Uma pesquisa da Biscom mediu que 87% dos profissionais que deixaram uma empresa levaram consigo material que eles próprios produziram, e 88% desses levaram documentos de estratégia e apresentações. Não por má-fé: 77% acreditavam que aquele material seria útil na posição seguinte, e nenhum dos respondentes declarou intenção de prejudicar a empresa anterior. O conhecimento saiu porque nunca esteve registrado de um jeito que permitisse ficar.
Eu vivi o outro lado dessa estatística numa sala de reunião. Éramos líderes, diretores e alguns convidados, todos ali para receber o briefing de uma nova campanha de beleza. As perguntas vieram rápido: por que a estratégia anterior focou só em influenciadores, quais foram os resultados, por que o cliente achou que tinha sido um fiasco.
Ninguém sabia. A conta tinha trocado de mãos, os arquivos estavam espalhados pela rede, as pesquisas não eram acessíveis e os relatórios traziam dados conflitantes. O silêncio durou mais do que devia. No fim, tivemos que admitir ao cliente que não havia histórico aproveitável, e fomos para a etapa seguinte a partir do zero.
Aquela reunião me incomodou por muito tempo, e não pelo constrangimento. Pela pergunta que ficou: isso é falha humana ou falha sistêmica?
Neste artigo:
- por que o conhecimento corporativo desaparece mesmo em empresas organizadas
- o que é dark data e qual o tamanho real do problema
- como o RAG transforma arquivo parado em memória consultável
- os três tipos de arquivo que valem registrar, e por que todo o resto é ruído
Por que o conhecimento das empresas desaparece?
O conhecimento das empresas desaparece porque ele fica armazenado nas pessoas, não nos sistemas. Estratégias que funcionaram, pesquisas que custaram caro, relatórios que levaram semanas para ser produzidos: tudo isso existe como memória de quem participou. Quando a pessoa sai, a memória sai com ela.
O que sobra nas redes corporativas costuma ser o oposto de memória: acúmulo de arquivos desorganizados, versões antigas sem indicação de qual é a final, apresentações sem contexto de quem pediu e por quê.
Dados validados pela IBM e pela IDC indicam que cerca de 80% dos dados corporativos são não estruturados e permanecem intocados. O Gartner tem nome para esse volume: dark data, definido como os ativos de informação que a empresa coleta e armazena na rotina operacional, mas falha em usar para análise, relacionamento ou geração de receita.
Vale reter a implicação prática dessa definição. Dark data não é dado perdido: é dado que a empresa pagou para produzir, paga para armazenar e não consegue consultar. O custo já foi incorrido. O que falta é acesso.
O que é RAG e como ele cria memória institucional?
RAG, sigla para Retrieval-Augmented Generation, é a técnica que permite a uma IA consultar os arquivos da própria empresa antes de responder a qualquer pergunta. Não a base pública do ChatGPT ou do Gemini: os seus arquivos, dentro da sua infraestrutura.
O funcionamento em três passos: os documentos da empresa são fatiados e indexados por significado, a pergunta feita pelo usuário recupera os trechos mais próximos daquele significado, e o modelo escreve a resposta com base nesses trechos recuperados. A diferença em relação a uma busca comum é que a recuperação acontece por proximidade de sentido, não por coincidência de palavra, e a resposta chega redigida em vez de virar uma lista de arquivos para abrir.
Três mudanças concretas justificam o esforço:
Os dados ficam onde devem ficar. Em implementação corporativa via API ou plano empresarial, o conteúdo consultado não alimenta o treinamento de modelos públicos.
A inteligência acumulada fica disponível para qualquer colaborador. O efeito prático é ter um analista que leu tudo que a empresa já produziu e consegue responder perguntas com base nisso, inclusive para quem entrou na semana passada.
A organização é forçada a decidir o que vale guardar. Esse é o ganho que ninguém antecipa e que costuma ser o maior: escolher o que entra na base obriga a empresa a definir o que considera conhecimento.
Os três tipos de arquivo que sustentam uma memória estratégica
A curadoria que adotamos na Shaper admite três tipos de arquivo, e o critério é simples: só entra o que registra decisão ou evidência. Todo o resto é ruído, e ruído alimentado em sistema de IA produz resposta ruim com aparência de resposta boa.
| Tipo | O que entra | Por que importa |
|---|---|---|
| Briefings e transcrições de reuniões estratégicas | O pedido original do cliente e a discussão que levou à decisão | Registra a intenção, que é o que se perde primeiro quando as pessoas saem |
| Apresentações em versão final | O documento aprovado, não as sete versões intermediárias | Registra o que de fato foi entregue e defendido |
| Dados estratégicos | Pesquisas, brand lift, brand tracking | Registra a evidência que sustentou ou contradisse a decisão |
Não falo de RAG como quem leu sobre o assunto. A Shaper usa esse modelo internamente, como parte do processo de consultoria, e o maior desafio não foi tecnológico. Foi convencer a equipe a registrar disciplinadamente esses três tipos e mais nada.
