Do Big Data ao Insight: Aplicações para a Gestão segundo a Literatura Acadêmica

RESUMO

O presente artigo teve como objetivo geral analisar as aplicações da Inteligência Artificial (IA) no contexto da gestão, com foco em seu papel no tratamento e análise de grandes volumes de dados e na geração de informações estratégicas para a tomada de decisão organizacional, sendo esse objetivo plenamente al-cançado por meio de uma metodologia de natureza qualitativa fundamentada em revisão bibliográfica integrativa, que reuniu e examinou estudos nacionais e in-ternacionais publicados nos últimos anos, selecionados a partir de critérios de relevância, atualidade e rigor científico. A análise dos dados evidenciou que a adoção de IA e Big Data Analytics proporciona benefícios significativos, como ganhos de eficiência operacional, personalização de serviços e suporte qualifi-cado à tomada de decisão, contudo também revelou desafios relevantes, inclu-indo a necessidade de assegurar a qualidade dos dados, garantir a interpretabi-lidade dos modelos, implementar práticas éticas e de governança e adotar me-didas para mitigar possíveis vieses algorítmicos, observando-se ainda que as tendências mais recentes indicam a importância de integrar as soluções tecno-lógicas a políticas organizacionais robustas, de forma a equilibrar inovação, com-petitividade e responsabilidade social. Conclui-se que a utilização da IA na ges-tão exige um alinhamento cuidadoso entre avanços tecnológicos e princípios éti-cos, sustentado por um sistema de governança capaz de assegurar resultados positivos tanto para as organizações quanto para a sociedade, sendo que os resultados obtidos oferecem uma visão crítica e atualizada sobre o tema, contri-buindo para o avanço da literatura e servindo como referência para pesquisado-res e gestores interessados em adotar estratégias fundamentadas e eficazes. ABSTRACT

The general objective of this article was to analyze the applications of Artificial Intelligence (AI) in the context of management, focusing on its role in the processing and analysis of large volumes of data and in the generation of strategic information for organizational decision-making. This objective was fully achieved through a qualitative methodology based on an integrative bibliographic review, which brought together and examined national and international studies published in recent years, selected based on criteria of relevance, current affairs and scientific rigor. The data analysis showed that the adoption of AI and Big Data Analytics provides significant benefits, such as gains in operational efficiency, personalized services, and qualified support for decision-making. However, it also revealed relevant challenges, including the need to ensure data quality, guarantee the interpretability of models, implement ethical and governance practices, and adopt measures to mitigate possible algorithmic biases. It was also noted that the most recent trends indicate the importance of integrating technological solutions with robust organizational policies, in order to balance innovation, competitiveness, and social responsibility. It is concluded that the use of AI in management requires a careful alignment between technological advances and ethical principles, supported by a governance system capable of ensuring positive results for both organizations and society. The results obtained offer a critical and updated view on the topic, contributing to the advancement of the literature and serving as a reference for researchers and managers interested in adopting well-founded and effective strategies. INTRODUÇÃO

A incorporação de técnicas de inteligência artificial (IA) nos processos decisórios das organizações tem acelerado de maneira inédita, impulsionada pela disponibilidade massiva de dados, maior poder de processamento e pela oferta de modelos analíticos que prometem ampliar a precisão e a velocidade das decisões gerenciais (Marocco, Barbieri, & Talamo, 2024). Ao mesmo tempo, avanços na automação e em modelos preditivos têm reconfigurado as fronteiras entre decisões automatizadas e decisões aumentadas — isto é, onde a IA apoia, recomenda ou passa a executar tarefas que tradicionalmente cabiam a gestores humanos (Birkstedt, Minkkinen, Tandon, & Mäntymäki, 2023).

Contudo, a difusão dessas tecnologias não ocorre sem fricções: a literatura recente evidencia uma lacuna entre o potencial técnico da IA e sua adoção prática por gestores, apontando fatores organizacionais, percepção dos decisores, limitações de design dos sistemas e preocupações éticas como barreiras relevantes (Marocco et al., 2024). A transparência e a responsabilização emergem como requisitos centrais para preservar confiança e bem-estar no uso de sistemas algorítmicos, especialmente em contextos de alto impacto — razões pelas quais frameworks regulatórios, mecanismos de explicabilidade e práticas de governança são foco crescente de estudos e políticas públicas (Cheong, 2024).

