Grandes projetos geram dados em praticamente todas as etapas: desde a concepção, passando pela decisão de investimentos, engenharia, planejamento, suprimentos, contratos, construção, comissionamento, operação e manutenção. O desafio não está apenas na quantidade de informação disponível, mas em garantir que diferentes áreas consigam confiar, interpretar e tomar decisões a partir de bases confiáveis. 

É nesse contexto que a governança de dados deixa de ser uma discussão restrita à tecnologia e passa a fazer parte da própria governança do projeto. Dados confiáveis conectam decisões, ampliam a rastreabilidade e criam uma base mais consistente para avançar em analytics, automação e, mais recentemente, em inteligência artificial. 

O que é governança de dados e por que ela importa para grandes projetos? 

Governança de dados, ou Data Governance, é o conjunto de políticas, responsabilidades e padrões utilizados para administrar os dados de forma consistente dentro de uma organização. O DAMA-DMBOK, uma das principais referências da área, posiciona a governança justamente como a disciplina que estabelece políticas, papéis e padrões para tratar os dados como ativos do negócio. 

Em termos simples, governar dados significa conseguir responder a algumas perguntas fundamentais: 

• Quem responde por esta informação? 

• Qual é sua fonte oficial? 

• O que exatamente este indicador significa? 

• Quem pode alterar ou aprovar o dado? 

• Quando ele foi atualizado? 

• É possível rastrear sua origem? 

Em projetos de capital, essas perguntas têm consequências bastante concretas. 

Um percentual de avanço físico, por exemplo, pode alimentar simultaneamente o planejamento, uma medição contratual, uma projeção de custos e decisões executivas. Se áreas diferentes calcularem esse indicador utilizando critérios distintos, o problema deixa de ser apenas tecnológico: o projeto passa a tomar decisões a partir de diferentes versões da realidade. 

Até onde a “planilha paralela” funciona? 

Imagine uma obra de pequeno porte –  O responsável consegue acompanhar suas frentes conversando diretamente com a equipe, anotando pendências e atualizando uma planilha. A proximidade entre as pessoas compensa parte da informalidade do processo. 

Agora multiplique esse cenário por diferentes empresas de engenharia, construtoras, fornecedores, contratos, disciplinas, sistemas e milhares de documentos em um empreendimento de capital de grande porte. 

A lógica deixa de escalar. 

E a “planilha paralela” não está necessariamente apenas no canteiro. Ela pode aparecer na engenharia, no planejamento, no PMO, em contratos, suprimentos ou nas áreas administrativas. Cada controle local pode resolver uma necessidade imediata. Quando não existe uma governança comum, porém, começam a surgir versões concorrentes da mesma informação. 

O problema, portanto, não é a planilha em si. Ele começa quando ninguém consegue determinar com segurança qual informação deve orientar a decisão final. 

E é nesse momento que a fragmentação dos dados deixa de representar apenas uma ineficiência e passa a afetar a capacidade de gestão do empreendimento. 

O que significa ter qualidade de dados? 

Ter mais dados não significa necessariamente ter melhores informações. 

A qualidade de dados está relacionada à capacidade de utilizar determinada informação de maneira confiável para o objetivo ao qual ela se destina. O DAMA-DMBOK associa Data Quality a características como acurácia, completude, consistência, tempestividade, validade e unicidade. 

Nos grandes projetos, isso pode ser traduzido de maneira simples: 

• Acurácia: o dado representa corretamente aquilo que deveria medir? 

• Completude: estão disponíveis todas as informações necessárias? 

• Consistência: diferentes fontes apresentam informações compatíveis? 

• Tempestividade: o dado chegou a tempo de apoiar a decisão? 

• Unicidade: existe uma referência oficial ou diferentes versões disputando credibilidade? 

Esses critérios também ajudam a mudar a forma como enxergamos dashboards e ferramentas de Business Intelligence. Um painel visualmente sofisticado não corrige uma base inconsistente. 

O dashboard é a última milha do dado. Sua confiabilidade começa muito antes, em quem gera, registra, valida, transforma e integra a informação. 

Governança de dados é responsabilidade somente da TI? 

Não apenas. 

A tecnologia oferece arquitetura, integrações, segurança e ferramentas para que os dados possam circular. Mas o significado da informação nasce no próprio negócio. É nesse contexto que aparece o data steward, pessoa que atua sobre determinado domínio de informação e ajuda a assegurar que definições, padrões e critérios sejam aplicados de maneira consistente. A revisão do DAMA-DMBOK também explicita o conceito de Data Owner como uma pessoa de negócio responsável pelas decisões relacionadas aos dados de seu domínio. 

