A pesquisa da Gartner afirma que até 2030, 80% das tarefas de gerenciamento de projetos serão realizadas por IA. Como será a porcentagem de projetos utilizando IA para completar tarefas – ainda está por ser visto. No entanto, já vale a pena considerar como integrar a IA na estratégia operacional de uma empresa.
O primeiro passo é entender o potencial e as limitações dessa tecnologia. A inteligência artificial se sai bem na análise de tendências e padrões, mas falha em coisas como raciocínio em múltiplas etapas e tomada de decisões morais. Ela cria visuais sensacionais, mas conseguir que ela gere consistentemente materiais que correspondam à imagem de uma marca requer habilidade considerável. É por isso que, quando começamos a trabalhar em um projeto de IA, não podemos assumir com uma probabilidade comparável a outros projetos se ele produzirá resultados concretos e mensuráveis.
Um bom ponto de partida, portanto, é analisar os prós e contras:
Para obter uma resposta credível a essas perguntas, é melhor selecionar projetos de IA simples que tragam valor considerável, sejam facilmente mensuráveis e se encaixem na estratégia da empresa. Uma startup que oferece serviços de entrega pode servir como exemplo. Seu objetivo é melhorar o atendimento ao cliente e aumentar a flexibilidade da cadeia de suprimentos. Um projeto de IA simples, mas valioso, por exemplo, é a implementação de um chatbot que lida com consultas de clientes. Esse assistente virtual lidará com mais solicitações do que um call center tradicional, aumentando a satisfação do cliente por meio de respostas rápidas às consultas e qualidade de comunicação consistente. Em contraste, um sistema avançado que otimiza rotas de entrega se encaixa no objetivo de melhorar a flexibilidade de entrega, mas é complexo e tem riscos muito mais altos.
Uma vez determinados os projetos iniciais de IA, a startup deve avaliar sua viabilidade, por exemplo, em termos do orçamento dentro do qual o projeto de IA deve se encaixar.
Implementar uma solução SaaS pronta ou IA como Serviço (AIaaS), ou a chamada “IA pronta”, tem muitas vantagens. Uma delas é o custo previsível de uso da ferramenta e o custo relativamente fácil de estimar para a implementação de um projeto de IA. Você pode escolher entre soluções como:
Para projetos de IA em maior escala, seus custos podem frequentemente ser subestimados. Especialmente quando se trata dos recursos e do tempo necessários para a coleta e preparação de dados. Por exemplo, segundo Arvind Krishna da IBM, a fase de preparação de dados para o aprendizado de IA pode representar até 80% da duração de um projeto.
Fonte: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Além disso, quanto mais modelos de IA personalizados exigirmos para um projeto, mais dados qualitativos precisaremos coletar. Por exemplo, redes neurais profundas para aprendizado requerem centenas de milhares de exemplos. Isso eleva o custo de aquisição e limpeza de conjuntos de dados tão grandes. Felizmente, o rápido desenvolvimento da inteligência artificial significa que cada vez mais projetos de IA podem ser implementados sem a necessidade de um aprendizado caro de um modelo personalizado.
No entanto, uma empresa que planeja um projeto de IA deve considerar não apenas a fase de desenvolvimento da solução, mas também a preparação de dados e a operação contínua do sistema, incluindo o custo de manutenção, atualização ou coleta de novos dados. Só então você pode avaliar o verdadeiro retorno sobre o investimento em IA.
Um desafio chave em projetos de IA é o dado – sua disponibilidade, quantidade e qualidade. Então, o que fazer? Antes de iniciar um projeto de IA, você precisa:
Um problema comum é que os dados estão espalhados por vários sistemas e formatos. Pode ser desafiador fundi-los, limpá-los e prepará-los para o aprendizado de IA. Uma boa prática é que a equipe de IA trabalhe em estreita colaboração com o departamento de TI ou analistas de dados. Juntos, eles devem garantir que a infraestrutura e os processos de aquisição de dados adequados estejam em vigor.
A IA não é apenas algoritmos de aprendizado de máquina. Para fazê-los funcionar na prática, é necessária uma infraestrutura de TI inteira. Enquanto isso, integrar novos sistemas de IA com os existentes de uma empresa pode ser desafiador. Muitas vezes, isso requer a adaptação de sistemas de negócios mais antigos, o que para muitas empresas significa custos consideráveis de atualização.