Além disso, crescentes revisões sobre governança de IA sublinham a necessidade de estruturas institucionais e organizacionais que articulem princípios éticos com práticas operacionais, isto é, traduzam diretrizes em mecanismos de controle, avaliação de risco e participação de stakeholders (Birkstedt et al., 2023; Batool, Zowghi, & Bano, 2023). Em consonância, pesquisas empíricas mostram que características técnicas do sistema — por exemplo, níveis de explicabilidade, confiabilidade preditiva e usabilidade — interagem com fatores humanos (confiança, percepção de utilidade) para determinar se gestores aceitam e integram soluções de IA em seus processos decisórios (Marocco et al., 2024).

Dessa forma, uma revisão bibliográfica recente é valiosa para mapear: (a) como a literatura define e distingue decisão aumentada versus decisão automatizada; (b) quais são os principais facilitadores e barreiras à adoção por gestores; e (c) que modelos de governança e mecanismos de transparência têm sido propostos para mitigar riscos e promover uso responsável. Este artigo realiza esse mapeamento crítico, sintetizando evidências empíricas e teóricas recentes para oferecer subsídios práticos e agendas de pesquisa futuras sobre o papel da IA como ferramenta para a tomada de decisões gerenciais.

Com isso, surge a seguinte problemática de estudo: Como a literatura científica descreve e avalia as aplicações de inteligência artificial capazes de transformar big data em insights estratégicos para a gestão?

Logo, o objetivo geral deste trabalho é analisar, por meio de revisão da literatura, as aplicações de inteligência artificial que viabilizam a transformação de big data em insights estratégicos para a gestão, identificando abordagens, desafios e potencialidades evidenciadas pela produção científica recente. E os objetivos específicos são: (i) mapear as principais aplicações de inteligência artificial descritas na literatura científica que utilizam big data para apoiar a gestão; (ii) identificar os métodos, técnicas e ferramentas de IA mais citados e suas áreas de aplicação no contexto gerencial; (iii) analisar os desafios técnicos, organizacionais e éticos associados à transformação de big data em insights estratégicos e (v) sintetizar as potencialidades e tendências futuras apontadas nos estudos revisados.

A crescente produção de dados — caracterizada pelo fenômeno da big data — tem ampliado exponencialmente o volume, a variedade e a velocidade com que a informação é gerada e processada nas organizações (Khan et al., 2023). Nesse contexto, a inteligência artificial (IA) surge como vetor estratégico capaz de transformar esses dados massivos em insights que sustentam decisões gerenciais mais informadas e assertivas (Rana et al., 2024).

Contudo, a literatura acadêmica ainda se mostra dispersa e fragmentada: os estudos se concentram em setores ou tecnologias específicas, sem oferecerem uma visão integrada sobre os modos como diferentes abordagens de IA convertem dados brutos em conhecimento valioso para a gestão (Mikalef & Krogstie, 2023).

Esse cenário destaca a pertinência da presente revisão bibliográfica: ao sistematizar as aplicações de IA na gestão — desde modelos de machine learning até sistemas cognitivos que extraem padrões de grandes volumes de dados — podemos identificar não só os caminhos trilhados e as conquistas alcançadas, mas também os desafios técnicos, organizacionais e éticos que limitam o potencial dessas soluções (Dwivedi et al., 2023). Além disso, ao mapear tendências e lacunas, a pesquisa fornece subsídios importantes para gestores que desejam implementar IA de maneira mais estratégica, e para pesquisadores que buscam orientar investigações futuras com foco em governança, explicabilidade, eficácia e impacto organizacional (Jeble et al., 2023).

METODOLOGIA

A presente pesquisa adota uma abordagem de revisão bibliográfica sistematizada, buscando consolidar e analisar criticamente o estado da arte sobre as aplicações de inteligência artificial (IA) na gestão, com ênfase no processo de transformação de dados massivos em insights gerenciais. Optou-se por esse delineamento metodológico em virtude de sua capacidade de integrar e sintetizar achados dispersos, permitindo não apenas a identificação de padrões, mas também a revelação de lacunas e oportunidades de investigação (Snyder, 2019). Diferente de uma revisão narrativa, a revisão sistematizada se pauta em etapas explícitas e reprodutíveis, garantindo maior rigor e transparência no processo (Kitchenham & Charters, 2007; Petticrew & Roberts, 2006).

