IA na Análise de Dados: de Apertador de Botão a Supervisor

Com uma certa frequência chega a mesma pergunta, quase sempre de quem está pensando em entrar na área: vale a pena estudar para ser analista de dados se a IA vai assumir tudo daqui a pouco?

Eu entendo o medo. Toda semana sai uma notícia nova, uma IA nova, e junto vem aquela fumaça de que agora ela faz tudo sozinha. Mas deixa eu te contar o que realmente muda, porque não é o que o hype vende.

Pensa no piloto de avião. Em um voo de 12 horas, ele não fica 12 horas com a mão no manche. O autopilot cuida do trajeto que já é padrão, e ainda bem, porque manter atenção máxima por 12 horas seguidas nenhum ser humano aguenta. O piloto está ali para o que foge do script: a emergência, a exceção, o avião que precisa pousar no rio Hudson. Nenhum autopilot foi treinado para isso. Um humano foi, e conseguiu.

Aconteceu com o caixa de banco, que virou relacionamento e vendas. Com o caixa de supermercado, que já não digita o preço de cada produto. Com o contador, que largou a conciliação braçal e virou consultor de planejamento tributário. Em todos, a automação não acabou com a profissão. Ela empurrou o profissional do operacional para o estratégico.

É exatamente isso que acontece com o analista de dados. O papel deixa de ser apertar botão e passa a ser pensar. Na live 153, um aluno resumiu no chat: "a gente foi promovido para supervisor de dados". É essa a palavra. Supervisor.

Antes de confiar, entenda o que é essa "IA"

Um acerto de contas rápido. Quando todo mundo fala "IA" hoje, quase sempre está falando de uma coisa específica: os grandes modelos de linguagem, os LLMs. Inteligência artificial é um guarda-chuva enorme. O LLM é uma fatia dele. E essa fatia tem limites que você precisa conhecer antes de entregar o volante para ela.

Ela foi treinada com texto, não com o jeito que a gente estrutura dados em uma planilha. Tem uma janela de contexto, uma espécie de memória de curto prazo. Se você joga a base inteira no começo da conversa, ela enche essa memória e começa a esquecer o resto. E fala com uma convicção impressionante, esteja certa ou errada. No começo dava para ver gente perguntando se dois era par. A IA confirmava. A pessoa dizia "mas minha esposa falou que é ímpar", e ela respondia "desculpe, sua esposa tem razão". Os modelos melhoraram muito desde então. Mas o recado continua de pé: ninguém te entrega um selo de quão confiável ela está naquele momento.

Por isso a regra número um nunca muda. A responsabilidade é de quem pilota, não da ferramenta. Se você não consegue validar o que a IA fez, é perigoso demais usar.

O método: cinco etapas, você dirigindo

A pergunta certa não é "a IA faz meu projeto?". É "onde ela me acelera em cada etapa sem que eu perca o controle?". Aqui na Preditiva a gente ensina o CRISP-DM. Vou passar pelas cinco etapas mostrando onde a IA entra. Guarda uma coisa: a inteligência do projeto não está nela, está em você.

1. Entendimento do negócio. Todo profissional de dados precisa traduzir um problema de negócio em um problema de dados. A IA ajuda nessa tradução, no brainstorm de hipóteses, em trazer o contexto de um setor que você ainda não domina. Em um projeto de turnover, por exemplo, ela pode listar as métricas que costumam importar e você valida com o especialista, o que é muito mais fácil do que arrancar tudo do zero da cabeça dele. Só que "faça uma análise" é vago, e no vago ela decide por você. O pedido eficaz tem cinco peças: papel, objetivo, contexto, formato e restrições. "Você é um analista de dados sênior. Liste 10 indicadores de turnover. Considerando a aba de metadados. Justifique em linguagem simples. Sem jargão técnico." Esse pedido específico muda tudo o que ela devolve. E quando ela citar um número ou um benchmark, peça a fonte. Já teve advogado multado por citar leis que a IA inventou.

