As empresas investiram entre US$ 30 e US$ 40 bilhões em projetos-piloto de IA generativa, ao longo de dois anos, mas a maioria delas não obteve muito retorno sobre esse capital. Uma auditoria do MIT sobre 300 implementações, publicada em agosto de 2025, concluiu que 95% desses pilotos não trouxeram nenhum retorno sobre o investimento (ROI) mensurável. Por que?
Um dos fatores que impedem um ROI significativo em projetos de IA é um problema recorrente na computação corporativa: a prontidão dos dados. Dados fragmentados e sem governança que não podem alimentar de forma confiável as cargas de trabalho de produção. Agora, a IA está exacerbando o efeito da má preparação dos dados. Ela prospera com bons dados, em volume, alimentados por meio de pipelines de alta velocidade.
Três passos para preparar os dados corporativos para a IA
Com a previsão de que os gastos com infraestrutura de IA cheguem a US$ 758 bilhões até 2029, a questão fundamental para os líderes de TI não é mais se devem investir, mas como preparar a camada de dados para que esse investimento se transforme em valor comercial mensurável, em vez de se esvair em provas de conceito isoladas.
Se a sua plataforma de armazenamento também for a sua plataforma de dados, isso pode tornar todo o seu pipeline de IA mais lento. O investimento em GPUs, por si só, não garante o retorno sobre o investimento (ROI) se a camada de dados não estiver pronta. Para ter sucesso na IA, as empresas devem organizar seus dados de forma a garantir acessibilidade e desempenho.
Para resolver essa questão, a Dell Technologies reformulou sua Plataforma de Dados de IA com base na premissa de que o armazenamento e a pesquisa devem ser projetados em conjunto com a resiliência cibernética para que os projetos-piloto possam, algum dia, ser implementados em escala.
A Dell organiza sua resposta em torno de uma estrutura de três partes, denominada “Place, Process, Protect”: armazenar os dados de forma que os recursos de computação possam acessá-los; processá-los para que analistas e agentes possam consultá-los; e protegê-los para que um único incidente de ransomware não anule todo o trabalho realizado.
Coloque os dados no lugar certo para acabar com a proliferação de silos.
A primeira decisão ao repensar a arquitetura de armazenamento corporativo para IA é determinar onde os dados devem ser armazenados. A tendência das empresas mudou drasticamente em direção à implantação no local, com 85% das organizações planejando migrar suas cargas de trabalho de IA para sua própria infraestrutura nos próximos 24 meses.
Essa migração só compensa se o armazenamento for dissociado da computação, o que constitui o ponto central do projeto dos mecanismos de armazenamento Dell PowerScale e Dell ObjectScale da sua Plataforma de Dados de IA. A plataforma separa o armazenamento de dados do processamento para eliminar gargalos e proporcionar maior flexibilidade às cargas de trabalho de IA.
A questão não se resume apenas à capacidade. A questão é se os dados podem ser armazenados e disponibilizados de forma a manter a produtividade das cargas de trabalho que exigem uso intensivo da GPU. A Dell afirma que o PowerScale cria um caminho de dados mais eficiente entre o armazenamento e as cargas de trabalho aceleradas por GPU, reduzindo possíveis gargalos nesse caminho.
Tendo alcançado a designação de Armazenamento Certificado pela NVIDIA no nível NCP, o PowerScale F710 agora entrega escala para mais de 16.000 GPUs com até 5 vezes menos espaço em rack e 88% menos switches de rede do que os sistemas concorrentes, uma vantagem de densidade que se traduz diretamente em contas de energia mais baixas e provisionamento de estrutura (fabric) mais rápido em locais de hiperescala.
Isso ajudou empresas como a Maya HTT, que utiliza a infraestrutura Dell PowerScale e NVIDIA AI para transformar dados não estruturados em insights acionáveis, abrangendo desde casos de uso de produção de satélites até telemetria marítima em tempo real em modelos treinados em uma única estrutura.
Esses fluxos de trabalho exigiam, anteriormente, ambientes separados para captação, treinamento e inferência. Ao reunir essas etapas em uma camada de armazenamento unificada que as GPUs podem saturar, a Dell Technologies demonstra um princípio fundamental: A eficiência econômica da IA melhora quando a movimentação de dados é minimizada e o acesso é simplificado.
A colaboração está “transformando enormes quantidades de dados não estruturados em insights úteis”, afirma Remi Duquette, vice-presidente de IA industrial da Maya HTT.
