Avançar em maturidade ao escalar projetos em IA tem sido o grande desafio das organizações – no mundo todo
Ninguém mais precisa nos convencer do valor da inteligência artificial, tanto para os objetivos de negócio quanto para a sociedade. Mas para que aproveitemos todo esse valor, precisamos conseguir escalar projetos em IA. E a verdade é que muitas empresas estão tentando fazer isso neste momento.
Então, a pergunta é: em que ponto as empresas estão em termos de escala e implementação de inteligência artificial?
Estudo da Accenture com 1.500 executivos do mundo inteiro – 115 deles do Brasil – e de vários setores mostra que, embora 84% da alta gestão acredite que deva aumentar iniciativas em IA, apenas 20% das empresas fizeram algum progresso em escalar realmente suas iniciativas, isto é, em sair do estágio da prova de conceito - PoC para um nível maior de maturidade, em que realmente utilizam a IA em suas operações.
A mesma pesquisa revelou ainda que um nível ainda menor – cerca de 5% – aplica IA em toda a organização para orientar decisões fundamentais.
E não é só a Accenture que indica tais resultados. Pesquisa do Boston Consulting Group e do MIT diz: sete de cada 10 projetos em IA não dão resultados ou têm retorno mínimo.
Outro ponto: 76% da alta gestão reconhece que tem dificuldade de fazê-lo, enquanto 75% acreditam que correm o risco de ser demitidos caso não escalarem projetos em IA nos próximos cinco anos.
Isso indica, de acordo com os pesquisadores, tanto que muitas iniciativas são simplesmente interrompidas após a PoC quanto que as organizações têm pela frente um longo percurso para realizar qualquer tipo de escala em projetos de IA.
Assim, baseados nos dados deste estudo e em nossa própria experiência, vamos mostrar neste artigo o que as organizações precisam fazer ou entender para ganhar escala e maturidade em IA.
Mitos em torno do processo de escalar projetos em IA
Embora levar um projeto em IA de uma prova de conceito ou piloto para toda a organização seja um próximo passo natural e desejado, o escalonamento é desafiador em inúmeros aspectos.
Mas, de acordo com a pesquisa da Accenture e do BCG/MIT, muitos desses desafios são causados por mitos. O exagero e mistificação sobre a tecnologia criam uma desconexão entre o que é comunicado pelas empresas e sua realidade. Vejamos alguns deles.
Leia mais: [Entrevista] O mínimo que você precisa saber sobre data science
1. Fazer certo é fazer rápido
Escalar um projeto em IA não é um processo natural, nem rápido. De acordo com o levantamento da Accenture, as organizações bem-sucedidas nesse passo levam em torno de um a dois anos, o que põe por terra o mito de que fazer certo é fazer rápido em IA.
De acordo com Greg Douglas, da Accenture, em declaração para o Tech Republic, além de serem movidas a propósitos de negócio, o sucesso se deve a uma preparação cuidadosa:
O que nós temos percebido é que companhias que são bem pragmáticas e se preparam para estabelecer uma fundação de dados correta, para implementar os processos certos, para alocar os líderes certos, com as skills certas, tiram tempo para isso.
Isso pode ser resumido da seguinte maneira: as empresas precisam, de acordo com a O’Reilly, fazer mais para colocar seus esforços em IA em bases sólidas, obtendo o apoio da alta gestão, identificando casos de uso específicos vinculados aos objetivos de negócio, construindo habilidades, definindo processos para governança de dados etc.
Ao provar o valor desse trabalho – que leva tempo – é que aparece a agilidade. O pragmatismo, não a realização plena da perfeição, se mostra como capacidade de testar, de errar rápido e de corrigir mais rápido ainda.
2. Para ter bons resultado é preciso gastar muito
O mito de que projetos em IA só geram bons resultado quando o investimento é alto tem levado muitos líderes a acreditar que as poucas organizações que têm sucesso em escalar projetos com IA estão investindo grandes somas, além de grande capital humano.
Mas a verdade é, de acordo com a pesquisa da Accenture, que elas estão gastando menos – mesmo com projetos mais longos.
