Nos últimos anos, a chamada IA "clássica" desenvolveu-se rapidamente graças aos amplos e mensuráveis benefícios gerados. O caso é comprovado, especialmente, em indústrias, onde ferramentas de aprendizado de máquina foram testadas em diversas situações.
No entanto, com a recente notoriedade da inteligência artificial generativa (GenAI), o cenário foi alterado: a "contribuição criativa" da ferramenta, viabilizada pela reprodução de comportamentos humanos, sugere um enorme potencial. Mas vem, contudo, acompanhada de dilemas.
1. Agora ou depois?
Muitos líderes estão preocupados com o aumento da concorrência estimulada pela GenAI, especialmente no que diz respeito ao surgimento de competidores em seus mercados. Muitos se sentem tentados a implantar a tecnologia - essencialmente disruptiva - sem demora, vendo-a como uma oportunidade de melhorar a rentabilidade do negócio principal e explorar novas fontes de criação de valor. No entanto, é necessário estar atento aos riscos associados a uma mudança tão significativa. Outros, mais cautelosos, temem "choques disruptivos" que ameacem suas organizações e, até mesmo, seus modelos de negócios.
2. Transformação digital tradicional ou revolução?
Esse é o principal dilema enfrentado por cada líder ansioso em adotar a GenAI: manter-se em uma transformação digital "padrão", acumulando casos de uso, ou desencadear uma transformação muito mais profunda, impactando todas as áreas da empresa, em sinergia com o departamento de TI?
A segunda opção envolve, necessariamente, a educação das equipes — e da alta administração, em particular — para que os receios associados à IA sejam superados. Por exemplo: o comitê executivo de uma grande empresa automotiva passou por dois dias de treinamento, com seus membros aprendendo, inclusive, a programar em Python.
Outro pré-requisito é a criação de bases de dados de alta qualidade, que permitam o compartilhamento fora dos silos usuais. Com a criação de centros de competências centrais, os dados coletados podem ser intensamente explorados, permitindo a "fertilização cruzada" de práticas ao criar casos de uso interdepartamentais.
3. Sozinho ou acompanhado?
Enquanto alguns gestores optam por conduzir sua "transição para IA" usando exclusivamente recursos internos, outros preferem contar com o apoio de estruturas especializadas, com conhecimento em toda a cadeia de transformação: identificação de necessidades, implantação de soluções, análise de resultados, gestão de mudanças, entre outros.
Sensibilizar as equipes sobre os perigos associados à IA e sobre o respeito aos princípios éticos é fundamental, tanto em termos de alerta sobre os diversos vieses e falhas da IA quanto em incentivar os gestores a escolherem soluções soberanas e econômicas.
4. Orçamento padrão ou linha dedicada?
As primeiras iniciativas de inteligência artificial, na maioria dos casos, são realizadas no âmbito dos orçamentos padrão de TI. No entanto, à medida que o número e a escala dos projetos aumentam, os líderes são tentados a adotar uma linha separada, permitindo que os projetos de IA sejam reservados a cada departamento. Por exemplo, uma empresa de serviços industriais que opera em 45 países adotou um orçamento central, ao mesmo tempo em que realiza iniciativas educacionais para explicar a equação econômica da IA às suas equipes.
5. Profusão de iniciativas ou gestão central?
A governança dessas ferramentas é uma questão estratégica. A gestão pode optar por dar às unidades de negócios grande liberdade para experimentar, o que lhes permitirá avançar rapidamente, sem mobilizar recursos adicionais. Também pode estabelecer um comitê para dar diretrizes às áreas de negócios e definir prioridades. Um grande player do setor de energia, que usa inteligência artificial para temas tão variados quanto a definição de preços em postos de gasolina como a gestão de usinas solares e eólicas, criou uma "fábrica digital", centralizando todos os processos de IA.
6. "Fazer ou comprar?"
Uma questão bastante comum, e que geralmente paralisa as decisões, é se o melhor seria utilizar soluções externas baseadas em casos de uso genéricos - e que permitem a rápida implementação -, ou se o caminho correto seria optar por soluções personalizadas. Embora a segunda opção possa, em teoria, garantir melhores resultados, tem como barreira os altos custos e a dificuldade de se medir o retorno dos casos de uso.