Resposta rápida: Cinco tipos de parceiro arrumam o dado antes de um projeto de IA: a consultoria de dados e analytics, que desenha a arquitetura e a governança; a boutique de engenharia, que constrói o pipeline; o fornecedor de produto de integração e qualidade, que vende ferramenta com implantação; o BPO de cadastro e back-office, que trata registro na mão em escala; e o time interno com apoio pontual. A escolha errada aqui consome o orçamento inteiro antes da IA entrar em campo, e o critério que separa os cinco é o tipo de sujeira que a sua base tem, e não o tamanho da empresa que você contrata.
Existe um momento previsível em todo projeto de IA, e ele acontece por volta da terceira semana. O time abre a base para valer, olha o que tem ali, e a conversa muda de tom. Cadastro duplicado, campo livre preenchido de dez jeitos diferentes, dois sistemas que discordam sobre o mesmo cliente, regra de negócio que mudou em 2023 e nunca foi migrada. A pergunta que vem em seguida é sempre a mesma: quem conserta isso.
Vale declarar o meu lugar nessa conversa antes de seguir. A Groovia orquestra implantação de IA e não faz arrumação de dado, então eu não sou nenhum dos cinco tipos abaixo e não tenho o que vender aqui. Escrevo isto porque a escolha errada nessa etapa atrasa projetos que eu conduzo, e porque a pergunta chega quase toda semana.
O erro mais caro não é escolher o tipo errado. É achar que a escolha é uma só, quando quase sempre a base tem duas sujeiras diferentes que pedem parceiros diferentes.
O critério: o tipo de sujeira, e não o tamanho do fornecedor
Antes de olhar proposta, classifique o problema. Existem quatro sujeiras comuns e elas exigem trabalhos completamente distintos.
A primeira é sujeira de registro: duplicado, incompleto, escrito de vários jeitos. É problema de conteúdo, resolve-se linha a linha, e escala com gente ou com regra automatizada.
A segunda é sujeira de encanamento: o dado existe e está certo, e não chega onde precisa. Dois sistemas que não conversam, exportação manual, planilha que virou banco por acidente. É problema de engenharia.
A terceira é sujeira de definição: ninguém concorda sobre o que é um cliente ativo, e cada área calcula diferente. É problema de governança, e nenhuma ferramenta resolve, porque a divergência é organizacional.
A quarta é sujeira de histórico: a regra mudou e o passado nunca foi migrado, então a base tem duas verdades sobrepostas. É a mais difícil de enxergar e a que mais estraga saída de modelo.
Classificar a sujeira antes de chamar fornecedor muda a proposta que chega. Empresa que pede orçamento dizendo apenas que precisa arrumar o dado recebe cinco propostas incomparáveis, todas caras. Vale ler arrumar dados antes da IA, a ordem que funciona.
Tipo 1: consultoria de dados e analytics
O que entrega: diagnóstico da base, desenho da arquitetura de informação, definição de governança, dicionário de dados e o modelo de indicadores. Sai em documento e em desenho, com um plano de execução em fases.
Quando ganha: quando a sujeira é de definição. Se três áreas calculam receita de jeitos diferentes e cada uma acha que está certa, o trabalho é de arbitragem e de método, e esse tipo faz isso bem. Ganha também quando a empresa precisa de um mapa antes de investir, porque construir sem mapa em base grande sai mais caro.
Onde quebra: a entrega termina no documento. O plano fica bom, a operação segue igual, e a empresa precisa contratar outro fornecedor para executar. Quando o problema real era encanamento, você pagou preço de estratégia para receber a confirmação do que o time já suspeitava.
Como reconhecer na reunião: a conversa gravita para maturidade, governança e modelo de dados, e desce pouco para o campo específico que está sujo. Quando você pergunta quem vai limpar a tabela de clientes, a resposta vem em forma de recomendação de processo.
Quanto custa o erro de encaixe aqui: você aprova preço de diagnóstico para receber um mapa correto de um problema que a sua equipe já descrevia em reunião, e ainda precisa contratar quem executa. O documento costuma estar certo, e mesmo assim a base continua igual no trimestre seguinte, porque nenhuma linha foi tocada. Em empresa que já sabe onde dói, esse tipo entrega mais quando é chamado depois da execução começar, para arbitrar as divergências que a execução revela.
