Dado estruturado e não estruturado: um pipeline, não dois projetos

Em muitas empresas, o dado que fica em tabelas e o que fica em documentos seguem caminhos diferentes. O ERP alimenta o data warehouse. Contratos, e-mails, laudos e PDFs vão para outro repositório, muitas vezes montado às pressas para um projeto de IA generativa.
No começo, a separação parece prática. Com o tempo, ela cria dois catálogos, duas políticas de acesso e duas versões do que é um "cliente" ou um "fornecedor". E a IA, que deveria responder com base na empresa inteira, passa a enxergar só uma parte dela.
O que o Gartner recomendou em 2026
No Gartner Data & Analytics Summit de Orlando, em março de 2026, a analista Nina Showell tratou a gestão de dados não estruturados como condição para ter dados prontos para IA generativa. Entre as orientações que o Gartner divulgou está a de buscar oportunidades de unir as práticas de gestão de dados estruturados e não estruturados.
Em setembro, na edição de Mumbai, o analista Prasad Pore foi mais específico. Segundo o resumo do evento, ele defendeu fluxos que orquestrem a extração de entidades, os embeddings vetoriais e o enriquecimento semântico junto com os pipelines de dados estruturados.
O mesmo resumo traz uma projeção do Gartner: até 2027, os gastos de TI com gestão de dados multiestruturados devem chegar a 40% do total investido em tecnologias e serviços de gestão de dados. É uma previsão de consultoria, não um fato consumado, mas mostra para onde o orçamento tende a ir.
Duas frentes, governança em dobro
Quando o dado não estruturado ganha um projeto próprio, cada regra precisa ser escrita duas vezes. Quem pode ver o quê, de onde veio o dado, quando ele expira e como medir a qualidade: tudo isso passa a existir em dois lugares, mantido por equipes diferentes.
O problema não é só o esforço. Regras paralelas acabam divergindo. Um contrato com dados pessoais pode estar protegido no sistema de origem e exposto no índice vetorial, porque a política de acesso não acompanhou o documento até lá.
Há também o risco nas definições. Se o pipeline de documentos extrai "fornecedor" de um jeito e o ERP cadastra de outro, a mesma pergunta recebe respostas diferentes conforme a fonte consultada.
A IA com visão parcial
Um exemplo: um gestor pergunta ao assistente interno se determinado fornecedor está cumprindo o contrato. A cláusula de prazo está em um PDF. Os pagamentos e as entregas estão no ERP. Com acesso a só um dos lados, a resposta sai incompleta, mesmo que pareça convincente.
Em Orlando, segundo a cobertura do InfotechLead, Showell alertou que as empresas que não conseguem abastecer a IA com dados estruturados e não estruturados correm o risco de ficar para trás na execução de suas estratégias.
A mesma preocupação apareceu em uma reportagem da Gazeta da Semana de outubro de 2026 sobre IA em bancos e telecomunicações. A executiva Érica Berbel defende que a inteligência de conteúdo aproxime dados estruturados, documentos e processos. Ela também alerta que ferramentas contratadas para problemas isolados tendem a duplicar informações.
O que muda no desenho do pipeline
Tratar os dois tipos de dado como um só pipeline não significa colocar tudo na mesma ferramenta. Significa compartilhar as decisões que importam.
- Chaves comuns. A entidade extraída de um documento deve apontar para o mesmo identificador usado no dado estruturado, como o código do cliente ou o CNPJ do fornecedor.
- Um único catálogo. Embeddings e trechos de documento precisam carregar origem, versão e permissão de acesso, registrados no mesmo catálogo das tabelas.
- A mesma orquestração. Quando a fonte muda, o reprocessamento do documento e o da tabela devem seguir o mesmo agendamento e o mesmo monitoramento.
- A mesma camada semântica. Os termos de negócio valem para os dois lados, para que "receita" ou "contrato ativo" signifiquem a mesma coisa em qualquer consulta.
Uma camada lógica de acesso pode ajudar a expor fontes heterogêneas sob as mesmas regras, sem replicar tudo. Mas a decisão de arquitetura vem depois da decisão de governança.
Vale um cuidado. Ainda em Orlando, segundo o InfotechLead, o Gartner apontou que construir soluções próprias de metadados para dados não estruturados pode sair caro. Antes de desenvolver internamente, compensa verificar o que as plataformas já em uso oferecem.
Por onde começar
O caminho mais seguro é escolher um caso de uso que atravesse os dois mundos, como contratos de fornecedores cruzados com contas a pagar. O primeiro passo é listar os documentos envolvidos, definir quais entidades extrair e a qual chave do ERP cada uma se liga.
Em seguida, esses documentos entram no mesmo catálogo e sob a mesma política de acesso das tabelas relacionadas. Se o primeiro caso funcionar, o modelo se repete nos próximos sem abrir uma nova frente.
Para saber se a base atual sustenta esse passo, um diagnóstico de prontidão para IA ajuda a mapear fontes, qualidade e lacunas de governança antes de qualquer investimento. A Financeit faz esse diagnóstico e apoia a estruturação dos dados a partir do que a empresa já tem.
Fontes
- Gartner Data & Analytics Summit 2026 Orlando: Day 2 Highlights
- Gartner Data & Analytics Summit 2026 Mumbai: Day 2 Highlights
- Gartner Data & Analytics Summit 2026 India: Day 2 Highlights (CIO&Leader)
- Gartner Data & Analytics Summit 2026 Day 2: Unstructured Data, Future AI Trends and Agentic Analytics Take Center Stage (InfotechLead)
- IA avança sobre dados não estruturados em bancos e telecom (Gazeta da Semana)
