A adoção de projetos de inteligência artificial nas organizações tem se mostrado mais complexa do que o entusiasmo em torno da tecnologia sugere. Segundo especialistas da Quality Digital, ausência de planejamento, iniciativas mal estruturadas, consumo de tokens sem controle e custos operacionais subestimados estão entre os principais fatores que explicam a dificuldade em gerar resultados concretos.
Para Cassio Pantaleoni, diretor de Artificial Intelligence Solutions & Strategy da Quality Digital, a IA tende a entregar a resposta adequada ao que foi solicitado, e não necessariamente a resposta correta.
“Sem curadoria e sem lógica na formulação das solicitações, passamos a ter casos de aumento de produtividade individual e perda de produtividade organizacional. É o que chamamos de Work Slop, quando erros se propagam pela cadeia produtiva”, disse.
Esses problemas, segundo os executivos, evidenciam que muitas empresas ainda não atingiram o nível de maturidade necessário para o uso eficiente da tecnologia. “Antes de sair fazendo um projeto de IA, você precisa pensar no impacto que essa iniciativa pode proporcionar e, para isso, é fundamental ter pessoas capacitadas, letradas e treinadas”, acrescenta Roberto Ave Faria, vice-presidente e diretor comercial da Quality Digital.
Faria define essa etapa como Education, considerada o primeiro passo para a construção de uma cultura organizacional orientada por dados. “Para que um projeto de IA dê certo, é preciso que as empresas sejam orientadas por dados, que as suas decisões sejam definidas por dados, que sejam empresas Data-Driven”, reforça.
De acordo com o executivo, essa mudança de abordagem deve começar pela alta liderança das organizações. “A partir desse processo de Education, letramento e capacitação de liderança e de multiplicadores internos é que as organizações passam a ter capacidade para melhor utilizar as IA’s em projetos que tragam resultados reais”, afirma.
Qualidade dos dados
Outro pilar apontado pela Quality Digital para o sucesso de iniciativas em inteligência artificial está relacionado à qualidade dos dados, sustentada por infraestrutura adequada e governança. “A governança de dados e a sua parametrização são fundamentais. Sem uma governança de dados bem feita, qualquer projeto de IA tende a falhar”, afirma Faria.
Já Pantaleoni explica que a IA responde diretamente à qualidade das informações que recebe e que a ausência de governança é hoje um dos principais entraves enfrentados pelas empresas. “Sem dados curados, a organização não vai produzir IA’s que sejam capazes de dar a interpretação necessária”.
Por fim, outro fator crítico, segundo Faria, está na definição clara do impacto que o projeto de IA deve gerar. “Qual é o resultado efetivo que quero ter? Quanto de retorno sobre o investimento ele vai me trazer? Quais são os ganhos reais para a minha organização? Sem ter essas respostas bem definidas, um projeto de IA se torna uma corrida pela tecnologia e não pelos benefícios que ela pode proporcionar”, explica.
Na avaliação do executivo, as organizações mais maduras em inteligência artificial estruturam suas iniciativas a partir de três bases: capacitação de liderança e cultura Data-Driven; governança de dados; e planejamento focado na análise do retorno esperado. “Se não olhar profundamente para esses pilares, a empresa vai se frustrar com o projeto de IA, seja não atingindo algum requisito técnico ou não obtendo o retorno de investimento esperado”, argumenta.
Como alternativa para viabilizar projetos mais sustentáveis, Faria aponta o modelo de self-funding, no qual o orçamento da área de IA é definido com base no retorno financeiro que as próprias iniciativas podem gerar.
“O budget da área de IA vai ser em cima do que a própria área vai conseguir produzir. Isso vai gerar um pipeline de projetos eficientes, com prioridade adequada e a análise do que vai ser atingido pela companhia”, finalizou.
