Como cortar custos excessivos otimizando os gastos com tecnologia

Fornecer a você um mapa em branco e dizer "Fique de olho em ineficiências no seu stack de tecnologia!" não é o suficiente. As ineficiências devem ser identificadas, tratadas e analisadas. E é isso que faremos juntos aqui. 

Há ineficiências na nuvem, onde o excesso de provisionamento, a subutilização e configurações erradas podem sair do controle e comprometer a produtividade. Há ferramentas de dados ineficientes utilizadas ou não em todo o seu ambiente de TI, afetando a taxa de adoção (a fadiga de tecnologia é real). Além disso, há despesas previstas e muitas vezes imprevistas com o uso de dados, que devoram o orçamento.   

Sem uma abordagem proativa, as iniciativas de dados vão sempre enfrentar obstáculos e se tornar infladas, fazendo com que elas sejam alvos perfeitos para cortes e cancelamentos. Como um líder de dados, você precisa saber quais são essas áreas problemáticas e como resolvê-las. 

Felizmente, há algumas áreas típicas para analisar, independentemente do setor no qual atua. Mas, primeiro, nosso próximo "Caso de líder de dados" vai te oferecer uma evidência poderosa.

Ferramentas de dados: tudo certo. Ferramentas de dados duplicadas e fragmentadas: não é uma boa. A solução: reduza excessos. 

De acordo com um estudo, quase 70% dos funcionários somam mais de 20 horas por semana buscando ferramentas e informações espalhadas por diversos silos.¹³ Essa é a realidade da fragmentação de ferramentas de dados, o que dificulta que equipes de dados acessem e usem a tecnologia em toda a organização. Grande surpresa: tarefas demoradas dificultam que as pessoas ajam rapidamente e tomem decisões de negócios informadas. É só perguntar para a equipe de marketing da Georgia-Pacific. E ainda pior: a fragmentação pode deixar você vulnerável a problemas de conformidade caso esteja trabalhando com dados privados ou sensíveis. 

Considerando que 25% das equipes de dados já reportam ter dificuldades na implementação de ferramentas de IA,¹⁴ a fragmentação de ferramentas de dados piora ainda mais a ineficiência, adiciona gastos duplicados e afeta a taxa de adoção da IA. 

1. Faça uma auditoria de seus dados e analytics: busque ferramentas que sejam redundantes em termos de propósito ou entre departamentos (especialmente entre departamentos) — essas redundâncias acontecem à medida que funcionalidades ou projetos são adicionados. Muitas vezes, as equipes não estão trabalhando com qualidade ou governança de dados rigorosas que monitoram e controlam quais ferramentas são usadas e como. Por onde começar uma auditoria? Avance para "Dica para o líder de dados" para ver recomendações.

2. Use soluções de dados e analytics em toda a empresa: com escalabilidade e visibilidade end-to-end, fica mais fácil acessar e entender dados estruturados e não estruturados, estejam eles armazenados em lakehouses, warehouses ou até open lakehouses. Ademais, além de permitir obter recursos multifuncionais, ter uma única solução ajuda a reduzir custos de manutenção, licenciamento e integração. Esse é um dinheiro que pode ser redistribuído, por exemplo, para novas contratações ou investimento em treinamentos contínuos.

A seguir, ineficiências da nuvem. Em geral, estamos nos referindo a recursos superprovisionados, subutilizados ou malconfigurados. Em outras palavras, você não está usando o que tem, não tem o suficiente ou o que tem não funciona bem. Isso leva desde o aumento de custos e problemas de desempenho até vulnerabilidades de segurança. Uma curiosidade: mesmo em 2024, 78% das empresas ainda tinham menos de 75% dos gastos com nuvem alocados,¹⁵ o que significa que qualquer movimentação positiva de gerenciamento feita agora colocará você na frente. 

Uma área para considerar com atenção são os custos de queries de analytics. Essa é uma daquelas áreas em que nem todas as ferramentas são iguais. Algumas soluções oferecem armazenamento em cache e indexação de queries na memória. Isso minimiza o número de queries enviadas para o data warehouse subjacente, evitando custos adicionais. Ainda, resulta em execução mais rápida de queries, disponibilidade aprimorada e melhor experiência do usuário.  

