Pesquisas recentes da Capgemini revelam um desafio significativo em todos os setores: transformar provas de conceito de IA em soluções funcionais de produção. Segundo Steve Jones, EVP de Negócios Baseados em Dados e IA Generativa na Capgemini, esse atraso se deve, em grande parte, a problemas como limites digitais, funcionários digitais e dados de baixa qualidade.
Jones enfatizou: "Estamos muito confortáveis com dados ruins. O mito mais persistente em TI é a crença de que resolveremos os problemas de dados no sistema de origem. Essa é uma noção enganosa que as organizações constantemente se dizem." Ele comparou os dados ao petróleo, observando que, assim como o petróleo precisa ser refinado para ser útil, os dados também devem ser purificados e organizados para serem eficazes. Com previsões de que 50% das decisões de negócios serão guiadas por IA até 2030, especialmente em cadeias de suprimento autônomas, os riscos associados a dados não confiáveis são substanciais.
"Funcionários digitais tomando decisões não devem esperar por dados limpos; isso é operacionalmente impraticável," comentou Jones. "Em cenários como veículos autônomos ou armazéns, dados mal geridos são simplesmente inaceitáveis. As organizações devem desenvolver uma estrutura para gerenciar não apenas seus funcionários humanos, mas também a IA que opera dentro de suas equipes."
Jones ainda apontou que modelos de linguagem grandes (LLMs) podem ter um desempenho insatisfatório se não tiverem acesso a dados operacionais precisos. Infelizmente, as empresas historicamente criaram uma divisão entre seus processos operacionais e suas estratégias de gerenciamento de dados.
Superando Desafios na Adoção da IA
Para fechar essa lacuna, as organizações precisam de um robusto modelo operacional digital. Isso engloba a definição clara dos problemas que buscam resolver digitalmente, a identificação de conjuntos de dados adequados para a tomada de decisões e a determinação do que a IA deve ou não influenciar.
“Se você implantar uma IA poderosa para reduzir a pegada de carbono de uma empresa sem limites, ela pode sugerir parar completamente as operações principais da empresa, o que não é uma estratégia viável,” explicou Jones. “A chave é garantir que a IA funcione dentro de limites pré-definidos, alinhados aos objetivos de negócios.”
As organizações não se beneficiarão de um único sistema de IA governando todas as operações devido aos altos riscos envolvidos. As soluções de IA devem ser personalizadas para funções específicas. Por exemplo, um bot de cobrança de dívidas operará sob um conjunto diferente de regulamentos em comparação com um bot de consultoria de vendas. Muitas organizações têm dificuldade em avançar além das provas de conceito porque negligenciam a importância de abordar a IA sob uma perspectiva de gestão de negócios, em vez de esperar uma tecnologia que resolva todos os seus problemas.
Jones afirmou: “Estamos nos agarrando à noção de que a tecnologia sozinha resolverá nossos problemas, mas a verdadeira adoção requer o envolvimento das pessoas com essas tecnologias.” Para uma integração eficaz da IA, as empresas devem definir modelos granulares para gerenciar riscos operacionais e cibernéticos, garantindo responsabilidade.
Por exemplo, um bot de consultoria de vendas pode colaborar com vários sub-bots, cada um com seu próprio conjunto de regras. Seus esforços coletivos podem promover resultados significativos nos negócios, mas sem limites operacionais claros, o risco se intensifica.
“O controle e a responsabilidade eficazes nos permitem automatizar processos que antes eram inadministráveis,” disse Jones. “Isso requer um foco na otimização dos modelos de negócios em vez de apenas inserir IA nos fluxos de trabalho existentes.”
Enfatizando a Mudança Organizacional para a Escala da IA
“Devemos priorizar a mudança organizacional em relação aos avanços tecnológicos,” afirmou Jones. “Enquanto a tecnologia evolui rapidamente no Vale do Silício, o principal desafio é a adoção e adaptação do modelo de negócios.”
Para ter sucesso, a arquitetura da IA deve ser fundamentalmente diferente. Os dados devem estar prontamente acessíveis para os funcionários digitais, em vez de ficarem relegados ao backend de aplicativos, onde ocorrem transações.
Jones concluiu: “A baixa taxa de transição de prova de conceito para adoção plena de IA surge porque as estratégias de dados atuais são inadequadas. Funcionários digitais demandam um modelo operacional bem definido, e a maioria das organizações não está preparada para essa mudança. É crucial que os líderes empresariais—que podem não compreender plenamente a tecnologia—abracem a IA para garantir seu sucesso e se adaptarem a um mundo onde a IA influencia substancialmente a tomada de decisões.”
Classificação