Tipo 2: boutique de engenharia de dados
O que entrega: pipeline rodando. Integração entre sistemas, rotina de carga, camada de tratamento, deduplicação automatizada e monitoramento de qualidade. Sai em código, com o dado chegando limpo do outro lado.
Quando ganha: quando a sujeira é de encanamento e o destino já está definido. Você sabe quais sistemas precisam conversar e o que precisa chegar no fim, e precisa de gente boa construindo rápido. Nesse recorte é o melhor custo por resultado do mercado.
Onde quebra: assume que a definição já foi feita. Se ninguém decidiu o que conta como cliente ativo, o pipeline vai transportar a divergência com eficiência, e agora ela chega mais rápido em mais lugares. Também é o tipo que menos gosta de tratar registro na mão, e vai propor automatizar o que às vezes sai mais barato no braço.
Como reconhecer na reunião: pergunta cedo sobre stack, volume, frequência de carga e acesso aos sistemas, e pergunta pouco sobre quem decide o quê. É coerente com o que vende. Vale ler como integrar IA aos sistemas da empresa.
Quanto custa o erro de encaixe aqui: sobra um pipeline tecnicamente impecável carregando dado que ninguém validou, e a empresa passa a confiar mais no número justamente porque ele agora chega automatizado. O erro que antes era visível na planilha de alguém vira invisível dentro de uma rotina, e a descoberta acontece meses depois, quando um relatório de diretoria não bate com o que a área vê na tela.
Leia também
Tipo 3: fornecedor de produto de integração e qualidade
O que entrega: uma ferramenta, com implantação e treinamento. Conectores prontos para sistemas conhecidos, regras de qualidade configuráveis, painel de monitoramento e alerta quando a carga falha.
Quando ganha: quando os sistemas envolvidos são de mercado e já têm conector pronto. Aí a implantação é de semanas em vez de meses, e a empresa fica com uma capacidade que continua servindo depois, sem depender de quem construiu.
Onde quebra: sistema legado sem interface documentada, que é justamente o que costuma estar no meio do problema. O conector pronto não existe, o produto vira plataforma cara para hospedar um desenvolvimento sob medida, e você paga licença recorrente por algo que poderia ter sido um script. Some a isso mais um contrato anual na conta de IA.
Como reconhecer na reunião: a demonstração vem antes do diagnóstico. É legítimo, e a pergunta que você precisa fazer é qual dos seus sistemas específicos tem conector nativo hoje, com nome e versão.
Quanto custa o erro de encaixe aqui: a empresa entra numa licença anual para resolver duas integrações que um script resolveria, e passa a ter mais uma plataforma para manter, atualizar e explicar ao auditor. Vale fazer a conta de três anos, somando licença, implantação e o custo de sair, e comparar com o desenvolvimento sob medida. Em cenário de dois ou três sistemas, o produto raramente vence; em cenário de dez, ele quase sempre vence.
Tipo 4: BPO de cadastro e back-office
O que entrega: gente tratando registro em escala, com procedimento e meta de qualidade. Deduplicação assistida, padronização de campo livre, enriquecimento com fonte externa, higienização de base histórica.
Quando ganha: quando a sujeira é de registro e o volume é grande demais para o time interno absorver. É o tipo mais subestimado da lista, porque parece pouco sofisticado e resolve rápido o problema que trava o projeto. Em base de cadastro bagunçada, costuma entregar mais valor por real que qualquer um dos outros quatro.
Onde quebra: trata o sintoma. Se a origem continua permitindo cadastro duplicado, em seis meses a base suja de novo, e você contratou uma limpeza recorrente em vez de uma correção. Também exige que alguém da casa defina o que é certo, porque o BPO executa regra e não arbitra divergência.
Como reconhecer na reunião: fala de volume, prazo, produtividade por analista e nível de serviço. Pergunte o que ele propõe fazer para a base não sujar de novo, e escute se a resposta envolve mexer na origem ou apenas repetir o ciclo.
Quanto custa o erro de encaixe aqui: quando a sujeira era de definição e não de registro, o BPO executa com disciplina uma regra errada, em escala, e devolve uma base uniformemente incorreta. Isso é pior que a bagunça original, porque a uniformidade dá aparência de confiabilidade. A proteção é simples e costuma ser pulada: validar a regra em uma amostra pequena com quem entende do negócio antes de soltar o volume.