Em engenharia, planejamento ou suprimentos, por exemplo, quem conhece profundamente o processo precisa participar da definição do que cada informação significa, de onde ela vem e como deve ser interpretada. 

Uma governança de dados madura, portanto, não transfere a responsabilidade da informação para a área de tecnologia. Ela conecta três elementos: conhecimento do negócio + responsabilidade sobre a informação + capacidade tecnológica. 

E como conectar TI e TO nos projetos industriais? 

Em empreendimentos industriais, existem dois ambientes tecnológicos que precisam conversar. A Tecnologia da Informação (TI) está associada aos sistemas corporativos e gerenciais da organização. Já a Tecnologia Operacional (TO ou OT, do inglês Operational Technology) está relacionada às tecnologias ligadas aos ativos e processos físicos. 

Em mineração e indústria, essa conexão é especialmente importante. As informações corporativas e gerenciais precisam dialogar com aquelas geradas no ambiente operacional para que o planejamento e a tomada de decisão reflitam adequadamente o que está acontecendo no empreendimento. 

Mas conectar tecnicamente dois sistemas não resolve todo o problema. Essa integração precisa preservar: contexto + significado + qualidade + responsabilidade + rastreabilidade. Sem isso, é possível integrar plataformas tecnologicamente e continuar sem construir uma visão confiável do projeto. 

Uma “fonte única da verdade” significa colocar tudo em um único sistema? 

Não necessariamente. 

Grandes projetos dificilmente funcionam dentro de uma única solução tecnológica. Podem existir plataformas diferentes para gestão documental, engenharia, planejamento, custos, riscos, contratos ou operação. 

O ponto central não é obrigatoriamente concentrar tudo em uma ferramenta, mas determinar qual fonte possui autoridade sobre cada tipo de informação e como esses dados se relacionam. 

Uma boa arquitetura de informação precisa deixar claro: 

• Qual é o sistema oficial para cada informação; 

• Como os dados transitam entre plataformas; 

• Quais definições e critérios precisam ser padronizados; 

• Quem responde pelas atualizações; 

• Qual a frequência necessária de atualização; 

• Como alterações e aprovações podem ser rastreadas. 

Essa lógica também aparece nas abordagens utilizadas pela Verum Partners, Part of Accenture Construct em grandes projetos, que integram responsabilidades de atualização, sistemas de origem, gestão documental, controles de projeto, camadas analíticas e rastreabilidade das decisões. 

Em outras palavras: uma versão confiável da informação é mais importante do que tentar colocar todas as informações dentro da mesma ferramenta. 

E onde a inteligência artificial entra nessa discussão? 

Antes de perguntar “onde podemos aplicar IA?”, existe uma questão anterior: 

Temos dados suficientemente governados para confiar nas decisões que queremos apoiar com inteligência artificial? 

A pergunta importa porque soluções analíticas e sistemas baseados em IA dependem dos dados e do contexto utilizados em seu desenvolvimento e aplicação. A Microsoft, em seu relatório de transparência de 2026, descreve uma gestão de riscos de IA alinhada ao framework do NIST, com controles específicos para agentes de IA e capacitação de suas equipes em temas como defesa contra prompt injection (MICROSOFT, 2026). Ou seja, mesmo quem desenvolve as ferramentas trata a confiabilidade da IA como uma questão de governança, e não apenas de tecnologia. 

Nos grandes projetos, aplicações analíticas e de IA podem apoiar análises relacionadas a riscos, custos, prazos, produtividade, suprimentos e desempenho. Mas dados incompletos, inconsistentes ou sem contexto podem comprometer a confiabilidade das análises construídas a partir deles. 

Por isso, governança de IA e governança de dados estão diretamente relacionadas. 

Não se trata apenas de incorporar novas tecnologias ao ambiente do projeto, mas de criar condições para que elas sejam utilizadas sobre uma fundação confiável. 

Quando os dados deixam de explicar o passado e passam a apoiar o futuro? 

Em ambientes pouco integrados, uma parcela relevante do esforço das equipes pode ser consumida para localizar informações, reconciliar números e explicar divergências. 

À medida que a governança, a qualidade e a integração dos dados amadurecem, o foco pode avançar para perguntas de maior valor: 

O que aconteceu? Dados consolidados estruturam o reporte. 

Por que aconteceu? Informações relacionadas permitem investigar causas e desvios. 

O que pode acontecer? Dados históricos e informações de contexto criam condições para análises preditivas. 