A verdade é que os dados estão cada vez mais caros. Queries de IA generativa, por exemplo, usam um imenso poder computacional, resultando em altos investimentos em infraestrutura de back-end. Adicionando a isso a crescente demanda por modelos de IA generativa e agêntica, prevê-se um custo de energia maior do que qualquer outra iniciativa de TI até 2027.¹⁶  

Algumas empresas decidiram incluir os custos com energia e formas de mitigar gastos descontrolados em suas políticas de governança, assunto abordado no capítulo 2. Recursos de plataforma, como monitoramento em tempo real e alertas automatizados sobre anomalias de uso, podem fornecer suporte a auditorias regulares para evitar despesas em excesso. Além disso, a maioria dos fornecedores de dados agora oferece planos que garantem que sua equipe pague apenas pelos recursos utilizados, em vez de um valor fixo por usuário por mês. Caso ainda não esteja num modelo de precificação baseado em uso, fale com o seu provedor, pois isso pode ajudar a eliminar custos desnecessários. 

É uma faca de dois gumes que líderes de dados conhecem bem: devo focar no desempenho e arriscar aumentar custos, ou controlar os gastos, podendo prejudicar a performance? Nossa resposta: não comprometa nem o desempenho, nem os custos.  

A IA tem fome de poder computacional. Mas muitos modelos de ML se degradam rapidamente, exigindo retreinamentos custosos. Dados fragmentados aumentam a necessidade de armazenamento, e a preparação de dados para IA tende a ficar em segundo plano. 

Agora, as empresas estão tentando encontrar o meio-termo ideal entre crescimento rápido e inteligência financeira. Não se trata apenas de cortar custos; é importante gastar nos lugares certos e garantir que as equipes não estejam provisionando recursos em excesso ou duplicando-os. Veja como a Steinemann lida com isso no próximo "Caso de líder de dados". 

Como mostrado pela Steinemann, empresas de todos os tipos e tamanhos estão adotando ferramentas de IA para se manterem competitivas, e isso significa uma coisa: os gastos estão aumentando. Muito. E não apenas com as ferramentas de IA em si: os custos com a nuvem também estão crescendo. 

Plataformas de nuvem são o local ideal para executar modelos de IA, armazenar datasets enormes e aumentar o poder computacional em tempo real. Elas facilitam a experimentação e escalonamento rápido, mas também podem assustar quando a conta mensal chega. À medida que projetos de IA crescem, aumenta também a necessidade de potência, o que tende a gerar mais uso (e custo) de nuvem. 

Além disso, tenha em mente que, depois que todas as informações estão lá, é necessário prepará-las para a IA, o que pode significar ainda mais gastos e ferramentas fragmentadas, a menos que, como no caso da Steinemann, as soluções estejam integradas.

Em um mundo ideal, seria possível alimentar modelos de IA com qualquer dataset e eles mesmos conseguiriam separar o joio do trigo. Infelizmente, esse não é o caso (pelo menos não ainda). Até que isso seja possível, os dados devem atender a certos critérios para que a IA possa usá-los imediatamente, economizando 50% do tempo, ou US$ 2,5 milhões em valor, quando se trata de dados.¹⁸ Lembre-se do que falamos no capítulo 2: estar pronto para a IA significa ter dados diversos, oportunos, precisos, seguros, identificáveis e consumíveis. 

Além disso, quem quer passar horas limpando e movimentando dados manualmente? Ninguém. Ferramentas com recursos de IA low-code ou no-code conseguem lidar com uma grande parte desse trabalho repetitivo, como transformação de dados, desduplicação e formatação, para que sua equipe possa focar nos insights. E mais: elas também reduzem os erros e aceleram o processo. 

Outra atividade pela qual as pessoas não querem esperar: o processamento em lote. Pelo menos não quando é possível obter insights à medida que os dados chegam. Caso esteja usando ferramentas de streaming como Kafka ou Kinesis, configurar a ingestão em tempo real significa que os seus modelos de IA sempre têm dados novos para trabalhar. É mais rápido, diminui a necessidade de armazenamento extra e ajuda sua equipe a reagir imediatamente. 

