CIOs japoneses apontam a volta do enfoque centrado em dados para renovação de legados na era da IA generativa

A transformação digital no Japão entrou em uma nova fase ao colocar a inteligência artificial generativa como premissa obrigatória para a renovação de sistemas legados. No IT Innovators Conference, promovido pela Nikkei CrossTech em 8 de setembro de 2026, os principais CIOs (Chief Information Officer) e CDOs (Chief Digital Officer) de empresas emblemáticas – como Toyota, Sony, SoftBank e Rakuten – debateram intensamente a necessidade de adotar um "data‑centric approach". Essa abordagem, que coloca os dados como ativo central na re‑arquitetura dos sistemas, foi apontada como o ponto de virada que permite às organizações tirar proveito da explosão de capacidades de IA generativa, ao mesmo tempo que mitigam riscos associados a infraestruturas legadas.

A discussão começou com a constatação de que, apesar de o Japão ser reconhecido mundialmente por sua excelência em manufatura avançada e automação, muitas corporações ainda operam sobre plataformas de TI desenvolvidas há duas ou três décadas. Esses sistemas legados, frequentemente escritos em linguagens como COBOL ou Java 1.5, são incompatíveis com as demandas de treinamento de modelos de linguagem de grande escala (LLMs) e de inferência em tempo real. "Não podemos simplesmente conectar um modelo GPT‑4 a um mainframe de 1998 e esperar resultados eficientes", alertou o CIO da Toyota, enfatizando que a latência, a governança de dados e a segurança são gargalos críticos.

Para romper esse impasse, os executivos concordaram que a estratégia deve partir da camada de dados. Em vez de migrar aplicações monolíticas de forma incremental – prática que costuma gerar mais dívidas técnicas – a recomendação foi criar um “data lakehouse” unificado, capaz de armazenar dados estruturados, semiestruturados e não estruturados em formatos otimizados para treinamento de IA. Essa arquitetura permite que os algoritmos de geração de texto, imagem ou código acessem conjuntos de dados limpos e versionados, reduzindo o tempo de preparação de dados (data wrangling) de semanas para horas. A implementação de pipelines de ingestão baseados em Apache Kafka e Spark, combinados com políticas de governança definidas por Data Catalogs como o Collibra, foi citada como prática já em produção em empresas como a SoftBank.

O benefício técnico imediato é a possibilidade de aplicar IA generativa em processos internos – desde a criação automática de documentação de APIs até a geração de código boilerplate para novos micro‑serviços. Em um caso apresentado pela Sony, a adoção de um modelo de IA para geração de scripts de teste reduziu o esforço manual em 70%, liberando engenheiros para focar em inovação de produto. Além disso, ao centralizar os dados, as corporações podem adotar estratégias de “feature stores”, onde atributos preparados para modelos são reutilizados em múltiplas aplicações, aumentando a consistência preditiva.

Do ponto de vista econômico, a modernização data‑centric promete retorno de investimento (ROI) robusto. Estudos internos citados no evento estimam que, ao reduzir a dependência de manutenção de código legado, as empresas podem economizar até US$ 150 milhões ao ano em custos operacionais, considerando salários de desenvolvedores, licenças de software e despesas de energia associadas a data centers on‑premise. Ao migrar workloads para plataformas de nuvem híbrida – como a Microsoft Azure Japão ou a Google Cloud Platform – as organizações ainda aproveitam a soberania de dados exigida pelas regulações locais, enquanto beneficiam de escalabilidade elástica para treinamentos de IA.

Entretanto, a transição não é isenta de desafios. Primeiro, a qualidade dos dados legados costuma ser baixa, com registros duplicados, formatos proprietários e lacunas de auditoria. A limpeza e normalização exigem investimento em ferramentas de data profiling e em equipes de data stewards. Segundo, a cultura organizacional ainda resiste à mudança, pois equipes de TI tradicionais podem temer a perda de relevância diante da automação. Os CIOs sublinharam a importância de programas de upskilling, incluindo certificações em MLOps e arquitetura de dados, para garantir que o capital humano acompanhe a transformação tecnológica.

A perspectiva latino‑americana, especialmente a brasileira, surge como ponto de comparação relevante. O Brasil possui um parque tecnológico em rápida expansão, mas ainda lida com um grande volume de sistemas legados, sobretudo em setores como bancos, telecomunicações e governo. A experiência japonesa demonstra que a chave está na criação de camadas de abstração de dados que permitam a integração de IA sem a necessidade de reescrever todo o código existente. Empresas brasileiras podem, portanto, adotar uma abordagem faseada: primeiro consolidar dados críticos em um data lakehouse na nuvem (por exemplo, usando o Azure Synapse ou o AWS Lake Formation), depois habilitar serviços de IA generativa via APIs da OpenAI ou da Anthropic. Essa sequência reduz o risco de interrupções operacionais e cria um caminho de migração mensurável.

Geopoliticamente, o foco em dados também tem implicações de soberania digital. O Japão, ao reforçar políticas de armazenamento local de dados sensíveis, garante que a IA operará dentro dos limites regulatórios do Personal Information Protection Law (PIPL). Da mesma forma, o Brasil, sob a Lei Geral de Proteção de Dados (LGPD), deverá observar requisitos de residência de dados ao contratar serviços de IA estrangeiros. A arquitetura data‑centric, quando combinada com técnicas de anonimização e criptografia homomórfica, pode atender a ambas as demandas, permitindo que modelos generativos sejam treinados com dados reais sem expor informações pessoais.

Do ponto de vista de inovação, a renovação baseada em dados abre portas para novos modelos de negócios. Por exemplo, uma empresa de manufatura pode usar IA generativa para otimizar a configuração de linhas de produção em tempo real, a partir de dados de sensores IoT armazenados no data lake. Uma fintech pode gerar relatórios de crédito personalizados, combinando históricos de transações com análises preditivas, tudo em poucos segundos. Essas oportunidades são reforçadas pela presença de plataformas de IA como serviço (AIaaS) que já oferecem pipelines pré‑configurados para ingestão, treinamento e implantação de modelos.

Em síntese, o consenso dos CIOs japoneses foi claro: a renovação de legados na era da IA generativa não será bem‑sucedida se focada apenas em substituir hardware ou atualizar sistemas de forma superficial. O verdadeiro motor da mudança está no tratamento estratégico dos dados, que deve ser pensado como o recurso mais valioso da empresa. Essa mentalidade data‑centric permite que as organizações criem bases flexíveis, escaláveis e seguras para a próxima geração de aplicações impulsionadas por IA.

Para o Brasil, a lição é dupla. Primeiro, a necessidade de investir em infraestruturas de dados modernas, com ênfase em governança e qualidade. Segundo, a urgência de desenvolver competências internas em MLOps e arquitetura de dados, para que a adoção de IA generativa não se limite a projetos piloto, mas se torne parte integrante da operação cotidiana. Ao seguir o exemplo japonês, as empresas latino‑americanas podem acelerar sua competitividade global, transformar legados em plataformas de inovação e, sobretudo, garantir que a inteligência artificial sirva como catalisador de crescimento sustentável.

O futuro próximo deverá trazer ainda mais integração entre IA generativa e plataformas de dados, com o surgimento de "data‑centric AI fabrics" que automatizam a criação, o treinamento e a governança de modelos dentro de um único ecossistema. Essa evolução promete reduzir ainda mais o tempo de lançamento de novos produtos, consolidar a confiança nos resultados de IA e posicionar as organizações que adotarem essa estratégia na vanguarda da quarta revolução industrial.