Enquanto algumas empresas – os grandes bancos, Ford e GM, Pfizer e, praticamente todas as empresas de tecnologia – estão adotando a Inteligência Artificial, muitas outras ainda não começaram o processo. Elas estão esperando que a tecnologia amadureça e a especialização em IA esteja disponível em ampla escala. São os famosos “fast followers” – uma estratégia que tem dado certo com a maioria das tecnologias da informação.
É fato que algumas tecnologias precisam de melhorias, mas algumas (como o tradicional “machine learning”) já estão bem desenvolvidas e disponíveis há algumas décadas. Até mesmo algumas tecnologias mais novas – como o deep learning – são fundamentadas em pesquisas realizadas na década de 1990. Pesquisas são realizadas constantemente, mas os alicerces matemáticos e estatísticos da IA atual já estão há muito estabelecidos.
Tempo De Desenvolvimento do Sistema
Além do tempo de maturação técnica, há outros problemas relacionados à ideia de que as empresas serão capazes de se adaptar com rapidez quando as tecnologias estiverem mais eficientes. Primeiramente, é preciso levar em consideração o tempo necessário para desenvolver os sistemas de IA. Se forem genéricos, tais sistemas não agregarão valor ao seu negócio; portanto, é preciso de tempo para personalizá-los e configurá-los de acordo com o seu negócio, bem como possuir o conhecimento específico a ele atrelado. Caso a IA escolhida utilize machine learning, será necessário agrupar uma enorme quantidade de dados para treinamento. Se o sistema for multilíngue – como em aplicativos que funcionam em vários idiomas – pode ser ainda mais difícil montar e rodar um sistema. Há muita taxonomia e conhecimento local que são indispensáveis ao sistema de IA – parecido com a velha atividade de “engenharia do conhecimento” para sistemas especialistas. A IA desse tipo não traz consigo somente o problema de codificação do sistema; é um problema de codificação do conhecimento. Leva tempo para estudar, entender e aplicá-lo.
Se o domínio ainda não foi simulado pelo vendedor ou consultor, provavelmente serão necessários alguns meses para personalizá-lo, como costuma acontecer com os domínios complexos. Por exemplo, o Memorial Sloan Kettering Cancer Center tem trabalhado em conjunto com a IBM para utilizar o Watson (plataforma de serviços cognitivos para negócios da empresa) para tratar certos tipos de câncer há mais de seis anos e, mesmo assim, o sistema ainda não está preparado para o amplo uso, apesar de grandes talentos em matéria de câncer e em IA estarem envolvidos. Há vários problemas com domínios e ramos de negócios para os quais o conhecimento exigido em engenharia está disponível. Entretanto, ainda é preciso que sejam modificados para se encaixarem no contexto do negócio.
Tempo de Integração
Mesmo que seus sistemas tenham sido montados, ainda existe a etapa de integração da IA à sua empresa. A adequação ao seu negócio e à arquitetura de TI exigirão muito tempo e planejamento, a menos que algumas capacitações da IA já estejam embutidas no atual pacote de aplicativos do sistema que a empresa utiliza (por exemplo, características dentro do sistema de CRM). A transição das fases “piloto” e “protótipo” para o sistema de produção pode ser difícil e levar muito tempo.
Mesmo que sua empresa saiba chegar à fase de produção de maneira eficaz, será preciso reestruturar os processos para que o negócio e o ramo de atuação tenham impacto pleno. Na maioria dos casos, a IA trabalha em tarefas de maneira individual – e não processos da empresa como um todo – de tal forma que será preciso reprogramar os processos e as tarefas das pessoas para com ela. Se quiser sentir impacto no relacionamento com o cliente, por exemplo, será necessário desenvolver ou adaptar vários aplicativos de IA referentes a várias características de marketing, vendas e serviços.
A Interação Humana com o Tempo da IA
E por fim, existem os desafios do homem para com a IA que precisam ser superados. Poucos sistemas de IA funcionam por conta própria, baseando-se no fornecimento de informações feito pelo homem. Sistemas novos com IA exigem novas competências das pessoas que trabalham com eles e demandarão bastante tempo para treinar os colaboradores para o novo processo e o novo sistema. Por exemplo, as empresas que dão conselhos sobre investimentos para seus clientes e o fazem através de robôs, tentam com frequência mudar seu foco para o “comportamento financeiro” ou para estimular pessoas a tomarem as melhores decisões e atitudes ao investir. Porém, esse tipo de capacidade é muito diferente do que dar um conselho sobre qual ação comprar, e vai demorar um tempo até que a IA realmente consiga fazer esse trabalho.