A resistência tem lógica. Registrar arquivo é trabalho que não gera resultado visível no dia em que é feito, e o retorno aparece meses depois, para outra pessoa. É exatamente o tipo de tarefa que operação sob pressão elimina primeiro.
Depois da curadoria, o ganho foi direto: em vez de presumir se uma estratégia funciona para determinado segmento, passamos a verificar se já enfrentamos algo parecido, qual foi o resultado e o que mudamos no caminho. Para uma consultoria, ter base para balizar decisão em vez de operar só por intuição muda a qualidade da recomendação, e muda também a velocidade: o tempo que antes ia para reconstruir contexto passa a ir para a análise.
Aquela reunião de briefing que abre este artigo teria sido diferente com isso. Não necessariamente mais fácil. Mas diferente.
Por que memória institucional é pré-requisito para IA, não consequência
Memória institucional é pré-requisito porque IA aplicada sobre informação desorganizada devolve resposta desorganizada com aparência confiável. Um estudo do MIT divulgado em agosto de 2025 mediu que 95% dos pilotos corporativos de IA generativa não produziram retorno mensurável, apontando processos e hábitos de trabalho como causa central, e não a tecnologia.
O padrão que eu observo é consistente com esse achado. A empresa contrata a ferramenta antes de decidir o que considera conhecimento, aponta a ferramenta para uma rede cheia de dark data e conclui que IA não funciona no contexto dela. O que não funcionou foi apontar um sistema de recuperação para um acervo que ninguém curou.
A ordem correta tem três passos e o primeiro não envolve tecnologia: definir o que vale guardar, registrar com disciplina, e só então implementar a recuperação. Quem inverte a ordem compra ferramenta para resolver problema de processo. Escrevi sobre por que esse padrão se repete no artigo sobre como a inteligência artificial funciona.
Perguntas frequentes
O que é RAG em inteligência artificial?
RAG (Retrieval-Augmented Generation) é a técnica em que a IA recupera trechos de documentos de uma base própria e escreve a resposta com base neles, em vez de responder apenas a partir do que aprendeu no treinamento. Na prática empresarial, isso permite consultar arquivos internos por significado e receber resposta redigida, mantendo os dados na infraestrutura da própria empresa.
O que é dark data?
Dark data é o conjunto de ativos de informação que uma organização coleta e armazena durante a atividade operacional, mas falha em usar para análise, relacionamento comercial ou geração de receita. A definição é do Gartner. Dados validados pela IBM e pela IDC indicam que cerca de 80% dos dados corporativos são não estruturados e permanecem intocados.
Como evitar que a empresa perca conhecimento quando um funcionário sai?
A perda de conhecimento na saída de pessoas se reduz registrando decisão e evidência, não arquivo em volume. A curadoria que adotamos admite três tipos: briefings e transcrições de reuniões estratégicas, apresentações em versão final e dados estratégicos como pesquisa, brand lift e brand tracking. A pesquisa da Biscom mediu que 87% dos profissionais que saem levam material que produziram, e 88% deles levam documentos de estratégia e apresentações.
Usar IA com arquivos da empresa é seguro?
A segurança depende de qual porta é usada. Em interfaces gratuitas de uso pessoal, o conteúdo submetido pode ser aproveitado para treinar versões futuras do modelo. Em planos empresariais e via API com treinamento desativado, os dados não alimentam modelos públicos. A decisão de arquitetura precede a decisão de ferramenta, e é ela que determina se documentos estratégicos podem ou não entrar no fluxo.
Vale a pena implementar RAG em uma empresa pequena?
O que determina a viabilidade não é o tamanho da empresa, é a existência de acervo que valha consultar. Uma consultoria com cinco pessoas e quatro anos de projetos documentados tem mais a ganhar do que uma operação de duzentas pessoas sem nenhum registro de decisão. O passo inicial é o mesmo nos dois casos: definir os tipos de arquivo que entram na base.
Por que projetos de IA falham nas empresas?
Um estudo do MIT divulgado em agosto de 2025 mediu que 95% dos pilotos corporativos de IA generativa não geraram retorno mensurável, atribuindo o resultado a processos e hábitos de trabalho em vez de à tecnologia. O padrão mais comum é implementar a ferramenta antes de definir o que a empresa considera conhecimento, o que faz a IA recuperar ruído com aparência de resposta.
Conclusão
Toda empresa acumula conhecimento e quase nenhuma o retém, porque retenção exige decidir o que vale guardar, e essa decisão é estratégica antes de ser técnica. RAG resolve a parte do problema que é de acesso, e resolve bem. A parte que continua sendo humana é definir o que entra na base, e é justamente ela que determina se a resposta que a máquina devolve vai ser útil ou apenas rápida.
Nos próximos artigos vou trazer casos mais detalhados de como agências e departamentos de marketing estão aplicando isso, incluindo os erros que cometemos no caminho.