Apesar do crescimento dos investimentos em inteligência artificial, mais da metade dos projetos de IA nunca chega à produção, segundo estudo global da IDC sobre maturidade em IA, encomendado pela Everpure. A pesquisa constatou que 54% dos projetos de IA desenvolvidos como prova de conceito não avançam para ambientes produtivos, gerando retorno zero sobre o investimento realizado.
Desafios persistentes relacionados aos dados
O estudo também revela desafios persistentes relacionados aos dados que continuam comprometendo o sucesso das iniciativas de IA. Enquanto 94% das organizações consideram a qualidade dos dados importante ou muito importante para o sucesso dos projetos, 60% afirmam que sua infraestrutura de armazenamento precisa de melhorias significativas ou de uma modernização completa para suportar cargas de trabalho de IA.
Questões de segurança (41%) e acesso a dados em tempo real (39%) foram apontadas como os principais obstáculos para a implementação de IA agêntica. Isso indica que a infraestrutura de dados não está preparada para as demandas de velocidade e segurança exigidas pelos modelos modernos de machine learning.
Descompasso entre inovação e infraestrutura
Os resultados indicam que muitas empresas estão concentrando esforços na inovação em IA sem dedicar a mesma atenção à infraestrutura de dados necessária para sustentar implementações em escala de produção. Problemas relacionados à prontidão e à qualidade dos dados foram apontados como a principal causa de atrasos em iniciativas de IA, à frente da escassez de talentos e das limitações de desempenho tecnológico.
A pesquisa também constatou que 49% das organizações apontam a melhoria do agendamento das cargas de trabalho de IA como a principal iniciativa para aumentar a utilização de GPUs, enquanto 48% destacam a aceleração da entrega de dados pelas redes como um requisito fundamental para melhorar o desempenho das aplicações de IA.
Segurança como obstáculo crítico
A segurança é um dos principais gargalos identificados. Com 41% das organizações citando questões de segurança como obstáculo, fica claro que a implementação de IA em produção exige controles robustos para proteger dados sensíveis e garantir a integridade dos modelos.
Isso inclui a proteção contra ataques de adversarial machine learning, a governança de acesso aos dados de treinamento e a monitoração de vazamentos de informações durante o processo de inferência. A falta de maturidade em segurança de dados pode levar a violações de conformidade e perda de confiança dos clientes.
Recomendações para aumentar a produção
"Muitas empresas já compreenderam o potencial da Inteligência Artificial, mas ainda enfrentam dificuldades para transformar esse investimento em resultados concretos. O estudo mostra que esse avanço depende de uma base de dados mais consistente, capaz de dar suporte às aplicações em produção com segurança, velocidade e confiança", diz Douglas Wallace, diretor regional de Vendas da Everpure para a América Latina e o Caribe.
Segundo o relatório, organizações capazes de disponibilizar dados confiáveis, acessíveis e governados na velocidade exigida pelas aplicações de IA estarão mais bem posicionadas para transformar iniciativas experimentais em ambientes de produção e gerar valor mensurável para os negócios.
Implicações para CISOs e líderes de TI
Para os profissionais de segurança, o relatório destaca a necessidade de integrar a segurança desde o início do ciclo de vida dos projetos de IA. Isso envolve a implementação de controles de acesso, criptografia de dados em repouso e em trânsito, e monitoramento contínuo de anomalias nos modelos.
Além disso, a governança de dados deve ser reforçada para garantir a qualidade e a integridade das informações utilizadas no treinamento e na inferência. A colaboração entre equipes de segurança, dados e desenvolvimento é essencial para superar os desafios de infraestrutura e segurança.
Investimentos necessários
Os resultados sugerem que as empresas precisam investir mais em infraestrutura de dados e segurança antes de escalar projetos de IA. Isso inclui modernização de sistemas de armazenamento, implementação de ferramentas de governança de dados e adoção de práticas de segurança de machine learning.
Ignorar esses fundamentos pode levar a falhas de projeto, desperdício de recursos e exposição a riscos de segurança. A preparação da infraestrutura é tão importante quanto a escolha do algoritmo ou do modelo de IA.
Perguntas frequentes
Por que tantos projetos de IA falham?
Principalmente devido à falta de qualidade dos dados e infraestrutura inadequada para suportar cargas de trabalho em produção.
Qual o papel da segurança nos projetos de IA?
A segurança é um obstáculo crítico, com 41% das organizações citando questões de segurança como barreira para implementação.
Como aumentar a taxa de sucesso?
Investindo em infraestrutura de dados moderna, governança de dados e integração de segurança desde o início do projeto.