Isso, porque são extremamente cuidadosas e estratégicas ao decidir aonde vão gastar dinheiro. Elas organizam seus dados, contratam os talentos certos e implementam habilidades específicas.
Por isso, não é raro que o motivo pelo qual muitas organizações não consigam escalar iniciativas em IA seja um uso ineficiente de seu orçamento, que pode até ultrapassar o de empresas bem-sucedidas.
3. Ter apenas lideranças da área de TI envolvidas nos projetos de IA
De acordo com os analistas da Accenture, há um mito de que projetos de IA devem ser tocados pelas lideranças e profissionais de TI – como CTOs, CIOs e CDOs –, exclusivamente.
Ao contrário. Não se trata de um único líder ou setor envolvido, que vai lidar com todos os pontos relacionados à inteligência artificial na organização, mas de um time interdisciplinar. O executivo que faz negócios deve estar conectado ao profissional de tecnologia.
Pelo menos é o que mostram 92% das organizações bem-sucedidas em escalar seus projetos em IA. Segundo Sylvain Duranton, consultor do BCG, em entrevista para o Terra:
Quando um projeto de IA é reportado para a área de tecnologia da empresa, ele tem duas vezes menos chances de dar certo do que quando está sob o comando da área de negócios ou do presidente executivo.
Praticamente todas as empresas bem-sucedidas quebraram os silos para chegar a uma equipe formada por líderes de negócio, da área financeira e, evidentemente, da tecnologia, que trabalham colaborativamente.
4. Mais dados é melhor
Dados são a matéria-prima de projetos em IA e precisam passar por uma boa engenharia. E não é raro que projetos em IA tragam à tona problemas quanto à qualidade e completude dos dados. No entanto, é mito que, quantos mais dados, melhor.
Antes de buscá-los, é preciso determinar se temos os processos certos, isto é, como os dados são monitorados e se isso é feito de maneira eficiente dentro do negócio. Pois tampouco são raros problemas como efeito Dunning-Kruger, ou seja, de inferências baseadas em pouquíssimas evidências.
Isso ajudará no processo de engenharia posterior, da identificação e estruturação dos dados necessários para o projeto, que aliás tem um horizonte bem limitado e focado às peças fundamentais para chegar aos resultados que a organização deseja.
O que os 20% das empresas que escalam seus projetos em IA têm em comum
A pesquisa da Accenture relevou alguns fatores de sucesso que separam as organizações que estão conseguindo escalar seus projetos em IA das que não estão. Vejamos quais são eles:
- Projetos ancorados nos objetivos de negócio e patrocinados pela alta gestão (C-level)
- Habilidade de criar uma estratégia em IA e um modelo de escala, com estrutura organizacional e governança bem definidas
- Equipes multidisciplinares e não conduzidas apenas pelas lideranças de TI ou restritas ao silo da TI
- Expectativas claras e realistas sobre a duração dos projetos em IA, e focadas no essencial
- Capacidade de desenvolver habilidades em dados para extrair valor das análises
- Mindset experimental
- Colaboradores preparados para o projeto.
Leia mais: Sua organização está preparada para o data science?
Escalar seu projeto em IA: faça desse o seu próximo passo
Por fim, escalar projetos em IA é fundamental para garantir um bom retorno. Mais um dado da Accenture: companhias que conseguiram isso tiveram taxa de sucesso 2 vezes maior e um ROI 3 vezes maior do que as que ainda estão na fase de PoC.
Não é pouca coisa, ainda que pareça um resultado inalcançável frente aos desafios, esforços e gastos que as empresas estão enfrentando para escalar seus projetos em IA.
Mas, afinal, que riscos correrão os que abandonarem completamente seus projetos-piloto em IA? Os executivos sabem ficarão para trás se não forem capazes de escalar.
Por isso, um parceiro com experiência em projetos em inteligência artificial em vários segmentos pode ser o elemento que faltava para suas iniciativas decolarem.
Quer nos conhecer? Fale com um de nossos consultes!
