fbInteligência artificial: o que fazer no curto e no longo prazo MIT Sloan Review Brasil

Frontiers #1

6 min de leitura

Inteligência artificial: o que fazer no curto e no longo prazo

MIT Sloan Management Review

24 de Setembro

Compartilhar:
Artigo Inteligência artificial: o que fazer no curto e no longo prazo

A inteligência artificial (IA, na sigla em inglês) está cada vez mais presente no mundo dos negócios. Mais do que isso: nos próximos cinco anos, deve ter um impacto significativo em todos os setores econômicos, de acordo com estudos realizados pela MIT Sloan Management Review. 

Diante das incertezas que cercam o desenvolvimento da inteligência artificial, uma ação realmente inteligente para a maioria das empresas é desenvolver um portfólio de ações de curto prazo, baseadas nas tendências atuais, e se preparar para futuras oportunidades desenvolvendo capacidades e infraestrutura de dados.

Os executivos podem dividir sua jornada pelo universo da inteligência artificial em três etapas: ideação e testar, priorizar e projeto piloto, e, por fim, escalar. 

1. Ideação e testar

Nesse estágio, as empresas devem olhar as coisas de quatro pontos de vista: as necessidades dos consumidores, os avanços tecnológicos, as fontes de dados e a divisão sistemática dos processos. Desse modo, é possível identificar as situações mais promissoras. 

A análise das necessidades dos clientes oferece uma orientação importante para se descobrir usos valiosos para IA. Os clientes podem ser externos ou, no caso das funções de suporte, internos. A compreensão profunda do desenvolvimento da ferramenta em blocos será decisiva para a incorporação sistemática de avanços tecnológicos. As fontes de dados, por sua vez, especialmente dados mais novos, oferecem outra perspectiva relevante, uma vez que a inteligência artificial depende dessas informações. Por fim, ao dividir os processos em elementos relativamente rotineiros e independentes, as empresas podem descobrir área que podem ser automatizadas com a IA. 

No caso de organizações com experiência limitada em IA, a recomendação é incluir, em paralelo, uma segunda etapa de testes, com base em uma situação que provavelmente vai gerar valor. 

Esses testes vão contribuir para a organização se familiarizar com IA e ressaltar as necessidades de dados e de integração de dados, além de obstáculos organizacionais e de capacitação – aspectos cruciais para o próximo estágio.    

2. Priorizar e projeto piloto

Os executivos devem priorizar projetos pilotos por conta do valor potencial de cada e da respectiva velocidade de entrega. Os testes realizados no primeiro estágio vão prover informações sobre os requisitos de tempo e a complexidade de potenciais projetos piloto. 

Uma vez que a organização tenha selecionado um conjunto de projetos piloto, deve executá-los em sprints de teste e aprendizado, como costuma ser feito no desenvolvimento de software. É natural que os projetos piloto tenham de lidar com um processamento e uma integração de dados ainda não lapidados e, por isso mesmo, serão imperfeitos. Ainda assim, ajudarão a priorizar corretamente e definir o escopo das iniciativas de integração de dados, identificando as capacidades e a escala necessárias a um processo de IA plenamente operacional. 

3. Escalar

O último estágio consiste em fazer com que os projetos piloto se transformem em ofertas e processos consistentes, e na construção das capacidades, dos procedimentos, da organização e da infraestrutura de dados e de TI. Embora esta fase posso levar de 12 a 18 meses, o ritmo permanente de sprints ágeis deve maximizar valor e limitar as correções de grande porte e inesperadas. 

Ainda no curto prazo, ao mesmo tempo que buscam um programa operacional, os executivos devem implementar um conjunto de atividades para se preparar, assim como a organização, para a tarefa de colocar a inteligência artificial para funcionar:

Compreender a IA

É importante conhecer o básico sobre o tema e ter uma compreensão intuitiva sobre o que é possível fazer nessa área. O importante é ter em mente que, na essência, os algoritmos são simples e, para além dos jargões, trata-se de um campo acessível a gestores de qualquer área. 

Check-up de IA

As empresas devem ter uma visão clara sobre sua posição de partida no que diz respeito à infraestrutura tecnológica, às habilidades organizacionais e a aspectos culturais, como a flexibilidade organizacional. Além disso, é preciso que entendam bem o nível de acesso aos dados internos e externos. 

Perspectiva dos colaboradores

IA pode se tornar algo disruptivo para os colaboradores. Embora a preocupação imediata com a perda de empregos geralmente seja exagerada, a introdução da inteligência artificial gera tanto estresse emocional como a necessidade de reskilling e upskilling em larga escala. A comunicação com os funcionários e os treinamentos devem fazer parte do planejamento desde os projetos piloto. 

Programa de longo prazo

O futuro da inteligência artificial, incluindo seu potencial para mudar de forma radical o modo pelo qual se cria valor, permanece altamente incerto. A melhor forma de combater essa realidade é testar diversos cenários a fim de gerar uma espécie de mapa que ligue as iniciativas individuais. 

Esses esforços permitirão que as empresas modifiquem sensivelmente seu plano original e lidem com as implicações relativas a dados, habilidades, organização e trabalho, como detalhamos a seguir:

Dados

Avanços significativos em IA dependem em grande parte do acesso a ativos de dados novos, único e valiosos. Felizmente, ao mesmo em alguns campoS, modelos de machine learning podem começar com um conjunto inicial de dados e serem aperfeiçoadOS ao longo do tempo com informações adicionais. 

No entanto, uma vez que o volume de dados dobra a cada dois anos, a vantagem competitiva baseada em ativos do passado é altamente perecível. Ou seja, acesso privilegiado a dados adicionais é essencial. Por isso, a propriedade sobre os dados é um problema relevante tanto entre os setores de atividade como nos limites de cada segmento.

Habilidades

Apenas uma pequena parcela das empresas compreende o conhecimento e as habilidades que o futuro da IA vai requerer. E as organizações que já contam com capacidades avançadas nesse campo frequentemente têm de lutar muito para conseguir atrair e reter talentos – dificuldade que deve diminui no próximos anos com a maior oferta de profissionais pelas universidades. 

Organização

Empresas com modelos organizacionais centralizados, descentralizados e híbridos apresentam abordagens diferentes em relação à inteligência artificial. A questão mais decisiva, segundo os estudos, é a necessidade de flexibilidade e de trabalho em equipe para além dos silos. Está ficando cada vez mais claro que a IA, do ponto de vista tecnológico, funciona melhor em estruturas que enfatizam ações descentralizadas, mas aprendizado centralizado. Isso é verdade tanto no caso de veículos autônomos como no marketing em tempo real, ou mesmo na manutenção preventiva ou nas funções de suporte de empresas de atuação global. Uma área central coleta e processa dados de todos os agentes descentralizados para maximizar o aprendizado e, então, implementa novos modelos e ajustes para esses agentes. 

Trabalho

A inteligência artificial, sem dúvida, vai influenciar estruturalmente o trabalho. No entanto, apesar dos temores de que isso levará à perda de empregos em larga escala, os estudos indicam que os efeitos devem ser limitados. É mais provável, embora não 100% garantido, que a tecnologia dispense muitos profissionais de tarefas desagradáveis que fazem atualmente. O fato, porém, é que o advento da IA vai obrigar todos a aprender novas habilidades, e rapidamente, o que também vai demandar flexibilidade e capacidade de mudar. Cada vez mais. 

*OS ESTUDOS DA MIT SLOAN MANAGEMENT REVIEW FORAM REALIZADOS EM CONJUNTO COM O BCG.

Compartilhar:

Autoria

MIT Sloan Management Review