Ainda que a meta dos sistemas com IA seja de serem 100% autônomos, é provável que ainda haja um tempo no modo em como as informações são adicionadas. Durante esse período, há uma fase demachine learning onde ocorre a interação entre os usuários e os observadores. Chamada de interaction learning, é uma etapa importante para as empresas entenderem como o sistema interage com o ecossistema. Normalmente, as empresas coletam dados novos e começam a transformá-los em algoritmos durante esse período – o que pode levar meses ou anos.
Tempo de Governança para o uso da IA
Enquanto os sistemas baseados em IA são preparados para fornecer escalas e previsões exponenciais, eles precisarão de um método de governança muito mais abrangente do que o método clássico de teste e controle. A eficácia dos algoritmos da IA diminui com o tempo, pois eles são criados com base em dados históricos e novos conhecimentos do negócio. Os algoritmos são atualizados à medida que o equipamento obtém informações por meio dos padrões de novos dados, embora precisarão ser controlados por especialistas a fim de garantir que a máquina esteja analisando os dados no contexto do negócio de maneira correta. Os algoritmos precisam ser constantemente monitorados para evitar dados incorretos. Por exemplo, se um sistema com IA é treinado para recomendar produtos para o cliente de acordo com sua localização demográfica, e essa localização muda abruptamente com novos dados, as recomendações podem ser distorcidas.
A governança também irá incluir proteção contra fraudes. Os sistemas se tornam inteligentes na mesma intensidade que seus usuários. Os usuários tentam manipular o sistema com dados e movimentações falsas. Monitorar e prevenir tais movimentações demanda o uso de equipamentos sofisticados e o monitoramento por pessoas no âmbito do seu negócio.
Vencedores Ganham A Maior Fatia Do Bolo
Sendo assim, pode demorar bastante tempo para desenvolver e implementar o sistema de IA, e há poucos – caso haja – atalhos para as etapas necessárias. Cumpridas as etapas – especialmente se a empresa tiver o domínio de muitos dados e a engenharia do conhecimento – o escalonamento pode acontecer de maneira muito rápida. No momento em que um usuário tardio preparou tudo, aqueles que começaram a preparação mais cedo já terão detido uma grande fatia do mercado – e serão capazes de executar operações sob custos muito menores e com melhor performance. Em suma, os vencedores poderão ter tudo e os que vierem depois talvez nem os alcancem. Vejamos, por exemplo, o aprendizado e a capacitação que uma empresa como a Pfizer já acumulou: de acordo com um de seus chefes de laboratório de Análise e de IA, possui mais de 150 projetos de IA em andamento. Empresas de tecnologia como a Alphabet possuem ainda mais aprendizado; em 2015, a empresa já tinha 2.700 projetos de IA em desenvolvimento.
É verdade que algumas etapas podem ser aceleradas se a empresa estiver disposta a se comprometer com o seu conhecimento e as maneiras de conduzir os negócios. Os representantes estão desenvolvendo uma enorme variedade de modelos e gráficos de conhecimento que utilizam a tecnologia, indo desde o processo da linguagem natural à visão computacional. Se houver algum modelo para o problema em seu ramo de negócios e você quiser adotá-lo sem ter de fazer muitas modificações, isso irá acelerar o processo de adoção da IA. No entanto, é provável que você perca sua vantagem competitiva se não fizer algumas alterações para condizer com o contexto da empresa e elaborar um processo baseado nele.
O resultado é que, se você quer se dar bem utilizando a IA e acha que podem existir ameaças de concorrentes que também fazem uso dela – ou até mesmo de novatos nessa tecnologia -recomendo que você comece a aprender, de imediato, como adaptar a IA na sua empresa por meio de aplicativos diversos e métodos de IA. Algumas empresas de renome já elaboraram um grupo para fazer a transição gradualmente. Tais grupos têm por objetivo lidar com os problemas, testar hipótese alinhadas ao negócio, modularizar os recursos da IA para a reutilização, elaborar técnicas para a administração do pipeline de dados e realizar treinamento. Uma outra possibilidade seria adquirir uma startup que seja bem capacitada em IA, mesmo que ainda seja necessário adaptar tais capacitações ao seu negócio. Resumindo, você precisa começar imediatamente – caso ainda não o tenha feito – e torcer para que não seja tarde.
Vikram Mahidhar é líder em Inteligência Artificial nos negócios na Genpact. Foi empreendedor e elaborou Soluções para Negócios em IA na Rage Framework (vendida para a Genpact).
Thomas H. Davenport é President’s Distinguished Professor de Administração e Tecnologia da Informação na Babson College, pesquisador na MIT Initiative on the Digital Economy, e consultor sênior na Deloitte Analytics. Autor de mais de 12 livros sobre gestão, sendo o “Only Humans Need Apply; Winners and Losers in the Age of Smart Machines”
Fonte HBR