Além disso, projetos de IA requerem especialização em ciência de dados e engenharia de dados. Enquanto isso, o mundo está enfrentando uma escassez de especialistas nessa área. Segundo o relatório “Technology Trends Outlook 2023” da McKinsey, a proporção de anúncios de emprego para especialistas disponíveis é de 7 para 100, e a demanda está crescendo constantemente.
A questão da segurança dos dados também não é insignificante. Sistemas de IA processam enormes quantidades de informações sensíveis, que devem ser devidamente protegidas contra vazamentos. Enquanto isso, as violações de dados aumentaram significativamente nos últimos anos. Este é, portanto, outro risco importante a ser considerado ao implementar projetos de IA.
Uma barreira comum para a implementação de um projeto de IA pode ser o baixo conhecimento de inteligência artificial entre gerentes e tomadores de decisão de negócios. Sem uma compreensão aprofundada das capacidades da tecnologia, é difícil avaliar a viabilidade de projetos específicos e tomar decisões sensatas. É por isso que é essencial investir na melhoria do conhecimento dos gerentes na área de novas tecnologias.
A requalificação de funcionários atuais também pode ajudar. Fala-se cada vez mais dos chamados “analistas de dados cidadãos” (“Citizen data scientists”). Esses especialistas exploram tecnologias de ponta para resolver problemas de negócios específicos que enfrentam diariamente. Eles têm um conhecimento profundo da indústria em que trabalham. Ao fazer parte da equipe que trabalha em um projeto de IA, eles permitem que os especialistas em IA se concentrem em problemas de implementação, respondendo a perguntas específicas da indústria.
Além das habilidades técnicas, como avaliar recomendações de IA e tomar decisões, as habilidades interpessoais também são importantes, incluindo liderança e pensamento estratégico. Esta é outra maneira de abordar a escassez de habilidades em IA nas empresas.
Há um rumor infundado (e provavelmente falso) circulando na Internet de que até 87% dos projetos de IA nunca alcançam a fase de produção. Embora não tenhamos conseguido acessar estudos confiáveis de projetos bem-sucedidos, uma definição inicial de maneiras de medir o sucesso é fundamental para avaliar o verdadeiro impacto da implementação de IA.
Uma boa prática aqui é um experimento em pequena escala. Isso envolve testar o desempenho da IA, por exemplo, em uma amostra aleatória de usuários e comparar os resultados com um grupo de controle usando uma solução padrão. Esse teste A/B ajuda a verificar se o novo sistema de IA pode trazer os resultados esperados, como um aumento nas conversões ou na satisfação do cliente.
Fonte: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Os testes A/B valem a pena serem repetidos periodicamente mesmo após a implementação da IA, pois os modelos podem perder precisão e relevância na resolução de problemas. Isso permitirá que você identifique rapidamente anomalias emergentes e a necessidade de recalibrar o sistema para que continue a fornecer os resultados comerciais esperados.
Embora a IA ofereça oportunidades tremendas, projetos nessa área apresentam desafios significativos. Para ter sucesso, é preciso avaliar viavelmente os custos e benefícios da IA, cuidar da aquisição e qualidade dos dados, desenvolver competências internas e apostar na implementação gradual de novas tecnologias. Também é crucial medir o impacto comercial tangível das implementações e reagir rapidamente a problemas emergentes. Só então a IA se tornará uma melhoria em vez de uma ameaça para a empresa.
Se você gosta do nosso conteúdo, junte-se à nossa comunidade de abelhas ocupadas no Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.
Especialista em JavaScript e instrutor que orienta departamentos de TI. Seu principal objetivo é aumentar a produtividade da equipe, ensinando os outros a cooperar efetivamente enquanto codificam.
Você está enviando mercadorias para clientes na Eslovênia? Descubra se você precisa se registrar para…
Você está enviando mercadorias para clientes na Croácia? Verifique se você deve se registrar para…
Você está enviando mercadorias para clientes em Portugal? Verifique se precisa se registrar para o…
Você está enviando mercadorias para clientes em Malta? Descubra se você deve se registrar para…
Diante de um mercado em rápida mudança e de expectativas crescentes dos clientes, as empresas…
Os mensageiros instantâneos estão entre os tipos de aplicativos mais populares usados pelas pessoas todos…