Graças a uma explosão de dados, aumentos exponenciais na capacidade de computação e armazenamento, e algoritmos melhores, as capacidades de inteligência artificial (IA) e aprendizado de máquina (ML) estão prontas para revolucionar os processos de negócios. Essas capacidades inteligentes não apenas sustentarão a automação aumentada e a otimização de processos, mas também melhorarão os resultados comerciais com planejamento, tomada de decisões e previsões de risco melhores e mais rápidos.
Destaques desse artigo:
- 92% das organizações dos entrevistados na pesquisa estão trabalhando com modelos de inteligência artificial ou aprendizado de máquina (IA/ML) hoje, seja em fase de pilotagem/experimentação ou em produção.
- 71% de todos os entrevistados na pesquisa afirmam que os modelos de IA/ML serão muito ou extremamente importantes para o desempenho dos negócios nos próximos 18 a 24 meses.
- 61% ainda não possuem uma estratégia de dados para apoiar o aprendizado de máquina e a ciência de dados.
De fato, os modelos de IA/ML serão muito ou extremamente importantes para o desempenho dos negócios da maioria das organizações nos próximos dois anos, de acordo com uma pesquisa da Harvard Business Review Analytic Services com 247 executivos de negócios familiarizados com o uso de IA em suas organizações. “Há um grande impulso a longo prazo no mercado de IA”, diz Nitish Mittal, vice-presidente na prática de transformação digital da Everest Group, observando que a adoção de IA/ML deve acelerar até 2024.
Nove em cada dez entrevistados (92%) indicam que suas organizações estão trabalhando com modelos de IA/ML de alguma forma agora, seja testando ou experimentando com eles, implantando-os em áreas específicas ou executando-os em escala em toda a empresa. Mas, como Wayne Butterfield, diretor e líder da prática europeia de automação de IA da consultoria de negócios e pesquisa ISG, coloca, um número limitado de organizações está vendo um impacto significativo nos negócios com seus investimentos em IA/ML até agora.
“Se desmembrarmos a IA em seus vários componentes, praticamente todas as empresas estão usando pelo menos um deles”, diz Butterfield. “Mas nada disso é transformador. Está acontecendo muito nas bordas. Muito poucas organizações são as pioneiras em IA. A maioria das organizações não está configurada para alcançar isso.”
A mera existência de mais dados, maior poder de computação e melhores algoritmos não é suficiente para impulsionar a mudança nos negócios habilitada por IA/ML. A otimização e a transformação dependerão da capacidade de uma organização de acessar, processar e analisar os dados que alimentam a IA e o ML. Embora a maioria das organizações dos entrevistados esteja pelo menos desenvolvendo um plano coeso e processos para coletar, processar, governar e obter valor dos dados especificamente otimizados para ML e ciência de dados, não muitas têm uma estratégia de dados no lugar que permita uma aplicação muito eficaz de modelos de IA/ML atualmente.
A maioria das organizações reconhece a importância crítica de seus modelos de IA/ML para o sucesso futuro, bem como a importância de uma estratégia de dados focada em IA. No entanto, há muito trabalho a ser feito a curto prazo. Aqueles que esperam avançar em suas ambições de IA/ML para o futuro terão que ampliar seu foco na criação e implementação de planos e processos coesos para coletar, processar, governar e obter valor dos dados especificamente otimizados para aprendizado de máquina e ciência de dados.
O Imperativo da IA
Há um amplo espectro de maturidade em IA/ML no mercado – desde a adoção inicial por líderes de alta tecnologia e empresas ricas em dados até experimentações únicas e projetos-piloto por retardatários. No entanto, mais organizações têm experiência na implementação de modelos internos de IA/ML do que aquelas que não têm. Por exemplo, quatro em cada 10 entrevistados afirmam que suas organizações têm modelos de IA/ML em produção em uma ou mais áreas de negócios, quase um terço está realizando pilotos ou experimentos com essas capacidades, e 18% estão usando modelos de IA/ML em escala, de acordo com a pesquisa.
“Há uma compreensão do poder da IA que evoluiu nos últimos cinco anos”, diz Beena Ammanath, diretora executiva do Deloitte AI Institute. “No passado, era mais uma questão do que a IA poderia fazer. Hoje, a maioria das organizações está presa na fase de implementação, quando se passa da ideia para a produção e se começa a pensar em dimensionar sistemas de IA e adoção pelos usuários. Esse é o último salto.”
