Os retornos incertos de muitos investimentos em IA contrastam fortemente com o impacto comprovado da IA na produtividade da força de trabalho. Um estudo recente da Harvard Business School revela que a IA generativa melhora a eficiência dos trabalhadores, permitindo que os funcionários concluam tarefas 25% mais rápido e com resultados de maior qualidade. Além disso, a IA generativa está reformulando as "soft skills" essenciais para o ambiente de trabalho moderno, levando a uma melhoria no desempenho dos colaboradores e na satisfação geral no trabalho, como destacado por 92% dos executivos.
A capacidade da IA de aumentar a produtividade organizacional—por meio de uma colaboração aprimorada, requalificação e preenchimento de novas funções—oferece uma vantagem competitiva significativa. Startups como 4149.AI, Arc53 e Lavender estão aproveitando essa oportunidade ao oferecer soluções inovadoras impulsionadas por IA.
Para maximizar os benefícios da IA generativa, as organizações devem integrar seus dados proprietários em modelos de linguagem de grande escala (LLMs). Essa integração, combinada com a geração aumentada por recuperação (RAG), aborda as limitações dos LLMs, como informações desatualizadas.
“A produtividade dos funcionários se tornou uma área-chave onde a IA generativa pode ter um impacto imediato em organizações de todos os tamanhos”, afirma Peder Ulander, Chief Marketing and Strategy Officer da MongoDB. “Aproveitar os dados operacionais proprietários é crucial para desbloquear todo o potencial da IA generativa, e a MongoDB apoia com orgulho startups visionárias como 4149, Arc53 e Lavender no desenvolvimento de aplicações impulsionadas por IA que automatizam e personalizam tarefas comuns.”
4149: Um Colega de IA
“O trabalho é sobre como as pessoas se unem e alcançam metas, e a IA generativa apresenta uma oportunidade incrível para melhorar a colaboração”, afirma Adrian Vatchinsky, cofundador e CEO da 4149. A 4149 imagina um futuro onde cada equipe atinge seus objetivos com o apoio de um colega de IA, auxiliando em tarefas que variam de pesquisa a gerenciamento de tarefas e reconhecendo as contribuições da equipe.
Para concretizar essa visão, a 4149 desenvolveu um agente de IA proativo que se autoatribui tarefas com base nas necessidades da equipe. Central a essa funcionalidade está um sistema de reflexão que permite à IA resumir comunicações e extrair insights valiosos de diversos projetos em tempo real. Utilizando uma estrutura de agente de IA personalizada com modelos da OpenAI e Anthropic, a 4149 escolheu a MongoDB como sua tecnologia de banco de dados subjacente, tirando proveito do Atlas Vector Search para otimizar a gestão de dados.
Essa plataforma processa documentação de projetos e interações da equipe, categorizando reflexões e insights dentro do Atlas Vector Search para minimizar a redundância de dados. Ao armazenar insights juntamente com embeddings vetoriais, a 4149 acelera o acesso aos dados e simplifica sua pilha de tecnologia. Insights de alto nível alimentam o pipeline de momentum, permitindo que a IA aprimore suas capacidades de decisão.
“Estruturando nossas reflexões como dados pesquisáveis, aumentamos significativamente nossa produtividade e reduzimos a redundância de dados”, explica Vatchinsky. “Agora, estamos focados em garantir que as interações humanas e de IA sejam impactantes e significativas.”
DocsGPT: Simplificando a Documentação para Desenvolvedores
O DocsGPT, criado pela Arc53, é um assistente de documentação de código aberto que atua como um chatbot útil para desenvolvedores. Com o objetivo de simplificar a criação de experiências conversacionais amigáveis, o DocsGPT auxilia os desenvolvedores na construção de chatbots e interfaces em linguagem natural em suas bases de conhecimento. Desenvolvido como uma ferramenta flexível e independente de plataforma, o DocsGPT pode utilizar LLMs locais para melhorar a segurança e a privacidade.
