Antes de Mais Modelos, a Inteligência Artificial no Comércio Precisa de uma Revolução na Infraestrutura

A implementação da inteligência artificial no comércio está avançando a um ritmo notável. O investimento em inteligência artificial no varejo está acelerando rapidamente, com o mercado projetado para crescer de $11,6 bilhões em 2024 para mais de $40 bilhões até 2030.

Da mesma forma, novos modelos são lançados em rápida sucessão, os fornecedores continuam a expandir suas capacidades e os varejistas estão sob pressão crescente de conselhos e investidores para demonstrar que estão ativamente integrando a inteligência artificial em suas operações.

À primeira vista, isso cria a impressão de uma indústria que está passando por uma transformação rápida e decisiva. No entanto, sob essa atividade, a maioria dessas iniciativas está sendo aplicada a sistemas que nunca foram projetados para suportá-las.

A limitação não é a disponibilidade nem a qualidade dos modelos. É a condição da infraestrutura abaixo deles.

Quando se implementa a inteligência artificial, o primeiro orçamento não deve ir para a inteligência artificial em si. Deve ir para o que chamamos de “confiança de dados”, que é a infraestrutura de dados. Isso inclui conexões entre sistemas, deduplicação de dados e atualizações em tempo real.

Falhar em fazer isso é o motivo pelo qual a inteligência artificial falha no comércio e pelo qual tantos esforços começam com momentum, mas lutam para se traduzir em impacto sustentado. Para implementar a inteligência artificial com sucesso, precisamos começar com a infraestrutura.

Em contraste, no comércio, a conversa em si tende a começar uma camada acima, focando na escolha de modelos ou na identificação de casos de uso de alto potencial. O que recebe muito menos atenção é se a arquitetura de dados subjacente pode suportar essas decisões de forma significativa.

Se os dados subjacentes estiverem fragmentados, a inteligência artificial apenas gerará saídas que podem ser prejudiciais ou enganosas.

Em organizações maiores, essa tendência é reforçada pela necessidade de sinalizar progresso. “Fazer algo com inteligência artificial” se torna um objetivo em si, e introduzir um modelo é frequentemente a forma mais imediata de alcançar isso, independentemente de produzir valor mensurável.

No nível do conselho, as expectativas em torno da inteligência artificial estão acelerando na forma de melhor personalização e ganhos mensuráveis em eficiência e margem. No nível do sistema, a prontidão não está acompanhando o ritmo. Quanto mais tempo essa lacuna persistir, mais caro se tornará corrigi-la, à medida que camadas de tecnologia são adicionadas sobre fundações que permanecem inalteradas.

O que “não pronto para inteligência artificial” parece na prática

Um dos principais problemas é a falta de coerência entre os sistemas. Por exemplo, um único cliente pode existir simultaneamente em uma plataforma de ERP, um ambiente de comércio eletrônico e um sistema offline ou de fidelidade, cada instância carregando diferentes histórias e suposições.

Os dados de produtos, embora tecnicamente completos, são limitados em termos de fornecer contexto que permita a um modelo interpretar ou raciocinar sobre eles de forma eficaz. A baixa qualidade dos dados sozinha é estimada em custar às organizações quase $13 milhões por ano, destacando como essas restrições se tornaram fundamentais.

Equipes humanas aprendem a navegar por essas inconsistências ao longo do tempo, construindo pontes informais entre os sistemas. Um modelo, por outro lado, opera estritamente dentro da estrutura que lhe é dada, e as saídas que ele gera são limitadas por isso.

Quando a inteligência artificial é introduzida nesse ambiente, o resultado não é a falta de saída, mas uma degradação gradual em sua qualidade.

Um modelo pode processar dados e produzir saídas, mas não conectará sistemas por conta própria.

Na prática, isso pode se manifestar como um motor de personalização que começa a oferecer recomendações de produtos altamente específicas que categorizam um cliente de maneiras que não refletem suas preferências ou intenções reais.

Em sistemas impulsionados por inteligência artificial, as experiências do cliente frequentemente se tornam mais precisas, mas menos relevantes.

Essa mudança de relevância geral para irrelevância específica pode ser mais prejudicial do que parece, pois altera a forma como os clientes percebem a marca em si. Nos piores casos, esses sistemas não apenas subperformam, mas ativamente degradam a experiência do cliente.

Por que a maioria dos pilotos de inteligência artificial estagna, e o que isso custa

Essa dinâmica é uma das principais razões pelas quais uma grande proporção de pilotos de inteligência artificial no comércio falha em progredir além da experimentação. Dados da indústria sugerem que apenas cerca da metade das iniciativas de inteligência artificial chegam da fase de piloto à produção, deixando uma proporção significativa estagnada na fase de experimentação.

