IA na Cadeia de Suprimentos: Superando Seis Barreiras-Chave para Entregar Resultados Reais

A inteligência artificial tem o potencial de mudar radicalmente quase tudo para melhor. Seu impacto provavelmente equivalerá ao da eletricidade e outras tecnologias de propósito geral que enriqueceram nossas vidas. Sinais iniciais de seu impacto já estão surgindo em casos de teste com veículos autônomos, incluindo navios e aviões, e os benefícios vão muito além da redução de mão de obra.

Exemplo Prático: Segurança no Transporte

Por exemplo, com até 90% dos acidentes marítimos atribuídos a erro humano, a IA poderia reduzir significativamente esses casos. Habilitada pela comunicação veículo-a-veículo, os veículos podem compartilhar dados importantes como posição, velocidade e direção. A informação pode ser usada para alertar motoristas e sistemas autônomos sobre possíveis ameaças e colisões, mesmo aquelas fora de vista. Também pode alertar motoristas sobre veículos menos visíveis na estrada, como motocicletas e bicicletas. V2V, combinado com IA, pode reduzir colisões e congestionamentos alertando proativamente motoristas, pilotos e capitães sobre problemas antecipados e colisões com outros veículos, bem como outros perigos de tráfego.

Impacto Econômico Massivo

As vantagens da IA em termos de produtividade, inovação e crescimento econômico global são igualmente significativas. A McKinsey & Company estima que a adoção de IA "tem o potencial de gerar atividade econômica global adicional de cerca de $13 trilhões até 2030, ou cerca de 16% a mais de PIB cumulativo comparado com hoje. Isso equivale a 1,2% de crescimento adicional de PIB ao ano." A estimativa da PwC é ainda maior, excedendo $15 trilhões.

Os Desafios Reais

Dado esse potencial, é fácil se deixar levar pela IA e ignorar os grandes problemas que as empresas enfrentam na adoção e uso eficaz dela. Aqui estão alguns dos desafios e possíveis soluções.

1. Falta de Dados Grandes e Limpos

Todos os processos computacionais precisam de bons dados, e a inteligência artificial não é exceção. O machine learning (ML) em particular requer enormes volumes de dados precisos para treinar algoritmos e desenvolver modelos preditivos. No entanto, a maioria das empresas não tem nem a qualidade nem a quantidade de dados para realizar isso.

As empresas precisam melhorar a qualidade de seus dados através de uma gestão eficaz de dados mestres e incorporando dados em tempo real em processos e sistemas o máximo possível. Redes de negócios digitais multi-partes em tempo real mantêm uma "versão única da verdade" enquanto sincronizam continuamente sistemas externos, garantindo que as empresas operem com a informação mais completa e atualizada possível.

As organizações também devem considerar o uso de soluções com algoritmos baseados em ML pré-treinados que utilizam grandes volumes de dados de cenários e empresas semelhantes. Devido aos seus enormes volumes de transações, redes de negócios digitais podem rapidamente refinar algoritmos bem treinados e agentes inteligentes que novos membros da rede podem aproveitar.

2. IA Compartimentalizada é IA Não Inteligente

Cadeias de suprimentos são inerentemente multifuncionais e multi-empresas, e os dados necessários para operá-las estão espalhados entre parceiros internos e externos. Empresas que tentam implementar IA de forma fragmentada, ignorando o panorama geral, obterão resultados ruins. Sem acesso a todos os dados relevantes, os algoritmos continuarão a ter pontos cegos e perderão oportunidades de otimização e execução.

As empresas devem buscar incluir o máximo possível de sistemas, operações e parceiros comerciais relevantes para fortalecer a precisão, contexto e completude dos dados. O objetivo deve ser conectar toda a cadeia de suprimentos a uma rede em tempo real, da fonte ao cliente final. Apenas uma solução abrangente da cadeia de suprimentos pode otimizar totalmente operações críticas como níveis de inventário e gestão de logística, monitorando o panorama completo de demanda e oferta.

3. Caixa Preta versus IA Explicável

Certas técnicas de ML, como cartões de pontuação e árvores de decisão, são fáceis de entender. Mas redes neurais são mais complexas e misteriosas. Devemos agir sobre esses dados, ou permitir que o sistema atue autonomamente se não sabemos como chegou a tais decisões?

