Na semana de 9 de julho de 2026, dois analistas de peso rebaixaram a Salesforce. A KeyBanc cortou a recomendação para Sector Weight e a Bernstein seguiu na mesma direção, ambas citando "feedback fraco" dos clientes sobre o Agentforce. O detalhe que interessa a quem opera tecnologia não é o preço da ação — é o motivo declarado. Segundo os relatórios, os clientes disseram duas coisas: o dado deles "não está organizado o suficiente" para a IA gerar valor, e o produto "ainda não está pronto" para um deploy amplo. Tudo isso convivendo com um número que a própria Salesforce divulga: US$ 1,2 bilhão de ARR em Agentforce, alta de 205% ano a ano. Marc Benioff reagiu em público chamando o relatório de "bad call".
O que o mercado acabou de precificar não é o fracasso de um produto. É o abismo entre a narrativa de IA e a realidade do dado dentro das empresas. E esse abismo não é exclusivo da Salesforce — ele é a razão número um pela qual projetos de agente de IA travam em piloto e nunca viram receita. Este artigo explica o que aconteceu, o que "dado pronto para IA" (data readiness) significa na prática e por que a fundação de dados decide o destino de qualquer rollout de agente.
O que aconteceu: dois rebaixamentos no mesmo compasso
A sequência é simples de reconstruir. A KeyBanc rebaixou a ação para Sector Weight e a Bernstein reforçou uma postura cautelosa, ambas apoiadas em conversas com clientes que sinalizaram adoção mais lenta do que o discurso comercial sugere. O ponto não foi "o Agentforce é um produto ruim". Foi que, ao tentar colocá-lo para rodar de forma ampla, as empresas esbarraram na própria casa: dados espalhados, duplicados, sem uma fonte única de verdade e sem contrato que garanta o que cada campo significa.
Vale separar dois sinais que estão sendo lidos juntos. De um lado, US$ 1,2 bilhão de ARR crescendo 205% mostra que existe demanda real e que muita gente comprou. De outro, o "feedback fraco" mostra que comprar licença não é o mesmo que entrar em produção. A distância entre a assinatura do contrato e o agente gerando valor mensurável é exatamente onde mora o trabalho que ninguém coloca no slide.
O diagnóstico que virou preço: "o dado não está organizado o suficiente"
Quando um analista rebaixa uma das empresas de software mais valiosas do mundo e nomeia como causa "o dado do cliente não está organizado", ele está transformando um problema técnico invisível em preço de ação. Isso é raro e importante. Por anos, "qualidade de dados" foi tratada como assunto de bastidor, algo que o time de dados resolvia sem holofote. Agora virou variável de tese de investimento.
A tradução para a operação é direta: o agente de IA não falha por ser burro. Ele falha porque lê um dado sujo, fragmentado e sem contrato. Se o cadastro do cliente existe em quatro sistemas com quatro versões diferentes do endereço, o agente vai escolher uma — e pode ser a errada. Se o status do pedido no CRM não bate com o do ERP, o agente vai afirmar com confiança algo que contradiz o sistema de registro. O resultado que o usuário final percebe é "alucinação". A causa real é a fundação.
O que é data readiness na prática: fonte única, contrato de dado, grounding
"Dado pronto para IA" não é um slogan; é um conjunto de propriedades verificáveis. A primeira é a fonte única de verdade: para cada entidade de negócio — cliente, pedido, produto — existe um lugar canônico de onde o valor correto é derivado, em vez de cinco cópias divergentes. A segunda é o contrato de dado (data contract): um acordo explícito sobre o schema, o significado, a frequência de atualização e a qualidade mínima de cada campo, de modo que quem consome o dado saiba exatamente o que está recebendo e um alerta dispare quando o produtor quebra o acordo.
A terceira propriedade é o grounding: ancorar as respostas do agente em dados reais e atualizados da empresa, em vez de deixá-lo inventar a partir do conhecimento genérico do modelo. É aqui que entram plataformas como o Salesforce Data Cloud, cuja proposta é justamente unificar perfis e servir esse dado unificado como base para o Agentforce. Mas há uma condição que a demo omite: o Data Cloud só entrega valor se for alimentado por dados que já foram integrados, deduplicados e governados na origem. Ferramenta de unificação sobre dado caótico produz um caos unificado.
