Nada chama mais a atenção dos leitores do que uma má notícia. Por exemplo, os líderes tecnológicos de todo o mundo prestaram muita atenção a um estudo recente do MIT que concluiu que quase todos os pilotos criativos de IA não conseguem alcançar resultados financeiros reais – 95%, para ser exato.
A pesquisa da RAND também tem sido sombria, mostrando que quatro em cada cinco projetos de IA estagnam. E a S&P Global descobriu que as organizações estão a abandonar as iniciativas de IA ao dobro da taxa do ano anterior.
Área CTO de IA no MongoDB.
Todos nós lemos pensamentos que diagnosticam esses erros como decorrentes de modelos fracos, ferramentas imaturas ou falta de conhecimento e capacidades internas. Contudo, a verdade é mais simples e talvez ainda mais incómoda.
A realidade é que a maioria dos projetos de IA falham não por causa da tecnologia, mas por causa da estratégia por trás dela, ou pela falta dela.
O problema: tratar a IA como um produto que você pode comprar
Qualquer pessoa que entrar em uma conferência de software empresarial será saudada por um mar de fornecedores que vendem “soluções de IA” prontas para uso. Implicitamente, a mensagem que enviam é que a IA é um produto que alguém pode comprar, conectar e observar os benefícios de eficiência surgirem.
E é essa visão altamente comercializada da IA, tratando-a como uma unidade de manutenção de estoque (SKU) que você pode solicitar em um catálogo logo após a compra, que ilumina os projetos de IA.
Isso ocorre porque a IA não é uma resposta predefinida para a procura de um caso de uso. Em vez disso, é um conjunto de técnicas que criam valor apenas quando aplicadas a um problema de negócio específico e bem definido. Portanto, sem um caminho claro para o ROI desde o início, os projetos de IA provavelmente fracassarão.
Quando as organizações se esquecem disso, muitos líderes às vezes caem no que chamam de armadilha do “experimento científico”. Aparece em duas formas comuns. No primeiro, podemos ver o entusiasmo interno sobre um novo modelo ou ferramenta, e o piloto pode até obter financiamento generoso da gestão de topo, seguido de uma demonstração impressionante.
Mas depois de alguns meses, desaparecerá porque ninguém consegue associá-lo a resultados mensuráveis.
A pesquisa do MIT confirma isso, com as ferramentas de IA adquiridas sendo bem-sucedidas em 67% das vezes e as construções internas apenas em um terço das vezes, em grande parte porque as soluções dos fornecedores vêm com casos de uso mais claros e métricas de sucesso vinculadas a resultados de negócios específicos.
A segunda versão começa no topo. É quando a liderança exige uma “estratégia de IA” e, na pressa de agir, uma organização compra hardware ou software que parece impressionante no papel.
Só quando chega é que percebe que não tem uma utilidade clara ou a IA trava. Em ambos os casos vemos a mesma história: quando o problema empresarial vem por último, não há espaço para valor.
Reenquadrando a IA em torno da realidade empresarial
A boa notícia é que existe uma maneira melhor de avaliar e priorizar os investimentos em IA. Basicamente, trata-se de quão bem as equipes e os líderes conseguem distinguir entre ideias de IA que valem a pena perseguir e aquelas que não valem.
O ponto de partida é identificar os maiores desafios que uma organização enfrenta e o que dá importância ao seu desempenho central. Para a maioria, será o crescimento das receitas, a eficiência, a satisfação do cliente, a exposição ao risco ou talvez a produtividade. A conversa deve começar com uma necessidade comercial e não com uma curiosidade técnica.
O próximo passo é avaliar os dados necessários para resolver esses desafios. Em muitas organizações, os dados estão dispersos e duplicados em diversas fontes ou presos em sistemas legados.
Até que estes dados sejam consolidados e limpos, não existe nenhum modelo que seja capaz de funcionar eficazmente no terreno. Depois de fazer o trabalho braçal de classificação do fornecimento de dados, o poder da IA para resolver esse problema torna-se tangível.
É então importante considerar a mensurabilidade e como a organização já mede coisas como o crescimento das receitas, a eficiência ou a satisfação do cliente. Ter esta linha de base em vigor significa que quaisquer melhorias na IA podem ser claramente demonstradas.
Métricas como tempo de ciclo, precisão, custo por transação ou pontuações de clientes permitem demonstrar o impacto.
Permitir que a IA conquiste o seu lugar nos negócios
Se você aplicar essas considerações, provavelmente verá o número de projetos potenciais de IA diminuir. Isso é bom, porque os projetos restantes terão valor comercial direto e serão apoiados por dados adequados à finalidade. As equipes podem então estabelecer critérios de sucesso que todos entendam e possam medir ao longo do tempo.
Por sua vez, esta abordagem pode transformar a IA de uma experiência dispendiosa numa adição de valor tangível. Centra o investimento naquilo que pode ser resolvido agora, e não naquilo que é teoricamente excitante. E o mais importante, permite que a IA cumpra realmente as suas promessas transformacionais.
Apresentamos o melhor construtor de sites de IA.
Este artigo foi produzido como parte do canal Expert Insights da TechRadarPro, onde apresentamos as melhores e mais brilhantes mentes da indústria de tecnologia atualmente. As opiniões expressas aqui são de responsabilidade do autor e não necessariamente da TechRadarPro ou Future plc. Caso tenha interesse em participar, mais informações aqui:
