Uma pesquisa de 2026 de mais de 700 profissionais de IA visual e física da Voxel51 e Dimensional Research revela que a curadoria de dados, não a arquitetura de modelo, é a alavanca principal que separa equipes de envio de equipes paralisadas. Problemas de dados causam a maioria das falhas de modelo; a anotação permanece cara e desperdiçada conforme as equipes rotulam tudo e descartam muito antes da produção. O campo abrange vídeo (63%), nuvens de pontos 3D e LiDAR (38%), fluxos de sensores de séries temporais (42%) e áudio (25%), com 68% das equipes trabalhando em três ou mais modalidades.
Equipes excepcionais (aquelas que consistentemente enviadas para produção no alvo) investem 58% do tempo do projeto em trabalho de dados, versus apenas 21% para equipes em luta—quase uma lacuna de 3x. Entre equipes com modelos já em produção, 99% relatam desafios de conjunto de dados, em comparação com 96% ainda na fase de pesquisa. O trabalho de anotação realmente piora com a maturidade: 66% das equipes de produção a citam como um desafio principal versus 56% das equipes de pesquisa. A conclusão: a maturidade traz escala, e a escala torna a qualidade dos dados mais difícil de ignorar.
O gargalo estrutural não é computação ou custo; é infraestrutura de trabalho de dados. As equipes curam conjuntos de dados com milhões de pontos rotulados e não rotulados (23% mais de 1 milhão por projeto; 3% mais de 1 bilhão). A infraestrutura necessária para suportar gestão de dados multimodal, visualização 3D e adição de sensor em escala ainda está alcançando a intencão do praticante. Como uma descoberta observa, problemas de dados não diminuem com a experiência—eles se intensificam.
Para arquitetos de IA enviando sistemas de visão e físicos, a implicação é clara: investir em ferramentas de dados e fluxos de trabalho de curadoria cedo, não tarde. As equipes que se destacam gastam mais tempo em pipelines de dados, controle de versão e QA de anotação do que na busca de modelos maiores ou mais rápidos.