O processo metodológico foi estruturado em três fases principais: planejamento, execução e síntese. Na fase de planejamento, foram definidos a questão de pesquisa, o escopo temático e o recorte temporal, priorizando estudos publicados entre 2020 e 2025, período marcado pelo avanço e popularização das soluções de IA associadas a big data em contextos organizacionais (Ghasemaghaei, 2020). Foram estabelecidos descritores em português e inglês, combinados por operadores booleanos, de forma a ampliar a abrangência e a precisão das buscas. A estratégia de busca incluiu bases multidisciplinares de reconhecida relevância, como Scopus, Web of Science, IEEE Xplore, ScienceDirect e Scielo, alinhando-se à recomendação de Fink (2020) quanto ao uso de múltiplas fontes para evitar vieses de seleção.

A fase de execução consistiu na identificação, triagem e seleção dos estudos, seguindo um protocolo adaptado do Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), o que possibilitou documentar todo o processo de inclusão e exclusão de artigos de forma clara e auditável (Page et al., 2021). Foram adotados critérios de inclusão que contemplaram artigos revisados por pares, disponíveis integralmente e com foco explícito na aplicação de IA a big data com implicações gerenciais. Excluíram-se trabalhos puramente técnicos ou que não apresentassem vínculo com práticas de gestão. Após a seleção, procedeu-se à extração de dados com auxílio de uma planilha padronizada, contendo informações como autores, ano, periódico, objetivo do estudo, setor de aplicação, técnicas de IA utilizadas, tipos de dados empregados, resultados alcançados e desafios relatados.

Essa etapa viabilizou diretamente o primeiro objetivo específico — mapear as principais técnicas de IA utilizadas para transformar big data em insights gerenciais — por meio da catalogação sistemática das abordagens técnicas reportadas na literatura, associadas a seus respectivos contextos de aplicação.

A análise dos dados combinou procedimentos quantitativos e qualitativos. Inicialmente, aplicou-se uma análise descritiva para mapear a frequência de técnicas de IA, setores contemplados e tipos de big data empregados, conforme práticas de estudos bibliométricos (Donthu et al., 2021). Essa análise atendeu ao segundo objetivo específico — identificar setores e áreas de gestão em que a aplicação de IA a big data tem maior incidência — permitindo quantificar a presença dessas tecnologias nos diferentes domínios organizacionais.

Em seguida, foi conduzida uma análise temática, fundamentada nos princípios da análise de conteúdo proposta por Bardin (2016), visando categorizar os desafios técnicos, organizacionais e éticos reportados nos estudos. Essa etapa respondeu ao terceiro objetivo específico — analisar os principais desafios e limitações encontrados na implementação dessas tecnologias — ao fornecer um panorama estruturado dos obstáculos identificados e sua relação com fatores contextuais.

Por fim, a fase de síntese integrou os achados em um quadro conceitual, relacionando as técnicas de IA mapeadas aos tipos de insights gerados e seus impactos gerenciais. Essa etapa contemplou o quarto objetivo específico — identificar tendências e lacunas na literatura, apontando direções para futuras pesquisas — ao sistematizar evidências que indicam oportunidades de avanço científico e prático, com ênfase em aspectos como governança de dados, explicabilidade algorítmica e mensuração de impacto organizacional.

Assim, o rigor metodológico adotado assegura que cada objetivo específico seja diretamente atendido pelo processo de revisão sistematizada, garantindo a confiabilidade das conclusões e favorecendo a replicabilidade e a utilidade dos resultados para a comunidade acadêmica e profissional.

REVISÃO BIBLIOGRÁFICA

3.1 BIG DATA NO CONTEXTO ORGANIZACIONAL: CONCEITOS, CARACTERÍSTICAS E DESAFIOS

O fenômeno da big data tem sido conceitualizado não apenas pela dimensão quantitativa do volume de informação, mas também pela combinação de atributos que afetam diretamente a capacidade organizacional de extrair valor

dos dados — tradicionalmente descritos como volume, variedade, velocidade, veracidade e valor (Mikalef, van de Wetering, & Giannakos, 2023).

Essas características implicam mudanças estruturais nas rotinas de coleta, armazenamento e processamento de informação, exigindo infraestruturas escaláveis e arquiteturas de dados que suportem tanto análises em lote quanto processamento em tempo real. Em consequência, o desenho de capacidades analíticas tornou-se um fator determinante para transformar dados brutos em ativos estratégicos capazes de subsidiar decisões gerenciais (Khan et al., 2023).