Os modelos de IA/ML só crescerão em importância para o desempenho empresarial a curto prazo. Mais de dois terços dos entrevistados (71%) afirmam que os modelos de IA/ML serão muito ou extremamente importantes para o desempenho dos negócios de suas organizações nos próximos dois anos – um aumento de mais de 50% em relação ao número que diz que os modelos de IA/ML são essenciais para o desempenho hoje.
Esse novo imperativo da IA se deve, em parte, ao crescimento dos volumes de dados que as organizações têm e podem coletar ou acessar, além das demandas habilitadas por dados de seus clientes, parceiros e funcionários. “A IA é uma forma de as organizações darem sentido a grandes volumes de dados nos quais agora estão sentadas – dados de funcionários, dados de clientes, dados de parceiros, dados operacionais”, diz Mittal, da Everest Group. “Muitos desses dados são inutilizáveis a menos que se apliquem um amplo espectro de tecnologias de IA. Como os dados são cruciais para a forma como as empresas atendem melhor seus stakeholders, a IA é uma ferramenta muito importante [a se ter] no arsenal”.
O Estado da IA Empresarial
Os modelos de IA/ML certamente podem ter um impacto profundo nas empresas – até mesmo em setores inteiros, como visto na interrupção do setor bancário e financeiro por empresas de tecnologia financeira habilitadas por IA ou no desenvolvimento de novos testes e vacinas para a Covid-19 impulsionados por ML. Os líderes empresariais acompanharam isso ao longo dos últimos anos de disrupção digital. No entanto, para muitas organizações hoje, o impacto imediato da IA/ML pode ser mais incremental.
De acordo com a pesquisa, automação e otimização são os casos de uso mais populares para modelos de IA/ML, com 42% dos entrevistados indicando que suas organizações estão buscando principalmente a automação de tarefas repetitivas por meio do desenvolvimento e adoção interna de modelos de IA/ML, e 38% dizendo que estão procurando otimizar os processos de negócios. No entanto, mais de um terço afirma que suas organizações estão buscando resultados de negócios mais profundos: 37% esperam possibilitar novas ou melhoradas experiências do cliente e 34% buscam tomadas de decisão melhores ou mais rápidas.
“Se simplificarmos, a IA é realmente boa em encontrar padrões e fazer previsões”, diz Butterfield da ISG.
Assim, muitos casos de uso iniciais se concentraram em áreas onde essas capacidades têm o maior impacto, como detecção de fraudes ou otimização de marketing. Mittal categoriza os casos de uso de IA/ML em quatro categorias: eficiência, eficácia, experiência e evolução.
“Não surpreendentemente, grande parte do foco inicial foi na melhoria da eficiência e eficácia, aumentando a eficácia de um processo ou função ou melhorando a forma como as pessoas trabalham”, diz Mittal. Investimentos em chatbots inteligentes ou assistência digital também começaram a impactar as experiências do cliente ou do funcionário, impulsionados pela pandemia de Covid-19. “Os casos de uso em torno da evolução – usando a IA para oferecer novas soluções, modelos de negócios ou fluxos de receita – são os mais incipientes”, diz Mittal. “Para chegar a essa fase, as empresas precisarão resolver seus problemas de dados e desenvolver modelos de IA que sejam explicáveis, livres de viés e robustos.”
O Dilema da Estratégia de Dados
Na verdade, os desafios de dados que as organizações enfrentam ao desenvolver, implantar e escalar seus modelos de IA/ML podem ser significativos. “Não posso enfatizar o suficiente: os dados ou a falta da estratégia de dados certa é o principal gargalo para dimensionar ou fazer qualquer coisa com a IA”, diz Mittal. “Quando os clientes vêm até nós com o que eles pensam ser um problema de IA, quase sempre é um problema de dados.”
O problema não é que os líderes não entendam a importância de ter um plano coeso e processos para coletar, processar, governar e extrair valor dos dados especificamente otimizados para aprendizado de máquina e ciência de dados. A maioria dos entrevistados já possui tal estratégia de dados (37%), está desenvolvendo uma (38%) ou tem planos para fazê-lo (16%).
No entanto, apenas 35% afirmam que sua estratégia de dados permite a aplicação eficaz de modelos de IA/ML muito ou extremamente bem (uma pontuação de oito a dez em uma escala de zero a 10, sendo 10 “extremamente bem”).
