IA nos Negócios: Da Adoção Inicial aos Avanços de Hoje

Ao abrir meu e-mail esta manhã, fui apresentado a um alerta sobre uma mensagem antiga que enviei. O alerta dizia: "Enviado há 10 dias; gostaria de fazer follow-up?" De fato, eu precisava lembrar meu colega de responder. A experiência me deixou refletindo sobre o quão longe chegamos e o que está por vir com inteligência artificial (IA) nos negócios.

Fiquei fascinado com este campo há quase 40 anos, quando era estudante de graduação em Berkeley sob a Professora Alice Agogino. A Professora Agogino desenhou este diagrama simples no quadro.

Na época, sistemas de IA eram chamados de sistemas especialistas. Eles permitiam que mais pessoas completassem a maioria das tarefas em nível especialista. Melhoravam o potencial dos usuários e mudavam a curva de desempenho para todo o negócio. Com esses sistemas, especialistas podiam focar nas tarefas mais desafiadoras que só eles podiam enfrentar.

Ao longo dos anos, esta ideia convincente — que tecnologia pode estender nosso desempenho em escala — ficou comigo. Moldou minhas paixões, e minha própria jornada profissional seguiu a trajetória da própria IA.

Mas pelo caminho, houve vários desafios. Modelos em nossos sistemas tendiam a ficar atrasados em relação a mudanças no negócio; embora resolvessem o problema de ontem de forma ótima, gradualmente ficavam obsoletos. Precisavam de equipes dedicadas para uso e manutenção.

Onde Estamos Hoje

Sistemas de IA de hoje são fundamentalmente diferentes de sistemas especialistas iniciais e soluções de negócio tradicionais de três formas:

• Os usamos de forma diferente;

• A ênfase em inteligência mudou de automação para aumento, e

• Sistemas de IA aprendem com o uso e se adaptam a mudanças no negócio.

Como os usamos: Soluções de negócio tradicionais são frequentemente fragmentadas. Um conjunto de sistemas diz como seu negócio está atualmente rodando (business intelligence tradicional), outro ajuda a decidir como rodar seu negócio, e outro ainda permite registrar o que você fez para rodar seu negócio (planejamento de recursos empresariais).

Usuários devem seguir caminhos tediosos e desconectados, de analytics descritivos e diagnósticos a análise preditiva e otimização usando modelos de gêmeo digital. Então, uma vez tomada a decisão, devem voltar e registrar essa decisão em seu ERP.

Em contraste, quando usamos IA, começamos diretamente com recomendações e podemos explorar insights preditivos, diagnósticos e descritivos como explicações. IA oferece diretrizes passo a passo para tomar ações, mesmo quando podemos tomar decisões diferentes das recomendações.

Mudança de ênfase: Sistemas especialistas tradicionais eram excessivamente focados em automação. Sistemas de IA de hoje podem nos ajudar a navegar e orquestrar processos de negócio. Na minha opinião, é melhor pensar em IA como inteligência aumentada em vez de inteligência artificial. Hoje, vemos IA como algo que podemos treinar e adaptar às nossas necessidades.

Aprendizado e adaptação: Sistemas de negócio tradicionais são estáticos e tendem a ficar obsoletos com o tempo. Precisam de melhorias e revisões para incorporar feedback ou mudanças no negócio. Sistemas de IA, por contraste, são dinâmicos. Aprendem e se adaptam a necessidades de negócio em mudança. Quanto mais você os usa, mais inteligentes e eficazes eles se tornam com o tempo.

O Que Está Por Vir

Embora poderosos, recursos de IA apresentam alguns desafios.

Primeiro, obter o máximo valor da IA requer gestão de mudança diligente, tanto em comportamento quanto atitude em relação à tecnologia. Se pessoas veem tecnologia como ameaça ou meio de esticar suas metas de desempenho, trabalharão para sabotar seu sucesso. Além disso, se adoção de IA significa perda de controle ou toque pessoal com clientes e fornecedores, ou obstrui pensamento interfuncional, falhará.

Por outro lado, se pessoas veem IA como novo conjunto de ferramentas que torna suas vidas mais fáceis, as torna mais inteligentes, colabora entre organizações e alcança mais, trabalharão para torná-la bem-sucedida.

A segunda questão é sobre ética em IA. Precisamos tornar IA mais transparente e ética. Modelos de machine learning aprendem o que foram ensinados e expostos. Se dados são tendenciosos, a IA será também. Além disso, ninguém gosta de seguir recomendações de uma caixa preta. Modelos de IA devem explicar suas recomendações, que suposições foram feitas, que padrões foram detectados e quais opções foram exploradas transparentemente.

Finalmente, devemos nos perguntar se os problemas que estamos trabalhando para resolver com IA são os certos para resolver em primeiro lugar. Devemos trabalhar para alavancar IA para estender alcance humano e melhorar vidas, em vez de controlá-las.

A transformação da IA até hoje foi, em uma palavra, revolucionária. Quanto mais abraçamos, capitalizamos e melhoramos esta tecnologia, mais nossos negócios melhorarão.

Adeel Najmi é diretor de produto chefe na LevaData.