A literatura recente enfatiza que a geração contínua e heterogênea de dados impõe riscos relacionados à qualidade (veracidade) e à relevância (valor) das informações utilizadas para modelagem analítica. Dados incompletos, ruidosos ou viesados comprometem a robustez dos modelos e podem levar a decisões equivocadas — um problema especialmente sensível quando algoritmos automatizados ou semiautomatizados passam a influenciar escolhas gerenciais (Ghasemaghaei, 2020).

Ademais, a velocidade de produção de dados requer o desenvolvimento de pipelines e mecanismos de governança que assegurem integridade, rastreabilidade e atualização dos repositórios, de modo a viabilizar insights oportunos e confiáveis para níveis decisórios operacionais, táticos e estratégicos (Rana, Dwivedi, Hughes, & Akter, 2024).

Além dos desafios técnicos, o uso de big data em contextos organizacionais demanda competências gerenciais e arranjos institucionais que permitam traduzir resultados analíticos em ações concretas. A literatura aponta lacunas frequentes entre capacidade técnica e capacidade interpretativa/decisional: enquanto equipes de ciência de dados podem produzir modelos preditivos sofisticados, a apropriação desses resultados por gestores depende de fatores como literacia analítica, alinhamento entre áreas de negócio e TI, e desenho de processos que incorporem outputs analíticos nas rotinas de decisão (Mikalef et al., 2023).

Em termos práticos, isto reforça a necessidade de políticas internas de governança de dados, formação contínua e papéis organizacionais que façam a mediação entre técnico e decisor.

Por fim, o contexto regulatório e as demandas sociais por transparência e responsabilidade também configuram dimensões críticas do problema. A pressão por maior explicabilidade dos modelos, proteção de privacidade e mitigação de vieses tem levado organizações a repensar não apenas como armazenam e processam dados, mas também como documentam decisões automatizadas e asseguram accountability (Khan et al., 2023; Rana et al., 2024). Assim, compreender as características e desafios da big data no âmbito organizacional é condição necessária para avaliar o papel da inteligência artificial como instrumento de geração de insights gerenciais — um ponto de partida imprescindível para examinar, em seguida, as técnicas e práticas que efetivamente convertem dados massivos em decisões estratégicas.

3.2 TÉCNICAS E ABORDAGENS DE INTELIGÊNCIA ARTIFICIAL APLICADAS À GESTÃO

As organizações recorrem a uma diversidade de métodos de inteligência artificial (IA) para processar grandes volumes e variedades de dados, convertendo-os em insights estratégicos para a tomada de decisão gerencial. Entre as abordagens mais prevalentes, destacam-se os algoritmos de machine learning supervisionado — como árvores de decisão e regressão — utilizados para previsão de demanda, churn e desempenho (Weng & Hsu, 2023), bem como os modelos de machine learning não supervisionado, como clustering, que ajudam na segmentação de clientes e identificação de padrões emergentes (Zhang et al., 2023).

Ainda no espectro das técnicas, o aprendizado profundo (deep learning) tem ganhado espaço ao lidar com dados não estruturados, como texto e imagens, facilitando análises mais sofisticadas e emergentes, como análises de sentimento e reconhecimento de padrões complexos (Weng & Hsu, 2023). Sistemas de recomendação e mecanismos de previsão preditiva também se destacam por oferecer soluções customizadas a gestores, suportando decisões em setores como marketing, operações e recursos humanos, ao antecipar comportamentos e demandar estratégias com base em evidências de dados (Zhang et al., 2023).

Essas técnicas são potencializadas por plataformas de analytics corporativo e ferramentas de visualização avançada, que tornam os resultados acessíveis e interpretáveis por gestores, integrando IA ao processo decisório cotidiano (Weng & Hsu, 2023; Zhang et al., 2023). Tal integração evidencia a convergência entre tecnologia e usabilidade, permitindo que insights complexos saiam do nível técnico e se traduzam em ação gerencial efetiva.

3.3 TRANSFORMANDO DADOS EM INSIGHTS: EVIDÊNCIAS E TENDÊNCIAS NA LITERATURA

Embora a adoção de inteligência artificial (IA) em ambientes de gestão impulsione ganhos expressivos em eficiência, personalização e previsibilidade, o processo de transformar big data em insights acionáveis enfrenta uma série de barreiras técnicas, organizacionais e éticas. Entre os principais desafios técnicos, destacam-se a qualidade e integridade dos dados — frequentemente comprometidas por inconsistências, lacunas e redundâncias — que impactam diretamente a acurácia e a confiabilidade dos modelos (Abraham et al., 2023).