Por que o agente "alucina" quando lê dado fragmentado do ERP e do CRM
Imagine um agente de atendimento respondendo "seu pedido foi entregue" enquanto o ERP diz que ainda está em separação. O agente não mentiu de propósito — ele leu o CRM, que não foi reconciliado com o ERP em tempo hábil. Multiplique isso por dezenas de fluxos e você tem um sistema que parece brilhante na apresentação e vira um gerador de contradições em produção. A confiança do usuário desaba na primeira resposta errada, e o projeto entra na estatística do "não está pronto".
O ponto técnico é que o agente é apenas o consumidor final de uma cadeia. Ele herda a qualidade de tudo que vem antes: a integração entre sistemas de registro, a deduplicação de entidades, a atualização em tempo hábil e o contrato que garante consistência. Sem uma camada de integração event-driven que mantenha esses sistemas em sincronia, o agente lê fotos desatualizadas de realidades diferentes e "escolhe" uma para responder. É por isso que arrumar o modelo, trocar de LLM ou refinar o prompt não resolve — o problema está na fundação, não no cérebro.
Como a CCX faz: fundação de dados antes do agente
Antes de culpar o agente, arrume o que ele lê. Na prática, isso significa três frentes de trabalho que a CCX executa em conjunto. A primeira é Data & BI: unificar, deduplicar e dar contrato ao dado, estabelecendo uma fonte única de verdade por entidade e definindo os data contracts que garantem que o agente leia sempre a mesma informação. A segunda é Integrações & APIs Enterprise em modelo event-driven, para manter ERP, CRM e demais sistemas de registro em sincronia contínua — porque o dado do agente nasce nesses sistemas e alguém precisa integrá-los de forma confiável e idempotente. A terceira, quando o ecossistema é Salesforce, é a implementação correta do Salesforce Data Cloud como camada de grounding, alimentada por dados que já foram organizados na origem.
Só depois dessa fundação faz sentido ligar o Agentforce ou qualquer copiloto sobre IA para negócios (RAG e agentes sobre dado confiável). A ordem importa: fundação primeiro, agente depois. É a diferença entre um rollout que vira receita e um piloto que engrossa a estatística citada pelos analistas.
O mercado rebaixou a Salesforce culpando o dado — não o agente. Se o seu board comprou um copiloto que "alucina" e contradiz o ERP, o gargalo provavelmente é a fundação. A CCX faz um diagnóstico de data readiness em 2 semanas e desenha o caminho até o dado pronto para IA. Fale com a CCX sobre fundação de dados e Salesforce Data Cloud → ccxcompany.co/br/salesforce-data-cloud
Perguntas frequentes
O que é "dado pronto para IA"? É um dado com fonte única de verdade por entidade, contrato explícito de schema e qualidade, integração atualizada entre os sistemas de registro e disponibilidade para grounding. Sem essas propriedades, o agente lê informação divergente e produz respostas inconsistentes.
Por que meu copiloto contradiz o ERP? Quase sempre porque ele lê um sistema (por exemplo o CRM) que não está reconciliado em tempo hábil com o sistema de registro (o ERP). A correção não está no modelo, e sim na integração e no contrato de dado entre esses sistemas.
Preciso de Salesforce Data Cloud? O Data Cloud ajuda a unificar perfis e servir dado como grounding para o Agentforce, mas só entrega valor se for alimentado por dado já integrado e governado. Ele é a camada de unificação, não um substituto para arrumar o dado na origem.
Quanto tempo leva organizar o dado? Um diagnóstico de data readiness leva cerca de 2 semanas e já aponta as lacunas críticas. A implementação varia conforme o número de sistemas e a qualidade atual, mas começa a destravar valor bem antes de estar "100% completa" — o importante é atacar primeiro as entidades que o agente mais lê.
Como medir data readiness? Por indicadores objetivos: existência de fonte única por entidade, taxa de duplicidade, cobertura de data contracts, latência de sincronização entre sistemas e percentual de respostas do agente que batem com o sistema de registro. São esses números, e não a esperteza do modelo, que preveem se o rollout vai para produção.
Este artigo trata de eventos de mercado e tecnologia com base em relatórios públicos (KeyBanc, Bernstein) e material da Salesforce; não constitui recomendação de investimento.