Por fim, evite o desperdício de dados a qualquer custo. Se todo mundo tem acesso a todos os seus dados, há uma grande possibilidade de que eles estejam sendo duplicados, aumentando os custos de armazenamento e de computação ao realizar queries no data warehouse na nuvem. Um passo simples, como definir o acesso baseado em função, ajuda a manter tudo limpo e organizado. Certifique-se apenas de que as equipes certas tenham o que precisam. Dessa maneira, você não paga por dados não utilizados ou irrelevantes parados em seus sistemas.

Vou te contar qual é a questão com a otimização de custos: ela precisa acontecer agora. Precisa ocorrer mais tarde. Deve acontecer com frequência. E, se ela não for feita, o risco é que os custos voltem a se complicar de novo, rapidamente. 

Mas há algo mais que precisamos deixar claro. Essa estratégia não diz respeito apenas a dinheiro. O objetivo é criar um modelo de negócios sustentável do ponto de vista de escalabilidade e crescimento, pois, sem um plano preciso, é difícil enxergar, entender e navegar pelas forças invisíveis que levam à ineficiência de dados e IA. 

Nosso último "Caso de líder de dados" destaca o valor de criar uma estratégia de custos sustentável. 

As cargas de trabalho de IA estão sempre famintas. E se você não tiver cuidado, os modelos podem engolir seu orçamento mais rápido do que você imagina. Muitas equipes alocam poder computacional demais para resolver um problema ou retreinam os modelos com mais frequência do que necessário, sem parar para se perguntar se realmente vale a pena. É como acelerar um carro esportivo no meio do trânsito: chama atenção, mas não é muito eficiente. 

Em vez disso, é possível aproveitar modelos de precificação flexíveis e monitoramento de custos, em vez de modelos de assinatura com preços fixos independentemente do uso. Também conhecida como precificação baseada em consumo, essa opção é relativamente nova e popular com organizações que desejam pagar apenas pelo que usam. Sua popularidade faz sentido, considerando quanta flexibilidade (por exemplo, escalabilidade) ela oferece às empresas sem adicionar riscos. 

Silos de dados são outros grandes culpados pelos custos altos. Quando suas ferramentas de pipeline de dados e analytics não estão sincronizadas, os processos ficam bagunçados. Você acaba movendo os mesmos dados de um lado para o outro sem necessidade, repetindo queries e vendo os custos de TI aumentarem silenciosamente. Toda essa fragmentação faz com que seja difícil enxergar o custo real e ainda mais árduo controlar as despesas. 

Considere consolidar suas ferramentas numa única plataforma orientada por IA. Use essa plataforma para criar dashboards em tempo real que ajudem a monitorar o uso de dados e os gastos, bem como detectar anomalias nos custos antes que devorem uma parte irrecuperável do orçamento. Depois, em diversos departamentos, crie mais aplicações projetadas para identificar gastos desconhecidos ou inesperados antes que virem uma bola de neve, e descubra pontos de eficiência ocultos em toda a empresa.  

A realidade é que os orçamentos de tecnologia estão espalhados por toda a empresa: o marketing tem um pouco, o TI também e talvez até o RH. Tudo isso se soma. Sem uma liderança clara, tudo vira uma bagunça. Isso significa que as equipes acabam fazendo investimentos aleatórios, e é um pesadelo tentar descobrir quanto se está gastando. 

A oportunidade está batendo à porta. Aproveite o momento ajudando a garantir que suas iniciativas de IA e nuvem estejam alinhadas com os objetivos de negócios. Garanta que todos os stakeholders do projeto saibam exatamente quais são as despesas associadas com o desenvolvimento de IA e a implementação da nuvem para armazenamento, software, transferência de dados e operações. E confirme se é possível quantificar essas despesas em relação à economia de custos, aumento da receita e outros KPIs.

Não hesite. Se fizer isso, estará arriscando deixar que os usuários de dados (ou seja, todo mundo) façam o que quiserem com o seu orçamento. Ou pior, comprometer sua lucratividade, produtividade e reputação com a alta gestão. 

Mas está tudo bem. Garantir que você obtenha apenas o melhor das iniciativas de dados, integração e IA requer sentidos aguçados em relação à ineficiência, além de um planejamento cuidadoso. Você consegue.