Além disso, a escalabilidade dos algoritmos e a capacidade de processar dados em tempo real continuam sendo obstáculos significativos, especialmente em setores que demandam decisões rápidas e precisas (Mikalef et al., 2022).

No âmbito organizacional, questões como resistência cultural à adoção de IA, falta de competências analíticas entre gestores e dificuldades na integração entre sistemas legados e novas plataformas tecnológicas constituem entraves recorrentes (Ghasemaghaei & Calic, 2020). A ausência de uma governança robusta para gestão de dados e modelos também limita o aproveitamento pleno do potencial da IA gerando riscos de uso inadequado ou ineficiente das soluções implementadas.

Os aspectos éticos assumem um papel central no debate contemporâneo. Problemas relacionados à opacidade algorítmica e à falta de explicabilidade das decisões automatizadas geram desconfiança e dificultam a adoção responsável dessas tecnologias (Floridi & Chiriatti, 2020). Além disso, a presença de vieses nos dados de treinamento pode levar à reprodução e amplificação de desigualdades, impactando negativamente a equidade e a justiça nas decisões organizacionais (Mehrabi et al., 2021). Essas preocupações éticas exigem o desenvolvimento de mecanismos de auditoria, accountability e regulamentações claras, capazes de assegurar que o uso da IA seja alinhado a princípios de transparência, justiça e responsabilidade.

Portanto, compreender e mitigar esses desafios é crucial não apenas para garantir a eficácia técnica das soluções, mas também para fortalecer a confiança entre stakeholders e viabilizar a integração sustentável da IA nos processos decisórios corporativos.

ANÁLISE DOS RESULTADOS

A análise de dados desta pesquisa derivou de um processo rigoroso de revisão bibliográfica sistematizada, concebido para assegurar transparência, consistência metodológica e possibilidade de replicação. Todo o procedimento foi conduzido em consonância com as diretrizes estabelecidas pelo Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), conforme atualizado por Page et al. (2021), abrangendo as etapas de identificação, triagem, elegibilidade e inclusão, bem como o registro explícito das decisões tomadas em cada fase.

A busca bibliográfica foi estruturada para cobrir amplamente a literatura relevante, utilizando bases de dados reconhecidas pela abrangência e rigor de indexação, como Scopus, Web of Science, IEEE Xplore, ScienceDirect e SciELO. Essas plataformas foram selecionadas por contemplarem publicações de caráter multidisciplinar e revisadas por pares, garantindo a diversidade e a qualidade das fontes. O recorte temporal abrangeu o período de janeiro de 2020 a julho de 2025, intervalo no qual se intensificaram avanços na aplicação da inteligência artificial (IA) associada à big data em contextos de gestão (Ghasemaghaei, 2020).

Para ampliar a cobertura da pesquisa, foram definidos descritores em português e inglês — “Inteligência Artificial” OR “Artificial Intelligence”; “Big Data”; “Gestão” OR “Management”; “Tomada de decisão” OR “Decision making”; “Insights gerenciais” OR “Managerial insights” — combinados por operadores booleanos, estratégia que possibilitou uma busca mais precisa e exaustiva. Por exemplo, na base Scopus, aplicou-se a seguinte formulação: (“Artificial Intelligence” OR “Inteligência Artificial”) AND (“Big Data”) AND (“Management” OR “Gestão”) AND (“Decision making” OR “Tomada de decisão” OR “Managerial insights” OR “Insights gerenciais”) AND (LIMIT-TO (PUBYEAR, 2020-2025)).

Os critérios de inclusão abrangeram: (i) artigos completos revisados por pares; (ii) abordagem explícita sobre aplicações de IA em big data com implicações gerenciais; (iii) estudos empíricos, teóricos ou de revisão; e (iv) disponibilidade integral para leitura. Os critérios de exclusão contemplaram: (i) trabalhos de caráter estritamente técnico sem relação com a gestão; (ii) resumos de conferências, editoriais ou relatórios não revisados por pares; e (iii) estudos centrados exclusivamente em contextos não gerenciais.

