Plataforma combina qualidade, linhagem e governança para mostrar a origem dos dados e acompanhar suas transformações antes que sejam utilizados por analytics, modelos e agentes
A expansão da inteligência artificial nas empresas está criando um problema que acontece antes mesmo de um modelo começar a produzir respostas: é possível confiar nos dados utilizados pela IA?
A Qlik vem apostando em tecnologias que tentam tornar essa confiança mensurável. A companhia combina indicadores de qualidade, atualização e utilização dos dados com mecanismos capazes de acompanhar sua origem, as transformações sofridas ao longo do caminho e o contexto de negócio associado a cada informação.
A estratégia contribuiu para que a empresa fosse classificada como Líder no IDC MarketScape: Worldwide Data Intelligence Platform Software 2026 Vendor Assessment, publicado em agosto.
Mais do que a classificação em si, o relatório chama atenção para uma mudança no mercado de dados. Com sistemas de IA capazes de produzir respostas, recomendar ações e até acionar fluxos de trabalho automaticamente, a qualidade da informação utilizada como matéria-prima passa a ter consequências cada vez maiores.
“A IA não torna dados não confiáveis mais confiáveis. Ela torna as consequências mais difíceis de conter”, afirma Matt Hayes, Gerente Geral da Unidade de Negócios de Dados da Qlik. “Antes que um dashboard, modelo ou agente seja considerado confiável, as equipes precisam saber de onde vieram seus dados, como eles mudaram e o quanto são adequados para esse uso. A Qlik torna essas evidências visíveis e mantém sua conexão conforme os dados avançam para workloads de analytics e IA, sem forçar os clientes a adotar um único stack de dados.”
Como medir se um dado pode ser utilizado pela IA?
Uma das respostas da Qlik está no conceito de Trust Score. O Qlik Talend Trust Score e o Qlik Trust Score for AI combinam diferentes indicadores baseados em metadados para tentar determinar se determinada informação está adequada ao uso pretendido.
Entram nessa análise aspectos como qualidade, atualização e utilização. Em vez de tratar confiança como uma classificação genérica, a proposta é transformá-la em uma métrica que possa ser acompanhada ao longo do tempo.
Isso é particularmente importante porque um mesmo conjunto de dados pode ser suficiente para uma aplicação e inadequado para outra. Informações utilizadas em um relatório interno, por exemplo, podem não apresentar qualidade, atualização ou contexto suficientes para alimentar um agente autorizado a executar uma ação em um sistema corporativo.
As ferramentas também permitem que responsáveis pelos dados realizem operações de correção, padronização, combinação e eliminação de duplicidades antes que as informações cheguem a relatórios, aplicações ou sistemas de inteligência artificial.
Linhagem mostra o caminho percorrido pela informação
Outra peça desse quebra-cabeça é a linhagem de dados. Em grandes organizações, uma informação raramente viaja diretamente de um banco de dados para um dashboard ou modelo de IA. No caminho, ela pode passar por diferentes sistemas, consultas, transformações e camadas de negócio.
A Qlik afirma utilizar mais de 275 conectores nativos de metadados para acompanhar linhagem em nível de campo e a lógica dessas transformações em ambientes que incluem bancos de dados, SQL, procedimentos armazenados, dbt, Spark, camadas semânticas e ferramentas de Business Intelligence.
Na prática, a tecnologia procura responder não apenas de onde veio determinado dado, mas também o que aconteceu com ele até chegar à aplicação que o está utilizando.
Esse histórico pode ajudar uma equipe a descobrir, por exemplo, quais dashboards, produtos de dados ou aplicações de IA serão afetados antes de alterar uma fonte ou uma regra de transformação.
Governança começa a chegar aos agentes de IA
A questão fica ainda mais relevante com a chegada dos agentes de inteligência artificial.
Diferentemente de um chatbot utilizado apenas para responder perguntas, agentes podem receber acesso a informações corporativas e ferramentas para realizar determinadas tarefas. Isso aumenta a importância de controlar não somente quais dados estão disponíveis, mas também o significado atribuído a eles.
Produtos de dados da Qlik podem incorporar informações sobre propriedade, qualidade, linhagem e controles de acesso. Definições governadas de indicadores e métricas também podem ser disponibilizadas para usuários e agentes de IA.
A companhia prevê ainda acesso controlado por meio de APIs baseadas em MCP (Model Context Protocol) e OData.
O MCP vem ganhando espaço como uma forma de conectar modelos e agentes de inteligência artificial a fontes externas de dados e ferramentas. Em ambientes corporativos, entretanto, permitir que um agente encontre uma informação é apenas parte da equação. Também é necessário determinar se ele está autorizado a utilizá-la e em qual contexto.
“A inteligência de dados está evoluindo da documentação de dados para ajudar as organizações a decidir o que pode ser usado, por quem e para qual finalidade”, afirma Stewart Bond, Vice-Presidente de Inteligência de Dados e Software de Integração da IDC. “A Qlik conecta qualidade de dados, linhagem, governança e significado de negócio em produtos de dados, analytics e IA. Isso é útil para organizações que precisam de controle consistente em ambientes tecnológicos diversos.”
Sem obrigar todos os dados a morar no mesmo lugar
Outro ponto da estratégia é evitar que governança dependa da migração de todas as informações para uma única plataforma.
A Qlik oferece suporte a ambientes em nuvem, on-premises e híbridos, permitindo que os mecanismos de inteligência e governança de dados acompanhem infraestruturas formadas por diferentes tecnologias.
Os recursos são oferecidos por meio do Qlik Talend Cloud, Talend Data Catalog e Qlik Cloud Analytics.
Essa flexibilidade ganha importância porque grandes empresas normalmente acumulam diferentes gerações de infraestrutura. Bancos de dados locais, data warehouses, plataformas em nuvem, ferramentas de BI e aplicações mais recentes de IA podem coexistir durante anos.
Nesse cenário, o desafio da inteligência artificial corporativa começa a mudar. Ter acesso a mais dados não significa necessariamente ter dados melhores. Conforme dashboards deixam de ser os únicos consumidores dessas informações e agentes passam a utilizá-las para recomendar ou executar ações, conhecer a origem, a qualidade e o contexto de cada dado deixa de ser apenas uma questão de organização.
Passa a ser parte da própria arquitetura de segurança e confiança da IA.