A Arc53 escolheu a MongoDB para resolver um desafio chave de iteração rápida sobre índices vetoriais, essenciais para avaliar a qualidade da recuperação em embeddings. As capacidades da MongoDB permitem o desenvolvimento rápido de aplicações de IA generativa com custo e complexidade mínimos, garantindo acesso sincronizado a dados fonte e metadados por meio de uma API unificada.
O MongoDB Atlas é empregado para armazenamento em camada de aplicação, fornecendo uma solução flexível para as necessidades em evolução das ferramentas. Como a estrutura dos dados pode variar, os desenvolvedores se beneficiam de acesso facilitado e melhor entrega de soluções impulsionadas por IA.
“Os usuários relataram um aumento conservador de 20% na produtividade ao utilizar chatbots de documentação assistida por IA”, observa Alex Tushynski, cofundador da Arc53. “Para se destacar na recuperação de informações, iterar sobre vetores e embeddings é vital, e a busca vetorial da MongoDB facilita isso.”
Lavender: Emails de Vendas Eficazes
“A Lavender visa ajudar os usuários a redigir emails personalizados, direcionados e de alta qualidade rapidamente, aumentando as taxas de resposta e potencializando o email como uma poderosa ferramenta de alcance”, explica Jared Smith, CISO da Lavender. Criar um email bem estruturado pode levar de 15 a 20 minutos, mas a Lavender reduz isso para apenas três a cinco minutos, automatizando a assistência à escrita.
Usando os modelos GPT da OpenAI, a Lavender atua como um coach de escrita, colaborando com os usuários para produzir conteúdo de email personalizado, otimizar a formatação e melhorar a qualidade geral através de análises que pontuam e refinam o texto enquanto escrevem.
“Melhorando a relação sinal-ruído em emails não estruturados, aspiramos ser estratégicos e aproveitar dados históricos para impulsionar interações futuras,” articula Smith. “O engajamento é crucial; frequentemente vemos as taxas de resposta aumentarem de 200 a 300 por cento.”
A Lavender opera no MongoDB Atlas dentro do Google Cloud, adotando a MongoDB por seu modelo de dados documentais flexíveis que simplificam a gestão de dados. Essa adaptabilidade permite que a Lavender extraia eficientemente insights de dados de email desordenados e não estruturados, suportando grandes volumes de informação sem migrações de esquema complicadas.
“A MongoDB forneceu uma estrutura robusta para nossos conjuntos de dados não estruturados que bancos de dados relacionais têm dificuldade em igualar, escalando com sucesso para bilhões de registros,” diz Smith. “O Atlas Vector Search aprimorou nossa capacidade de analisar metadados salvos e extrair insights mais profundos por meio de processamento de linguagem natural.”
Avançando os LLMs
“O modelo de documentos flexível da MongoDB, combinado com capacidades nativas de busca vetorial, facilita o desenvolvimento de aplicações alimentadas por RAG,” observa Peder Ulander da MongoDB. “Nossa missão é capacitar cada organização a inovar com dados, e é empolgante observar como a 4149, a Lavender e a Arc53 utilizam IA generativa para aumentar a produtividade das equipes.”
A combinação única de dados proprietários e LLMs avançados permite que a 4149, a Lavender e a Arc53 desbloqueiem novas possibilidades. Enquanto o acesso a uma variedade de LLMs se torna comum, o verdadeiro poder reside em utilizar os dados organizacionais de forma eficaz.
Com ferramentas como o MongoDB Atlas Vector Search, as empresas podem implementar arquiteturas RAG que garantam que as aplicações de IA forneçam dados relevantes e atualizados. Selecionar o banco de dados certo com robustas capacidades vetoriais é essencial para otimizar os investimentos em IA.
Conclusão: As inovações em IA estão revolucionando os fluxos de trabalho dos desenvolvedores, enquanto eles criam aplicações de IA que transformam operações globais. O sucesso depende de aproveitar os dados em seu pleno potencial.
Classificação