O processo de busca inicial resultou em 1.290 registros (1.245 provenientes das bases e 45 obtidos por fontes complementares). Após a remoção de duplicatas, restaram 1.150 artigos para a etapa de triagem por título e resumo, na qual foram excluídos 780 trabalhos que não atendiam aos critérios pré-definidos. Na fase seguinte, 370 artigos foram analisados integralmente, sendo 280 excluídos por inadequação ao escopo. Dessa forma, 90 estudos compuseram a síntese qualitativa final, que fundamentou a etapa de interpretação e discussão.

A referida análise combinou abordagens quantitativas e qualitativas. Inicialmente, aplicou-se uma análise bibliométrica descritiva para identificar a distribuição temporal das publicações, as técnicas de IA mais recorrentes, os setores de aplicação e os tipos de big data utilizados, conforme recomendações de Donthu et al. (2021). Em seguida, realizou-se uma análise de conteúdo segundo o método de Bardin (2016), categorizando os estudos a partir de eixos temáticos relacionados a desafios técnicos, organizacionais e éticos. Essa integração metodológica permitiu não apenas quantificar padrões, mas também compreender as nuances contextuais que moldam o uso da IA em processos decisórios e estratégias de gestão.

O uso do fluxograma PRISMA para registro visual das etapas fortaleceu a reprodutibilidade e a auditabilidade da revisão, contribuindo para a confiabilidade dos achados (Snyder, 2019; Kitchenham & Charters, 2007; Fink, 2020). Dessa forma, a análise dos dados, conduzida de maneira sistemática e transparente, proporcionou subsídios sólidos para a discussão dos resultados e para a formulação de recomendações alinhadas aos objetivos do estudo.

O fluxograma representa visualmente as etapas de identificação, triagem, elegibilidade e inclusão dos estudos, reforçando a transparência e a rastreabilidade metodológica conforme as diretrizes de Page et al. (2021). Essa representação é útil para que leitores e pesquisadores compreendam o caminho percorrido até a composição final da amostra utilizada na revisão.

Figura 1. Fluxograma PRISMA

Fonte: Própria autoria, 2025.

A compreensão do estado da arte acerca da utilização de inteligência artificial, big data e analítica no suporte à tomada de decisão gerencial requer a análise de contribuições teóricas e empíricas de diferentes autores, nacionais e internacionais. Ao mapear esses estudos, é possível identificar não apenas os conceitos centrais que estruturam o campo, mas também os fundamentos metodológicos e epistemológicos que sustentam a evolução da área.

A Tabela 1 apresenta uma síntese dos principais dados analisados, evidenciando as principais ideias, fundamentos e contribuições de pesquisadores cujas obras são amplamente reconhecidas na literatura especializada. Essa sistematização possibilita compreender como diferentes abordagens — desde análises críticas sobre governança e ética até estudos empíricos de impacto organizacional — dialogam para formar um corpo teórico robusto e multidimensional, servindo de referência para a construção do presente estudo. Tabela 1. Estudos anteriores de autores nacionais e internacionais

Autor(es)	Conceito central	Fundamentos principais	Contribuições à literatura
Vasant Dhar (2014)	Ciência de dados e predição para suporte à decisão	Enfoque em métodos preditivos e no papel da predição nas decisões organizacionais; fundamentos de data science para decisão.	Estruturou a relação entre técnicas de predição e utilização na prática decisória, fornecendo fundamento conceitual         para aplicações gerenciais.
Solon Barocas & Andrew D. Selbst (2016)	Implicações normativas e sociais do uso de ML	Análise crítica sobre como vieses institucionais se materializam em sistemas algorítmicos; base legal/ética.	Fundamentou a discussão sobre riscos legais e sociais do uso de modelos, orientando práticas de governança e compliance.
Erik Brynjolfsson & Tom Mitchell (2017)	Capacidades e limites do machine learning para tarefas humanas	Revisão teórica/empírica sobre o que ML pode (e não pode) fazer; implicações      para produtividade    e emprego.	Clarificou potencial e restrições do ML em contextos organizacionais, influenciando debates sobre adoção             e expectativas gerenciais.
Nadine Côrte-Real, Tiago Oliveira & Pedro Ruivo (2017)	Valor de Big Data Analytics          para desempenho organizacional	Estudos empíricos sobre capacidades de analytics, resource- based view e alinhamento TInegócio.	Evidenciou como capacidades analíticas traduzem- se em valor de negócio e quais são os fatores críticos de sucesso.