Tipo 5: time interno com apoio pontual
O que entrega: a própria empresa faz, com um especialista externo por horas, ajudando a definir método e destravando o que emperra. Sai mais lento e sai com conhecimento ficando em casa.
Quando ganha: quando existe alguém interno que conhece a base a fundo e tem tempo alocado de verdade. Ninguém entende a sujeira histórica melhor que quem conviveu com ela, e boa parte da arrumação é decisão de negócio disfarçada de tarefa técnica.
Onde quebra: quando o tempo alocado é ficção. A pessoa certa é sempre a mais ocupada, e o projeto anda em janelas de duas horas por semana até morrer sem cerimônia. Quebra também quando a base é grande, porque volume pede braço que o time não tem.
Como reconhecer que é este o caminho: quando você consegue nomear a pessoa, o percentual da agenda dela que vai para isso, e quem assume o trabalho que ela deixa de fazer. Sem essas três respostas, é o tipo mais barato na proposta e o mais caro no calendário.
Quanto custa o erro de encaixe aqui: o projeto de IA fica pendurado num trabalho que nunca é prioridade de ninguém, e o atraso não aparece em lugar nenhum porque não existe fatura correndo. Seis meses depois a liderança conclui que IA não anda naquela empresa, quando o que não andou foi uma tarefa interna sem dono e sem prazo. Quando escolher este caminho, coloque data e revisão quinzenal, do mesmo jeito que faria com fornecedor externo.
Leia também
Como os cinco convivem no mesmo projeto
A base típica tem mais de uma sujeira ao mesmo tempo, e é por isso que a pergunta de qual tipo contratar costuma ter resposta dupla. O arranjo que eu mais vejo funcionar combina dois: alguém de dentro decidindo o que é o registro certo, porque isso é decisão de negócio, e um executor externo tratando volume ou construindo encanamento.
O que não funciona é contratar os dois sem dizer quem arbitra. Quando a boutique de engenharia e o BPO trabalham em paralelo sem uma definição comum, cada um resolve com o critério dele e a base fica pior do que estava, com duas lógicas convivendo.
A ordem também importa mais do que parece. Definição vem antes de execução, sempre, mesmo que a definição custe duas semanas de reunião chata. Executar antes de definir é o caminho mais rápido para pagar duas vezes pelo mesmo trabalho.
Existe um papel interno que precisa existir nesse arranjo e quase nunca é nomeado: alguém da casa com autoridade para dizer qual registro vale quando dois divergem. Não precisa ser sênior nem dedicado em tempo integral, precisa ter mandato e estar disponível dentro de vinte e quatro horas, porque a execução para toda vez que aparece uma divergência sem dono. Projeto de dados que trava raramente trava por dificuldade técnica; trava numa fila de decisões pequenas esperando alguém que nunca foi designado.
A segunda coisa que sustenta o arranjo é um critério de pronto acordado antes de começar. Base limpa é um conceito elástico, e sem um número acordado o trabalho não termina nunca: fica sempre faltando um pedaço. Combinar que pronto significa uma proporção definida dos registros do processo escolhido utilizáveis como estão transforma uma frente infinita numa entrega com data.
O mapa em uma tabela
| tipo | resolve qual sujeira | entrega | onde quebra |
|---|---|---|---|
| Consultoria de dados | definição e governança | documento e plano | termina antes da execução |
| Boutique de engenharia | encanamento | pipeline rodando | transporta divergência não resolvida |
| Produto de integração | encanamento com sistema de mercado | ferramenta com licença | legado sem conector pronto |
| BPO de cadastro | registro em volume | base higienizada | suja de novo se a origem não mudar |
| Time interno com apoio | histórico e definição | conhecimento que fica | tempo alocado que não existe |
As quatro perguntas que revelam o tipo na primeira reunião
Os cinco vão dizer que resolvem o seu problema de dado, porque todos resolvem uma parte dele. Estas quatro perguntas separam o que cada um faz de fato, e funcionam melhor que qualquer descrição de escopo em proposta.
Pergunta 1: ao fim do trabalho, o que fica rodando sozinho?
Se a resposta for um documento, você tem o tipo 1. Se for uma rotina automatizada, tipo 2 ou 3. Se for uma base limpa hoje, tipo 4. As três respostas são legítimas e resolvem problemas diferentes, e a que acende alerta é a genérica sobre transformação da cultura de dados.