Processe os dados para que estejam prontos para consultas
O armazenamento por si só, por mais eficiente que seja, não ajuda em nada um analista que esteja tentando analisar um milhão de arquivos não estruturados ou um desenvolvedor que esteja criando um pipeline de recuperação. Para suprir essa lacuna, a Dell anunciou dois componentes de software juntamente com sua atualização de outubro de 2025: um mecanismo de busca de dados desenvolvido com a Elastic e um mecanismo de análise de dados desenvolvido com a Starburst. Juntas, elas unem tabelas estruturadas, lakehouses e armazenamentos de objetos não estruturados sob um modelo de consulta comum.
O mecanismo de busca pode ser usado para importar apenas arquivos atualizados, o que ajuda a economizar tempo de processamento e a manter os bancos de dados vetoriais atualizados. No que diz respeito à análise de dados, o Dell Data Analytics Engine amplia o acesso SQL federado a planilhas, bancos de dados, data warehouses na nuvem e lagos de dados do tipo Iceberg. Isso é importante porque os dados corporativos raramente ficam armazenados em um único local, e os projetos de IA ficam mais lentos quando as equipes precisam consolidar todas as fontes antes de poderem utilizá-las.
O elemento de maior impacto no tempo de retorno é a Camada Agêntica do Mecanismo de Análise de Dados, que utiliza LLMs para ajudar a transformar dados brutos em insights úteis em segundos, automatizando a documentação, revelando insights e incorporando IA aos fluxos de trabalho SQL. Juntamente com um servidor MCP (Model Context Protocol) planejado, que permite às empresas orquestrar múltiplos agentes e modelos sem vendor lock-in, a Camada Agêntica reformula a preparação de dados como uma atividade contínua e orientada por modelos, em vez de um projeto único. Este é o ingrediente que faltava e que distingue os projetos-piloto que escalam daqueles que estagnam.
Proteja os dados: a resiliência cibernética como pré-requisito
A terceira etapa da estrutura “Place, Process, Protect” (armazenar, processar e proteger) da Dell foca no que acontece quando um ecossistema de IA é violado, auditado ou precisa ser reconstruído após uma execução de treinamento malsucedida. De acordo com uma pesquisa conduzida pelo Enterprise Strategy Group, empresa pertencente à Omdia, dois terços das organizações estão fazendo backup de apenas 50% do total de seus dados de IA. Isso expõe os modelos proprietários e os corpora de treinamento ao risco de ransomware, à adulteração de dados e às obrigações de retenção de dados a longo prazo que os órgãos reguladores começaram a exigir. Sem dados de treinamento protegidos, o custo do fracasso de um projeto piloto não é mais medido em horas de GPU desperdiçadas, mas na impossibilidade de reproduzir o resultado.
A Dell resolve essa questão com o PowerProtect Data Manager, que oferece imutabilidade de dados, além de recuperação coordenada para cargas de trabalho residentes no Kubernetes. O PowerProtect Cyber Recovery também isola conjuntos de dados de treinamento críticos contra ameaças sofisticadas e utiliza aprendizado de máquina para sinalizar atividades suspeitas.
O ponto de vista arquitetônico é que a resiliência cibernética deve ser considerada em conjunto com o local e o processo desde o início. Encarar isso como infraestrutura, e não como seguro, é o que torna a retenção de dados regulamentados a longo prazo viável para organizações sujeitas a auditorias.
Do Desktop ao Data Center: Dell AI Factory com NVIDIA
IA generativa exige infraestrutura robusta. Dell e NVIDIA oferecem hardware, software e rede otimizados para acelerar projetos, do desktop ao data center, reduzindo configuração e gestão. Veja o infográfico e transforme sua jornada de IA.
Ver AgoraDa estrutura aos resultados comerciais
A prova, como sempre, está nas implantações em produção. A Worley, empresa de engenharia sustentável, está entre os casos de implantação em clientes citados como validação da abordagem integrada da Dell e da NVIDIA. É o tipo de empreendimento regulamentado e fortemente dependente de dados, cujos projetos muitas vezes correm risco entre a fase de prova de conceito e a produção.
A questão mais ampla para os líderes de TI que enfrentam a onda de infraestrutura de US$ 758 bilhões é que a promessa de produtividade da IA depende menos de qual modelo está em alta neste trimestre e mais do fato de a camada de dados subjacente ter sido projetada para a carga de trabalho em questão.
Os projetos-piloto têm mais chances de sobreviver à implementação em produção quando os dados subjacentes são armazenados próximos às GPUs que os consomem, processados de forma que os usuários corporativos possam consultá-los sem precisar de um plano de projeto de seis semanas e protegidos contra violações que, de outra forma, reiniciariam o experimento do zero.
As decisões de engenharia que sustentam esses três pilares devem ser definidas antes da próxima rodada de ajustes, e não depois que a próxima auditoria for realizada.
