Prontidão para IA · ERP · Integridade de dados
Sete sinais de que os dados do seu ERP não estão prontos para IA
Antes de colocar um agente de IA para ler o ERP, vale checar sete sinais de dados que não batem. Cada um tem causa conhecida e correção possível, e a ordem importa.
A pergunta mais comum que ouvimos de empresas que tentaram usar IA sobre o próprio ERP é alguma variação de “o modelo responde bonito, mas o número está errado”. O modelo não está errado: ele leu o que estava lá. O problema é que ninguém tinha checado o que estava lá.
Um modelo de linguagem não corrige dado; ele amplifica dado. Se o cadastro está duplicado, a resposta vem duplicada com um texto convincente em volta. Por isso o primeiro trabalho de qualquer projeto de IA sobre os dados da empresa é o mais chato: olhar para os dados.
Estes são os sete sinais que mais aparecem nos nossos mapeamentos. Se você reconhece três ou mais, a sua empresa ainda está no estágio de mapeamento de dados, não no de implementação.
1. Campo livre fazendo o papel de campo estruturado
A obra, o projeto, o vendedor ou o motivo do ajuste vão no campo “observações”, “histórico” ou “complemento”. Um humano experiente lê e entende. Um relatório não agrupa. Um agente de IA agrupa errado e com confiança.
Correção: promover a informação a campo próprio, com lista fechada de valores, e migrar o histórico com regras explícitas.
2. A mesma coisa com nomes diferentes
“Cliente”, “sacado” e “tomador” são a mesma entidade em três módulos. “Obra” no financeiro é “projeto” no suprimentos e “centro de custo” na contabilidade. Sem um vocabulário único, cada pergunta à IA precisa de três traduções.
Correção: um dicionário de dados com o nome canônico, os sinônimos e em que sistema cada um aparece.
3. Cadastro duplicado
O mesmo fornecedor com dois CNPJs digitados de forma diferente, o mesmo produto em três códigos, o mesmo funcionário em dois centros. Já tratamos do custo disso em Por que o cadastro do seu ERP não bate com o estoque.
Correção: regra de unicidade (CNPJ, código de barras, matrícula), rotina de deduplicação e separação entre quem cadastra e quem aprova.
4. Datas que não representam o fato
A data do lançamento é a data em que alguém digitou, não a data em que a coisa aconteceu. Competência, emissão, vencimento, pagamento e lançamento se misturam. Qualquer análise de tendência, previsão de caixa ou sazonalidade sai deslocada.
Correção: definir, por documento, qual data responde a qual pergunta, e exigir a data do fato como campo obrigatório.
5. Ajustes recorrentes
Todo mês há um “ajuste de estoque”, um “acerto de saldo” ou um “estorno” do mesmo tamanho. Ajuste recorrente é sintoma de regra ausente: o sistema não sabe fazer algo que a operação faz todo mês, e alguém corrige na mão.
Correção: mapear o processo por trás do ajuste e trazê-lo para dentro do sistema, ou pelo menos registrá-lo como regra escrita.
6. Ninguém sabe explicar uma coluna
Há um campo chamado flag_tp2 que todo relatório usa e ninguém sabe o que significa. Ou um status “7” que a equipe aprendeu a ignorar. Dados sem dono e sem definição são o que mais confunde um modelo, porque ele vai inventar uma explicação plausível.
Correção: inventário de campos com dono, definição e exemplos, começando pelos usados nos relatórios gerenciais.
7. O relatório que depende de uma pessoa
O fechamento mensal só sai porque a Fulana sabe quais linhas excluir, qual planilha cruzar e qual conta ignorar. Esse conhecimento não está em sistema nenhum. Quando a IA tenta reproduzir o relatório, não consegue, e quando a Fulana sai de férias, a empresa também não.
Correção: documentar o processo passo a passo, com as exceções, e transformá-lo em regra executável. É exatamente o tipo de contexto que o agente precisa para operar.
A ordem importa
Os sete sinais têm correção, e nenhuma delas exige trocar de ERP. O que elas exigem é ordem: mapear (saber o que está errado e quanto custa), desenhar a arquitetura (decidir o que corrigir no sistema, o que resolver com regra e o que entregar para um agente) e só então implementar a IA em produção. Pular etapas é o que produz o “responde bonito, mas está errado”.
Se quiser uma leitura externa dos seus dados antes de investir em IA, a conversa de diagnóstico com a Koltren é o primeiro passo, sem compromisso.