“Há muitos equívocos de que a IA vai te dizer algo que você não sabe, mas só pode fazer isso se você estiver fazendo as perguntas certas”, diz Butterfield. “Quando você está pensando em ser uma empresa com foco em IA, tudo se resume a dados e estratégia de dados. Você precisa saber o que está tentando alcançar e, no nível mais básico, ser direcionalmente preciso no que está pedindo para a IA fazer.”
Sem essa precisão, as organizações correm o risco de se tornarem acumuladores de dados, coletando o máximo de dados possível sem um plano real. As empresas que têm mais sucesso em sua aplicação de IA/ML “têm uma estratégia, e essa estratégia começa com dados”, diz Butterfield. “Eles pensam no que desejam alcançar e por quê, e depois determinam quais dados precisam para chegar lá.”
Domando o Ciclo de Vida dos Dados
A otimização e transformação de negócios habilitados por IA/ML dependem da capacidade de uma organização acessar, processar e analisar dados efetivamente ao longo do ciclo de vida dos dados – desde a coleta e armazenamento até a engenharia e integração de dados, até a análise de dados e desenvolvimento de fluxos de trabalho. “A IA depende de dados viáveis para prosperar”, diz Mittal. “É por isso que é importante pensar nos dados primeiro – antes da IA. Quando você não o faz, cria estresse desnecessário e retarda tudo.”
As organizações podem enfrentar desafios em vários pontos da jornada de dados. A boa notícia: as empresas parecem entender, em grande parte, onde devem concentrar seus esforços para enfrentar suas dificuldades específicas com dados. A maioria dos processos dentro do ciclo de vida dos dados que são mais desafiadores para os esforços internos de IA/ML das organizações hoje – integração de dados, enriquecimento e engenharia de dados, e desenvolvimento de modelos – também serão áreas-chave de investimento nos próximos dois anos.
“O nível de compreensão em torno dos requisitos de dados para a IA é maior do que era há alguns anos, mas ainda há mais trabalho a fazer”, diz Ammanath, da Deloitte AI. “Não basta dizer que você tem 20 anos de dados. Você precisa ter os dados certos. Você pode ter grandes quantidades de dados, mas pode não ter a qualidade de que precisa.”
Além disso, as organizações tendem a se concentrar nos big data que podem alimentar um modelo de IA/ML, mas também podem precisar integrar outros dados armazenados em arquivos Excel de desktop, registros de manutenção em papel ou gravações de centros de atendimento. Um bom modelo de IA/ML pode precisar integrar e analisar esses chamados small data, que podem incluir informações importantes de grupos focais ou entrevistas com clientes, para resolver problemas de negócios de maneira mais eficaz. “A maioria das pessoas fica surpresa com a quantidade de small data de que você precisa”, diz Ammanath. “As organizações estão começando a digitalizar parte disso, mas você precisa traduzir esses dados para torná-los utilizáveis no ambiente de IA.”
Superando Obstáculos para a Expansão da IA
A falta de eficácia ao longo do ciclo de vida dos dados está, em parte, dificultando a escalabilidade das aplicações de modelos de IA/ML nas empresas, juntamente com uma variedade de outros fatores – alguns intimamente relacionados à falta de uma estratégia de dados coesa. Segundo Mittal, um pouco mais de um terço dos entrevistados (36%) afirmam que os desafios de integração de dados estão entre os três principais obstáculos que suas organizações enfrentam ao escalar o uso de modelos de IA/ML, tornando-se a resposta mais comum, e três em cada dez citam a baixa qualidade dos dados.
“Há todo um exercício que as empresas precisam fazer para lidar com os dados. Muitas não têm um data lake central ou uma plataforma. Elas não têm uma arquitetura de dados capaz de reunir dados de lugares diferentes e limpá-los para que sejam utilizáveis pela tecnologia de IA”, diz Ammanath. “Como resultado, há muitos zeladores de dados por aí tendo que fazer esse trabalho e construir a infraestrutura necessária”.
Em qualquer transformação, haverá desafios relacionados não apenas à tecnologia, mas também às pessoas e aos processos. Também estão no topo da lista de problemas que os entrevistados citam como os maiores impedimentos para a expansão das aplicações de modelos de IA/ML a falta de habilidades necessárias (35%), gerenciamento de mudanças organizacionais (31%) e dificuldade em avançar de projetos-piloto para modelos em produção (28%). “As pessoas podem não ter as habilidades certas ou podem não estar dispostas a compartilhar seus conhecimentos [de domínio] para os esforços de IA porque temem ser substituídas pela automação”, diz Butterfield.