O experimento da Amazon usando IA para recrutar talentos deu errado quando pesquisadores notaram que o sistema tinha um forte viés para contratar homens. Isso ocorreu porque os algoritmos foram treinados em dados predominantemente masculinos. A IA consequentemente rebaixou candidatas de duas faculdades femininas e tomou outras decisões inadequadas baseadas puramente no gênero.

A IA precisa ser transparente em suas entradas, processos e decisões. As empresas precisam saber, pelo menos em termos essenciais, como os algoritmos funcionam, como chegam a decisões e como criam e distribuem valor. Idealmente, o sistema deve tornar explícitas as razões por trás das decisões, permitindo que usuários visualizem, aprovem e substituam decisões de agentes autônomos. As empresas também devem ser capazes de adaptar os algoritmos para atender às suas necessidades particulares.

4. Otimização de Curto Prazo

Todo processo e mudança carrega um custo. Quando não é considerado na tomada de decisão, o resultado às vezes pode ser pior do se nada tivesse sido feito. Em cadeias de suprimentos, consistindo de muitos parceiros e sistemas, é fácil perder de vista as consequências de longo prazo de uma ação. Muitas soluções caem nessa armadilha ao replanejar toda a cadeia de suprimentos, criando "nervosismo" no sistema e incorrendo em mudanças e custos maiores e desnecessários quando uma mudança menor ou mais local seria suficiente.

Para evitar esse problema, as otimizações devem ser contínuas em vez de ocasionais, e devem ser limitadas a impactar o menor número possível de entidades para minimizar a interrupção na rede. Como no caso de uma aeronave no piloto automático, ajustes menores contínuos na direção podem compensar mudanças nas condições, mantendo o avião precisamente no curso. A alternativa é fazer um único redirecionamento maior quando o avião está muito fora do trajeto perto do final de sua jornada. Esses ajustes contínuos somam grandes melhorias sem causar ondas de choque bruscas em toda a sua cadeia de suprimentos.

5. Fornecedores de IA Excessivamente Entusiasmados

Muitos fornecedores de software pularam no vagão da IA. Em certo sentido, isso é compreensível, dada a vaguidade de sua definição e seu domínio mal definido e extenso. "Machine learning" é um termo mais bem definido, e é frequentemente o que as pessoas querem dizer quando usam o termo "inteligência artificial".

No entanto, os fornecedores precisam explicar claramente o que significam quando usam termos como "inteligência artificial", "machine learning", "redes neurais", "deep learning" e semelhantes. Mais importante, eles precisam mostrar como sua IA entrega mais valor de negócio do que algoritmos heurísticos tradicionais. Como funciona? Abrange sistemas e empresas para abraçar toda a rede e todas as suas condições e restrições? Ou é limitado a algumas funções ou domínios? Quem está usando e que resultados alcançaram?

6. A Lacuna de Habilidades em IA

Muitas empresas estão sendo pegas de surpresa pela rápida evolução e crescente viabilidade da IA. Isso ocorre porque a IA requer habilidades modernas que podem envolver novas linguagens, frameworks e formas de pensar. Poucas empresas estão equipadas para lidar com a transição e explorar totalmente esse campo em rápido desenvolvimento. Uma pesquisa de 2018 da O'Reilly sugere que a lacuna de habilidades em IA é a maior barreira para a adoção de IA.

No longo prazo, o mercado cuidará do déficit de habilidades, mas até lá, as empresas devem começar a identificar suas necessidades e potenciais novas contratações. Também devem analisar o treinamento de funcionários existentes e oferecer incentivos e novos caminhos de carreira para apoiar a mudança para tecnologias de ML e IA.

Outra opção é fazer parceria com uma empresa de tecnologia que tenha a rede, recursos e expertise para aconselhar, implementar e manter uma solução de IA ou plataforma habilitada para IA. Esta última permite que as empresas comecem e comecem a realizar ganhos muito mais rapidamente.

Nigel Duckworth é estrategista sênior na One Network Enterprises, provedora de uma rede de negócios habilitada para IA.