O que devemos fazer? A informação passa efetivamente a sustentar decisões e priorizações. 

A evolução, portanto, não consiste simplesmente em adicionar inteligência artificial sobre o ambiente existente, mas em construir progressivamente uma capacidade de decisão baseada em informação confiável. 

Como começar sem transformar a governança de dados em outro megaprojeto? 

Tentar governar todos os dados de uma organização ou empreendimento de uma única vez pode transformar a própria iniciativa em uma nova fonte de complexidade. Um caminho mais pragmático começa em priorizar as decisões que mais importam para determinado contexto. Como exemplo: 

1. Quais decisões são críticas? 

Comece identificando decisões que afetam prazo, custo, segurança, produtividade, contratos ou operação. 

2. Quais dados sustentam essas decisões? 

Nem todo dado possui a mesma criticidade. O foco inicial deve estar nas informações que efetivamente influenciam essas decisões. 

3. Quem responde pelos dados? 

Papéis e responsabilidades precisam estar claros entre negócio, projetos e tecnologia. 

4. Onde está a informação oficial? 

É necessário identificar sistemas de registro, integrações e requisitos de rastreabilidade. 

5. Como saber se a qualidade está melhorando? 

Critérios objetivos ajudam a monitorar completude, consistência, atualização e confiabilidade. 

A lógica é: começar pela decisão → identificar o dado necessário → definir responsabilidades → estruturar processos → conectar tecnologia. 

A governança deixa, assim, de ser um exercício abstrato de organização da informação e passa a responder a necessidades concretas do empreendimento. 

Como a Verum Partners, Part of Accenture Construct conecta dados, governança e decisão nos grandes projetos? 

Em projetos de alta complexidade, estruturar a governança de dados exige conectar processos, responsabilidades, fontes de informação, ferramentas e critérios de qualidade à própria governança do empreendimento. 

É nessa interseção entre gestão e tecnologia que a Verum Partners, part of Accenture Construct combina competências aplicadas à gestão de grandes projetos com capacidades de tecnologia e transformação. Em suas abordagens para projetos de capital, planejamento, Project Controls, gestão de interfaces, governança da informação, responsabilidades de atualização e arquitetura tecnológica são tratados de forma integrada para apoiar a rastreabilidade das informações e das decisões. 

O objetivo não é simplesmente produzir mais dashboards ou adicionar plataformas ao ambiente existente, porém criar condições para que a informação evolua de registro operacional para ativo de decisão, sustentando uma gestão mais integrada e uma base consistente para analytics, automação e inteligência artificial. 

Sua organização consegue identificar quais dados sustentam hoje as decisões mais críticas de seus projetos? Se o desafio está em conectar governança, processos, dados e tecnologia em um ambiente cada vez mais complexo, converse com os especialistas da Verum Partners, part of Accenture Construct. 

Dados confiáveis para projetos mais inteligentes 

Para concluir, Governança de dados não é um fim em si mesma, tampouco uma responsabilidade restrita à área de tecnologia. Em projetos de alta complexidade, ela passa a integrar a própria capacidade de gestão: conecta informação, responsabilidades e decisões. 

Quanto maior o número de empresas, disciplinas, contratos, sistemas e interfaces envolvidos, maior a importância de informações confiáveis, contextualizadas e rastreáveis. 

E, à medida que analytics, automação e inteligência artificial ganham espaço no ambiente dos grandes projetos, essa fundação se torna ainda mais relevante 

Antes de construir projetos orientados por IA, precisamos construir projetos capazes de confiar em seus próprios dados. 

Autoras: 

Deliane Duarte – Master Consultant na Verum Partners, part of Accenture Construct  

Thaís Galão – Senior Manager na Verum Partners, part of Accenture Construct 

REFERÊNCIAS: 

DAMA INTERNATIONAL. DAMA-DMBOK: data management body of knowledge. 2. ed. Basking Ridge: Technics Publications, 2017. 

DAMA INTERNATIONAL. DAMA-DMBOK: data management body of knowledge. 2. ed. rev. [S. l.]: Technics Publications, 2024. 

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Artificial Intelligence Risk Management Framework (AI RMF 1.0). Gaithersburg: NIST, 2023. (NIST AI 100-1). DOI: 10.6028/NIST.AI.100-1. 

MICROSOFT. Responsible AI Transparency Report 2026. Redmond: Microsoft, 2026. Disponível em: https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/Responsible-AI-Transparency-Report-2026.pdf. Acesso em: 16 out. 2026.