
A inteligência artificial chegou ao ERP. No Protheus, o Insights já projeta o caixa dos próximos noventa dias, aponta os itens em risco de ruptura e sugere quanto repor e quando. A Central de IA dispara alertas com o nível de criticidade que você define. É a mesma base de sempre, lida por uma camada que tira conclusões sozinha.
Nada disso lê um dado ideal. Lê o dado que está lá.
E é aqui que mora uma pergunta que vale mais do que qualquer demonstração de tela: o que a IA vai encontrar na sua base?
Dado ruim quase nunca é erro dramático. Não é fraude nem sabotagem. É o acúmulo de pequenas coisas que ninguém teve tempo de arrumar, porque até hoje o sistema aceitava e a operação seguia. Alguns exemplos que aparecem em praticamente todo ambiente que a gente atende:
Item duplicado. A mesma peça cadastrada com dois códigos, porque alguém não achou o primeiro na hora de cadastrar. Para uma pessoa, é um incômodo. Para a análise de consumo, são dois itens diferentes, cada um com metade do movimento real. A sugestão de compra sai pela metade, ou o alerta de ruptura não dispara para nenhum dos dois.
Título pago sem baixa. O cliente pagou, o dinheiro entrou, e o título continua em aberto no contas a receber porque a baixa ficou para depois. A projeção de caixa soma o que está aberto. Ela vai contar esse dinheiro de novo, como se ainda fosse entrar. O saldo projetado fica maior do que o real, e a decisão tomada em cima dele erra para o lado mais perigoso.
Cadastro fiscal desatualizado. NCM antigo, exceção que já não vale, perfil de produto que mudou e ninguém ajustou. A regra fiscal parte do cadastro, e qualquer automação em cima dela faz exatamente o que o cadastro manda, sem perguntar. Cadastro torto vira imposto torto na velocidade da máquina.
Unidade de medida inconsistente. Compra em caixa, consome em unidade, vende em pacote. Se a conversão não está no cadastro, a análise compara grandezas diferentes e conclui qualquer coisa.
Cliente e fornecedor em duplicidade. Mesma empresa, dois cadastros, dois históricos. O histórico de compras que alimentaria uma sugestão de venda fica dividido, e o limite de crédito fica mal avaliado.
Antes da IA, o dado ruim produzia um erro por vez, e quase sempre alguém percebia no caminho: quem compra achava estranho o número, o financeiro conferia a planilha, o fiscal olhava a nota. Havia gente entre o dado e a decisão.
A IA tira a gente do meio. Não porque decide sozinha, mas porque apresenta uma conclusão pronta, com cara de análise, e a tendência natural é confiar. Uma sugestão de compra que veio do sistema parece mais certa do que um palpite, mesmo quando nasceu de um cadastro duplicado.
Então o dado ruim deixa de produzir um erro por vez e passa a produzir uma recomendação errada por dia, com aparência de precisão. É a fórmula do título: dados ruins mais IA dá decisão ruim, e mais rápido do que antes.
A boa notícia é que a revisão é finita e conhecida. Nesta ordem:
Feito isso, a IA acerta desde o primeiro relatório. Sem isso, ela acerta quando a base permitir, e você não vai saber qual das recomendações veio do dado errado.
Nenhum desses itens é complexo. Todos são trabalhosos, e todos exigem alguém que conheça o ambiente para separar o que é lixo do que é registro legítimo com cara estranha. Uma duplicidade de cliente às vezes é matriz e filial de propósito. Um título aberto há dois anos às vezes é uma disputa judicial.
É esse trabalho que a gente faz antes de ligar qualquer automação em um cliente: revisar a base com quem opera, item por item, e deixar registrado o que foi decidido. Não é a parte bonita do projeto. É a parte que faz a parte bonita funcionar.
Se o seu ambiente ainda não passou por essa revisão, esse é o momento. A IA vai ler a base que existe hoje.
Quer que a gente olhe a sua base antes de ligar a IA?
Chama a gente.