Leia também
Pergunta 2: quem decide o que é o registro certo?
Arrumação de dado é cheia de decisão de negócio. Quando dois cadastros divergem, alguém precisa dizer qual vale. Fornecedor que não pergunta isso vai devolver a decisão para você no meio do projeto, quase sempre no pior momento, ou pior, vai decidir sozinho por um critério que ninguém validou.
Pergunta 3: o que impede a base de sujar de novo?
A resposta separa quem trata sintoma de quem trata causa. Se a origem continua aceitando duplicado, qualquer limpeza é temporária. Boa resposta envolve validação na entrada, dono do cadastro e uma rotina de conferência, e nada disso é caro comparado a refazer a limpeza todo ano.
Pergunta 4: quanto disso a IA já consegue fazer?
Deduplicação assistida, padronização de campo livre e sugestão de preenchimento com revisão humana são casos de uso legítimos e maduros. Fornecedor que ignora isso e cota tudo no método antigo está cotando mais horas do que o trabalho exige hoje. Vale ler quanto vale o dado da sua empresa com IA.
Leia também
Os três erros de escolha que eu mais vejo
O primeiro é contratar engenharia quando o problema é de definição. Nasce um pipeline impecável carregando um conceito que três áreas calculam diferente, e a divergência agora chega mais rápido em mais relatórios.
O segundo é achar que o BPO é solução inferior. Em base de cadastro bagunçada, ele destrava o projeto em semanas por um custo que nenhuma automação alcança no mesmo prazo. Preconceito com trabalho manual custa trimestres.
O terceiro é contratar arrumação de tudo. A base inteira nunca precisa estar limpa, e o escopo certo é o dado que o processo escolhido consome. Limpar tudo é o jeito mais confiável de gastar o orçamento antes da IA entrar. Vale ler por que projetos de IA travam no piloto.
Quando nenhum destes cinco parceiros é o que falta
Existe um caso frequente em que contratar qualquer um dos cinco é desperdício: quando a base está suficientemente boa para o primeiro processo e ninguém verificou. O medo do dado sujo trava mais projeto do que o dado sujo em si. Antes de contratar, pegue duzentos registros do processo específico que vai entrar e conte quantos servem como estão. Em vários casos a resposta é confortável, e o trabalho de arrumação some do caminho crítico.
O segundo caso é quando o problema é de acesso, e não de qualidade. O dado está limpo, e a pessoa que precisa dele não consegue chegar até ele por permissão, por sistema fechado ou por fila de solicitação. Nenhum dos cinco tipos resolve isso, porque a barreira é de política interna.
E existe o caso em que a arrumação é legítima e não deveria vir antes. Quando o processo escolhido usa texto de trabalho e não base estruturada, o projeto de IA anda sem depender de nada disso. Colocar arrumação de dado como pré-requisito universal é uma crença cara.
A régua que eu deixo com o líder
Antes de pedir a primeira proposta, classifique a sujeira em uma página: registro, encanamento, definição ou histórico, com um exemplo concreto de cada uma que existir na sua base. Essa página muda completamente a qualidade do que chega de volta, e permite comparar propostas que hoje são incomparáveis. Leve junto uma amostra real de cinquenta registros com os problemas visíveis, porque fornecedor sério muda a proposta depois de olhar dado de verdade, e o que não muda a proposta depois da amostra provavelmente não olhou.
Depois pergunte a si mesmo qual delas realmente bloqueia o processo que você escolheu para começar. Quase sempre é uma só, e quase sempre é menor do que o pacote que o fornecedor propõe, porque a proposta é dimensionada para a base inteira e o seu projeto precisa de um pedaço dela. Contratar o recorte estreito primeiro, com prazo curto, deixa a porta aberta para o resto e evita o cenário mais comum de todos, que é o orçamento de IA terminar em um projeto de dados que nunca chega ao fim.
E guarde uma pergunta para o meio do caminho, porque ela economiza dinheiro em quase todo projeto: o que já dá para fazer com a base como ela está hoje? Costuma existir um recorte pequeno e limpo o suficiente para provar valor em semanas, enquanto a arrumação maior segue em paralelo. Rodar as duas frentes ao mesmo tempo, em vez de esperar a base ficar pronta, é o que mantém o patrocínio vivo. Projeto de dados sem entrega visível perde orçamento no segundo trimestre, e perde antes de chegar na parte que justificava tudo.