estratégia progressiva, baseada em APIs, middleware, iPaaS, governança e priorização de processos, permite criar uma base mais segura para escalar.
A pergunta mais importante antes de implementar IA não é apenas “qual ferramenta devemos escolher?”. É: nossos sistemas, dados e processos estão preparados para sustentar essa tecnologia em produção?
FAQ
Por que a integração de sistemas é decisiva para a implementação de IA?
Porque a IA precisa acessar dados confiáveis e compreender o contexto dos processos corporativos. Sem integração, a solução pode operar sobre informações incompletas, desatualizadas ou desconectadas das regras de negócio.
Como sistemas legados impedem a escalabilidade de modelos de IA?
Sistemas legados podem não disponibilizar APIs, usar estruturas de dados incompatíveis ou depender de rotinas manuais. Isso dificulta o acesso em tempo real, aumenta o custo de manutenção e cria riscos de inconsistência.
O que preparar antes de implementar IA no ERP?
É necessário mapear as fontes de dados, eliminar duplicidades, padronizar cadastros, definir responsáveis, revisar permissões e identificar quais processos possuem histórico e qualidade suficientes para automação ou análise.
É obrigatório substituir completamente o ERP legado?
Não necessariamente. A decisão depende da condição técnica, dos riscos operacionais e da estratégia da empresa. Em muitos contextos, a modernização progressiva por APIs e camadas de integração pode ser uma alternativa mais controlada.
O que é iPaaS?
iPaaS é uma plataforma em nuvem para desenvolver, executar e monitorar integrações entre aplicações. Ela ajuda a organizar fluxos de dados, mas não substitui arquitetura, governança e definição de responsabilidades.
Como mensurar o ROI de um projeto de IA?
O cálculo deve relacionar o investimento ao impacto mensurável, como redução de tempo, diminuição de erros, economia operacional, aumento de produtividade, melhoria de conversão ou redução de riscos. Também é importante considerar custos de integração, manutenção e adoção.
Qual é o papel da governança de dados?
A governança define padrões, responsabilidades, controles de acesso, qualidade, segurança, rastreabilidade e regras de uso dos dados. Ela sustenta a confiabilidade da IA ao longo do tempo.
7 fontes confiáveis como referência
- Forbes Brasil — US$ 20,8 milhões em IA: é “só a ponta do iceberg”, diz presidente da SAP Brasil — 9 de setembro de 2026.
Fonte utilizada para o investimento médio anual informado para empresas brasileiras e para o contexto do estudo SAP/Oxford Economics.
Acessar a publicação original - SAP e Oxford Economics — The Value of AI 2026 — 2026.
Estudo primário sobre investimentos, maturidade, integração, dados, governança e escalabilidade da inteligência artificial corporativa.
Acessar o estudo da Oxford Economics - SAP — SAP Value of AI: Oxford Economics 2026 — 2026.
Página institucional do estudo e acesso ao documento completo da pesquisa.
Acessar o material institucional - SAP Notícias Brasil — Americanas amplia uso de inteligência artificial da SAP para acelerar suporte técnico e automatizar processos de RH — 18 de agosto de 2026.
Fonte utilizada para os dados sobre a operação da Americanas e os casos de uso de IA em suporte técnico e recursos humanos.
Acessar a publicação original - SAP News Center — São Salvador Alimentos Improves PPE Management with SAP Build — 2026.
Fonte utilizada para o caso de integração da gestão de EPIs ao ambiente SAP e a eliminação de 150 assinaturas manuais diárias.
Acessar a publicação original - Portal ERP — CEEC conclui implementação do SAP Cloud ERP com GROW Fast — 2026.
Fonte utilizada para o caso de consolidação de sete entidades legais, entrada em produção em 12 semanas e ativação de cenários de negócio.
Acessar a publicação original - SAP — CEEC Accelerates Cloud ERP Transformation Across China — 2026.
Fonte institucional complementar sobre a migração de sete entidades legais para o SAP Cloud ERP e a criação de uma base operacional padronizada.
Acessar a publicação original