O talento em ciência de dados está em falta; até mesmo os líderes com foco em IA têm que lutar para recrutar e reter capacidades críticas. Quando se trata de desenvolver os modelos de IA/ML mais eficazes, a expertise de domínio também é essencial. “Você pode precisar de um engenheiro aeroespacial ou de um especialista em manufatura para explicar aos cientistas de dados o significado das colunas de dados, o que é normal versus uma anomalia, e criar essas conexões”, diz Ammanath. “Capturar essa informação é um obstáculo”.
Os processos existentes também podem dificultar a mudança. “Eles são, de longe, o maior inibidor de uma transformação fácil”, diz Butterfield. “Se você é eficiente e maduro em compreender processos, a transformação habilitada por IA será mais fácil do que para aqueles com processos que são bastante ineficientes ou que não têm um entendimento decente de seus processos existentes”.
A Promessa e a Dor da Nuvem
As organizações de hoje são beneficiárias da nuvem que as ajuda a alcançar suas ambições de IA/ML. “Os algoritmos mais poderosos do mundo estão disponíveis em seu desktop ou laptop por centavos de dólar”, diz Butterfield. “Essas grandes organizações de tecnologia, com bilhões de pontos de dados e grandes infraestruturas de nuvem, tornaram suas ferramentas de IA prontamente acessíveis. Isso transformou a maneira como uma organização pode acessar esse nível de tecnologia”.
Atualmente, parece que as organizações estão adotando uma variedade de abordagens de armazenamento de dados para seus próprios dados de modelos de IA/ML. Mais de um quarto dos entrevistados (27%) afirmam que a maioria dos dados usados para modelagem interna de IA/ML é armazenada em data centers locais, a opção mais comum. Multi-nuvem, nuvem híbrida e nuvem privada estavam empatadas, com 15% dos entrevistados citando cada ambiente como o local onde a maioria de seus dados de IA/ML reside atualmente. Um pouco mais de 10% afirmam que a maioria dos dados de seus modelos de IA/ML está armazenada em um ambiente híbrido de múltiplas nuvens (12%) ou por um único fornecedor de nuvem pública (12%). Ainda assim, parece que mais organizações estão caminhando para um futuro de múltiplas nuvens ou nuvem híbrida. Setenta e cinco por cento dos entrevistados concordam que uma estratégia de múltiplas ou híbridas nuvens é necessária para que suas organizações alcancem suas ambições de IA.
“De certa forma, isso traz um nível diferente de complexidade”, diz Mittal, observando que os líderes de negócios terão que considerar qual é o melhor local para diferentes tipos de dados, entender as diferentes funcionalidades e ofertas de desempenho de vários fornecedores e analisar o impacto financeiro da nuvem versus armazenamento local para determinar a melhor forma de otimizar o uso da nuvem para os dados de modelos de IA/ML.
Muitas organizações estão recorrendo a plataformas de dados para simplificar a complexidade. “Uma abordagem de nuvem de dados corporativos que pode ajudar a enfrentar alguns desses problemas – gerenciar o desempenho dos fluxos de trabalho de IA/ML e fornecer uma única visão para as organizações – pode ser muito útil”, diz Mittal. “Isso lhe dá a capacidade de consolidar e integrar ferramentas de monitoramento e realizar otimizações contínuas”.
Melhores Práticas para um Futuro com Foco em IA
Existem algumas lições aprendidas pelos primeiros adotantes que as organizações podem aplicar agora para mitigar alguns dos desafios comuns na adoção e expansão de IA/ML nas empresas.
1. Estabeleça a propriedade da IA empresarial e construa uma estratégia de dados.
– A maioria das organizações, quando inicia essa jornada, trará um diretor de dados-chefe para conduzir esse mandato. “Investir em um executivo de nível C para desenvolver uma estratégia de dados e métricas de governança mais cedo do que tarde é fundamental”, diz Ammanath.
2. Invista em talento.
– Para muitas organizações, essa tarefa exigirá parcerias com terceiros que tenham expertise em IA/ML. “A falta de talento ou parcerias adequadas impede muitas organizações”, diz Ammanath. Ciência de dados não é a única habilidade necessária para a adoção eficaz de IA/ML; também requer o envolvimento de especialistas de domínio dentro do negócio.