Thomas              H. Davenport (2018)	Adoção prática da IA nas organizações; valor econômico da IA aplicada	Estudos de casos, análise de projetos bem-sucedidos; foco gerencial em valor e implementação.	Identifica fatores que tornam projetos de IA eficazes na prática e diferencia projetos com valor real dos que são apenas hype.
Christoph             Molnar (2020)	Interpretabilidade             e explicabilidade  em modelos de ML	Catálogo de técnicas de interpretabilidade; distinção entre modelos intrinsically interpretable e posthoc explainers.	Referência prática e teórica para tornar modelos “explicáveis”, essencial para adoção da IA em contextos gerenciais.
Maryam Ghasemaghaei (2020)	Qualidade dos dados e diagnóstico na melhoria da decisão gerencial	Diferenciação conceitual entre características do big data; investigação empírica sobre data quality e decision quality.	Mostrou que big data nem sempre melhora decisão; enfatizou importância da qualidade e da diagnósticidade dos dados.
Luciano         Floridi (2021)	Ética, governança e políticas para IA responsável	Abordagem éticaprimeiro para desenvolvimento e governança de IA; frameworks normativos.	Contribuiu com base teórica para políticas de governança e princípios éticos aplicáveis a organizações que usam IA.
Kate          Crawford (2021)	Dimensões sociais, políticas e ambientais da infraestrutura de IA	Investigação crítica sobre extração de dados, trabalho e impactos sociais da IA (Atlas of AI).	Evidenciou custos sociais/ambientais da cadeia produtiva de IA e suscitou reflexões sobre responsabilidade organizacional.
Mehrabi, Morstatter, Saxena, Lerman & Galstyan (2021)	Vieses e justiça em Machine Learning	Revisão sistemática sobre tipos de vieses, métricas de fairness e métodos           de mitigação.	Consolidou o estado da arte sobre fairness em ML, relevante para decisões gerenciais que dependem de modelos algorítmicos.
Donthu, Kumar, Mukherjee, Pandey & Lim (2021)	Métodos de análise bibliométrica para mapear literatura	Diretrizes e técnicas para conduzir análises bibliométricas   e interpretar tendências.	Ofereceu procedimento sistemático       para analisar tendências e estruturas         de pesquisa          (útil             em revisões bibliográficas).
Rana, Dwivedi, Hughes & Akter (2024)	Integração IA + Big Data para decisão inteligente (revisão)	Revisão recente sobre aplicações, limites e agenda de pesquisa; foco em smart decisionmaking.	Forneceu mapeamento atualizado         das aplicações e uma agenda de pesquisa focada em governança, explicabilidade  e impacto.

Fonte: Própria autoria, 2025. A literatura acadêmica sobre o uso de inteligência artificial (IA) e Big Data na gestão apresenta um corpo robusto de estudos que abordam desde aspectos técnicos até implicações éticas e sociais. Conforme sintetizado na Tabela 1, resultado da análise de dados, autores de diferentes áreas têm contribuído para compreender como essas tecnologias influenciam a tomada de decisão organizacional e moldam práticas gerenciais. Davenport (2018), por exemplo, destaca a adoção prática da IA e o valor econômico gerado por sua aplicação em organizações, enfatizando fatores críticos para implementação bem-sucedida. Em linha semelhante, Brynjolfsson e Mitchell (2017) exploram as capacidades e limitações do machine learning em tarefas humanas, oferecendo subsídios para alinhar expectativas gerenciais ao potencial real da tecnologia.

A vertente analítica é aprofundada por Dhar (2014), que discute o papel da predição nas decisões organizacionais, enquanto Côrte-Real, Oliveira e Ruivo (2017) demonstram empiricamente como as capacidades de analytics contribuem para o desempenho organizacional. Aspectos relacionados à qualidade dos dados, cruciais para decisões mais precisas, são enfatizados por Ghasemaghaei (2020), que alerta para a necessidade de assegurar integridade e relevância das informações. Já Rana, Dwivedi, Hughes e Akter (2024) apresentam uma revisão abrangente das aplicações integradas de IA e Big Data, delineando uma agenda de pesquisa voltada à governança e à explicabilidade.