2. Entendimento e tratamento dos dados. Análise exploratória, tipos de variável, nulos, outliers, categoria despadronizada. Aquele clássico da coluna sexo com "feminino", "F" e "f" convivendo na mesma base. A IA aponta e corrige, mas com cuidado: nunca sobrescreva a variável original, crie uma nova ajustada. E cuidado redobrado com descarte. Se você tira toda observação com valor nulo e esses nulos estavam concentrados no fim de semana, sua base vira só dias úteis e o resultado sai enviesado. A decisão é sua. Aqui vale a regra de ouro: o dado não sai do ambiente. Em vez de subir a planilha, você manda o esquema (nome e tipo das colunas) e pede o código, em SQL ou Python, para rodar local. Não precisa virar programador. Precisa saber o suficiente para validar o que ela escreveu.

3. Aplicação da técnica. Escolher a técnica certa para o problema é decisão sua, mas você pode pedir para ela avaliar dentro de um escopo que você conhece. Ela aplica a técnica sem que você precise programar, como a gente fez calculando o Information Value direto no Excel na live 153. Ela depura erro, traduz entre linguagens (o Itaú converteu programas em COBOL, que quase ninguém sabia mais mexer, para uma linguagem moderna). E aqui mora o alerta mais importante: se parecer bom demais, desconfie. Em um modelo que eu estava desenvolvendo, o primeiro treino deu 99% de acurácia. Estranho. Quando pedi para ela criar uma função de verificação, ela mesma apontou um vazamento de dados: uma informação do futuro entrando para prever o futuro. Ela achou. Mas não dá para contar que vai sempre achar. O senso crítico é seu.

4. Conclusões, plano de ação e impacto. Aqui a maioria para no plano de ação e esquece a parte que a diretoria quer ouvir: quanto isso vale em reais. Traduza o técnico para a linguagem de negócio, porque falar IV e AUC em uma reunião de executivos não faz seu trabalho parecer melhor, faz a pessoa não entender e não valorizar. Monte cenários, calcule o ganho, priorize por impacto e esforço. E faça o teste de estresse das premissas: se a conversão sobe de 5% para 25% no melhor cenário, o diretor vai perguntar "de 5 para 25 como?". Chegue com a resposta pronta.

5. Apresentação executiva. Os melhores momentos, não as 77 variáveis que você analisou. Estruture a narrativa: situação, problema, solução, impacto, ação. E considere abrir pelo resultado. Em uma apresentação, em vez de contar a história longa até o final, eu comecei pelo impacto e depois expliquei o porquê. O pessoal não esperava, e o feedback dos executivos foi ótimo. A IA ajuda a gerar o primeiro rascunho dos slides, sugerir o gráfico certo, checar se as cores comunicam. Só cuidado com o que você sobe: mesmo sendo um resumo, ali está o ouro do seu trabalho.

As quatro regras que valem para qualquer projeto

Se você guardar só quatro coisas dessa conversa, guarde estas:

1. Os dados nunca saem do ambiente. Peça código ou fórmula, rode local, compartilhe só o resultado.
2. A IA acelera, e o ganho é composto. A primeira planilha ou notebook que você monta vira sua caixa de ferramentas. Da segunda vez em diante, é só trocar os dados.
3. Sempre valide. Peça a fonte, e se estiver bom demais, peça para ela explicar. O julgamento é seu.
4. Documente. Premissas, processo, método. É o que deixa o trabalho replicável e robusto.

No fim, é sobre saber o que pedir

A IA não substitui o analista nem o cientista de dados. Ela multiplica um bom analista. E bom analista é quem junta os três pilares que a gente repete aqui há anos: técnica, ferramenta e negócio.

Meu filho tem marcenaria na escola, uma coisa que eu nunca tive a chance de aprender. Se você me der um martelo e uma serra, eu não construo um armário decente. Não é culpa do martelo. É que tem técnica: como cortar a madeira, em que sentido, como encaixar. Com dados é a mesma coisa. A ferramenta vai ficar cada vez mais fácil de usar. O que não fica fácil é saber o que pedir para ela.

Você não precisa mais decorar que o PROCV pede primeiro o valor procurado. Ela já sabe. O que ela não sabe é o seu negócio, a pergunta que importa, a técnica certa para o seu contexto e qual plano de ação vale a pena. É exatamente aí que você vale.

A IA já sabe apertar todos os botões. O trabalho, agora, é saber qual pedir. E isso nenhum modelo aprende no seu lugar.