3. Construa confiança.
– O mandato pode vir de cima para baixo, mas a adoção pelos usuários pode fazer ou quebrar as iniciativas de IA. “Você pode criar o melhor modelo de ML, mas se ninguém o usar, ele fracassará”, diz Ammanath. “É importante construir confiança nos sistemas de IA e fomentar uma cultura corporativa que promova a adoção de IA.”
4. Comece com o problema de negócios, não com a solução tecnológica.
– CIOs experientes sabem disso, mas outros líderes de negócios podem ficar deslumbrados com a promessa da IA. Não busque a IA apenas por sua própria causa, diz Mittal. Em alguns casos, um motor baseado em regras simples ou até mesmo uma planilha do Excel podem ser uma solução melhor.
5. Considere o contexto.
– Não há surpresas na IA. Tudo depende dos dados. “Se você estiver em uma indústria altamente regulamentada, pode nem ser permitido usar os dados que deseja”, diz Mittal. “Ou você pode ser capaz de usar os dados, mas eles não estão no formato correto. O contexto é fundamental.”
6. Torne a IA acessível.
– Organizações que desejam escalar o uso de IA/ML em toda a empresa devem se concentrar na democratização de dados e IA. Embora o diretor de dados-chefe desempenhe um papel crítico nos primeiros dias da IA/ML, esse executivo pode se tornar um gargalo a longo prazo. “Torne-o acessível aos usuários em toda a organização, em vez de algumas equipes de especialistas em IA”, aconselha Mittal. “Ajude os usuários a desenvolverem sua compreensão da IA e suas implicações, ofereça mais ferramentas de autoaprendizado e incorpore treinamento em IA na integração.” Aumentar a literacia de dados e IA em toda a organização, por fim, amplia o pool de talentos e impulsiona ainda mais a transformação habilitada por IA.
Conclusão
A maioria das organizações está nos estágios iniciais da aplicação de modelos de IA/ML. Os resultados provavelmente se acumularão gradualmente ao longo dos próximos anos – uma transformação gradual que acabará fazendo parte do tecido das principais empresas. “Será mais como um nascimento lento do que uma mudança repentina da noite para o dia”, diz Butterfield.
Essa transformação em baixa velocidade exigirá determinação e coordenação significativas. “A transformação usando IA requer uma reunião de pessoas, departamentos, tipos de tecnologia e muito mais sob um único guarda-chuva”, afirma. “Vai ser difícil.”
No entanto, como os entrevistados indicam, a integração eficaz de modelos de IA/ML em breve será uma questão existencial. Agora é o momento de trabalhar nos principais desafios de dados, aprender com os primeiros esforços e desenvolver as estratégias e processos de dados mais eficazes para o futuro.
Metodologia e Perfil dos Participantes dessa pesquisa
Um total de 247 respondentes foram selecionados da audiência de leitores da HBR (leitores de revistas / boletins informativos, clientes, usuários do HBR.org) para participarem da pesquisa.
Tamanho da Organização
48% – 10.000 ou mais funcionários
11% – 5.000–9.999 funcionários
19% – 1.000–4.999 funcionários
9% – 500–999 funcionários
6% – 100–499 funcionários
7% – Menos de 100 funcionários
Senioridade
19% – Executivos de alto escalão / Membros do conselho
45% – Gerentes Sêniores
30% – Gerentes intermediários
6% – Outras posições
Setor
32% – Tecnologia
18% – Manufatura
16% – Serviços Financeiros
Todos os outros setores com menos de 8% cada
Função no Trabalho
57% – TI
10% – Gerenciamento Geral / Executivo
Todas as outras funções com menos de 8% cada
Regiões
41% – América do Norte
26% – Ásia / Pacífico / Oceania
20% – Europa
8% – América Latina
4% – Oriente Médio / África
Fonte dessa pesquisa e do artigo:
Estudo publicado pela Harvard Business Review Advisory Council. A Harvard Business Review Analytic Services é uma unidade independente de pesquisa comercial dentro do Harvard Business Review Group, que realiza pesquisas e análises comparativas sobre desafios de gestão importantes e oportunidades de negócios emergentes. Buscando fornecer inteligência de negócios e insights de grupos de pares, cada relatório é publicado com base nas descobertas de pesquisas originais quantitativas e/ou qualitativas e análises. Pesquisas quantitativas são conduzidas com o HBR Advisory Council, o painel de pesquisa global da HBR, e pesquisas qualitativas são realizadas com executivos seniores de negócios e especialistas em assuntos de dentro e fora da comunidade de autores do Harvard Business Review.