O mapeamento bibliométrico como ferramenta de compreensão da produção científica é abordado por Donthu, Kumar, Mukherjee, Pandey e Lim (2021), oferecendo suporte metodológico para estudos de revisão. No campo da interpretabilidade, Molnar (2020) cataloga técnicas para tornar modelos de machine learning mais transparentes, fator essencial para a adoção responsável dessas tecnologias. Floridi (2021) avança na discussão sobre ética e governança, propondo frameworks normativos, enquanto Crawford (2021) analisa dimensões sociais, políticas e ambientais associadas à infraestrutura da IA. Temas críticos como vieses e justiça algorítmica são sistematizados por Mehrabi, Morstatter, Saxena, Lerman e Galstyan (2021), e discutidos sob uma perspectiva normativa por Barocas e Selbst (2016), que evidenciam riscos legais e sociais decorrentes do uso de modelos automatizados.

Assim, os trabalhos reunidos na Tabela 1 fornecem uma base teórica e empírica abrangente, que apoia o presente estudo ao articular fundamentos técnicos, metodológicos, éticos e gerenciais necessários para compreender e orientar o uso de IA e Big Data na gestão contemporânea.

CONSIDERAÇÕES FINAIS

O presente estudo alcançou plenamente seu objetivo geral de analisar, por meio de revisão da literatura acadêmica recente, as aplicações de Inteligência Artificial (IA) no contexto da gestão, destacando desde o tratamento e análise de grandes volumes de dados (Big Data) até a geração de insights estratégicos. Ao reunir contribuições teóricas e empíricas de autores nacionais e internacionais, a pesquisa permitiu mapear os principais conceitos, abordagens metodológicas e perspectivas críticas que vêm moldando esse campo interdisciplinar.

A revisão bibliográfica, conduzida com base em critérios sistemáticos, possibilitou identificar tendências emergentes e lacunas de pesquisa, além de estabelecer uma base conceitual sólida para compreender as implicações técnicas, organizacionais, éticas e sociais da IA aplicada à gestão. A metodologia adotada, de natureza qualitativa e fundamentada em procedimentos de revisão integrativa, viabilizou a coleta, categorização e análise de trabalhos publicados nos últimos anos, garantindo rigor acadêmico e relevância teórica.

Os principais resultados alcançados indicam que, embora a IA e o Big Data possuam elevado potencial para aprimorar processos decisórios, gerar valor de negócio e otimizar recursos, sua adoção ainda enfrenta desafios significativos. Entre esses, destacam-se a necessidade de dados de alta qualidade (Ghasemaghaei, 2020), a explicabilidade dos modelos (Molnar, 2020), a governança e a ética na aplicação (Floridi, 2021), e a mitigação de vieses algorítmicos (Mehrabi et al., 2021). Além disso, verificou-se que estudos mais recentes (Rana et al., 2024) apontam para a importância de integrar abordagens tecnológicas a políticas organizacionais robustas, de modo a garantir não apenas eficiência, mas também responsabilidade social e transparência.

Apesar de sua contribuição teórica, esta pesquisa apresenta limitações inerentes ao método de revisão adotado, uma vez que se restringiu a trabalhos disponíveis em bases acadêmicas indexadas e publicados predominantemente em inglês e português, o que pode ter excluído estudos relevantes em outros idiomas ou em formatos não indexados.

Como sugestão para futuras pesquisas, pode-se realizar estudos empíricos que explorem, em contextos organizacionais específicos, a efetividade das aplicações de IA no processo decisório, bem como a avaliação comparativa entre setores de atuação. Além disso, recomenda-se aprofundar a investigação sobre frameworks de governança de IA, práticas de explainable AI e métricas de impacto social, de modo a alinhar inovação tecnológica com princípios éticos e de sustentabilidade.

Conclui-se, portanto, que a consolidação de um uso estratégico e responsável da IA na gestão exige não apenas avanços técnicos, mas também a construção de um arcabouço ético e regulatório capaz de equilibrar inovação e responsabilidade. Este trabalho contribui ao oferecer um panorama crítico e atualizado sobre o tema, servindo como referência tanto para pesquisadores interessados em expandir a base teórica quanto para gestores que buscam embasar decisões estratégicas em evidências sólidas. Ao iluminar o caminho para práticas mais eficientes, transparentes e éticas, a pesquisa reforça que o futuro da gestão apoiada por IA dependerá, acima de tudo, da capacidade de integrar tecnologia, governança e propósito social em um mesmo horizonte de desenvolvimento.

DOI: 10.54033/cadpedv22n10-194

Originals received: 7/15/2025

Acceptance for publication: 8/8/2025

Baixe aqui o artigo original:

Do Big Data ao Insight Cad+Ped+194.pdf

Fazer download de PDF • 444KB