O problema raramente é a falta de investimento ou intenção. A restrição emerge quando as saídas geradas por esses sistemas não justificam a escala.

Nesse ponto, as organizações enfrentam uma escolha entre continuar investindo na otimização ou abandonar a iniciativa por completo. Em muitos casos, elas escolhem a última porque o ambiente em que está sendo implantado não pode suportar resultados consistentes.

Em toda a indústria, as mesmas lacunas de infraestrutura se repetem. Os dados do cliente permanecem fragmentados em vez de unificados. As informações do produto existem, mas carecem da profundidade necessária para interpretação. Os sistemas operam em paralelo em vez de como um fluxo de informações coerente. Quando os modelos são introduzidos nesse ambiente, eles escalonam esses problemas.

O custo dessa abordagem se estende além das despesas diretas. Ele se manifesta como um acúmulo generalizado de recomendações que não convertem, personalização que parece inconsistente e automação que amplifica erros existentes.

Com o tempo, isso cria uma erosão sutil, mas significativa, da confiança dentro da organização. As equipes começam a questionar a confiabilidade dos sistemas que estão construindo, e camadas adicionais de tecnologia são introduzidas em uma tentativa de compensar. O resultado é um atraso em alcançar a clareza necessária para construir sistemas que funcionem.

O motivo pelo qual muitas empresas constroem pilotos de inteligência artificial, mas nunca vão além deles, é que elas estão construindo esses pilotos sobre fundações fracas, o que é como cozinhar com ingredientes ruins.

Você pode ter uma receita de Gordon Ramsay e equipamentos excelentes, mas se os ingredientes forem ruins, o resultado ainda será negativo.

A diferença entre startups e grandes corporações

Organizações menores, particularmente aquelas no mercado de meio porte, frequentemente demonstram uma maior capacidade de implementar a inteligência artificial de forma eficaz. Isso ocorre porque seus sistemas são menos fragmentados e seus processos de tomada de decisão são mais diretos.

Em organizações maiores, a própria estrutura introduz potenciais obstáculos. As iniciativas são frequentemente impulsionadas pela necessidade de responder a expectativas externas, e a inteligência artificial se torna uma categoria que deve ser abordada em vez de uma capacidade que é cuidadosamente integrada.

Dizer “queremos implementar inteligência artificial” é como trazer eletricidade para uma fábrica sem máquinas. As luzes se acendem, mas a produção não melhora, porque você investiu em tecnologia sem saber o que ela realmente fará.

A mudança de modelos para infraestrutura

Uma abordagem alternativa está começando a se formar entre as organizações que encontraram essas limitações diretamente.

Em vez de alocar orçamentos iniciais para modelos de inteligência artificial, elas estão investindo no que pode ser descrito como “confiança de dados”, que é a criação de uma base onde os dados são consistentes, conectados e continuamente atualizados. O objetivo é garantir que os dados utilizados possam suportar decisões significativas.

A preparação de dados pode levar até 80% do tempo gasto em projetos de aprendizado de máquina, destacando quanto do trabalho está na camada de dados subjacente em vez dos próprios modelos.

Esse processo geralmente começa com um mapeamento detalhado dos sistemas existentes e a identificação de lacunas no fluxo e integridade dos dados. Os primeiros 30 a 60 dias são frequentemente dedicados a entender como as informações se movem ou falham em se mover pela organização. Isso é seguido por um período de integração e padronização, durante o qual os dados são limpos, deduplicados e alinhados em plataformas.

Nos próximos três a seis meses, as empresas se concentram em construir pipelines de dados confiáveis e conectar sistemas de alto valor de forma que suporte casos de uso reais. Somente após essa base estar estabelecida é que se torna possível introduzir a inteligência artificial em fluxos de trabalho que possam produzir resultados consistentes e mensuráveis.

Dentro de um horizonte de seis a nove meses, as organizações que seguem essa abordagem geralmente começam a ver resultados significativos na forma de processos impulsionados por inteligência artificial que influenciam métricas como conversão, retenção e melhoria de margem. Nesse ponto, os modelos param de ser experimentos e se tornam parte das operações. Seu desempenho se estabiliza e suas saídas se tornam ações que os times podem começar a confiar.

A aceleração do investimento em inteligência artificial no comércio é improvável que desacelere no curto prazo. O que permanece incerto é se a prontidão da infraestrutura acompanhará e será capaz de suportá-la. A lacuna crescente entre o que as organizações esperam que a inteligência artificial entregue e o que seus sistemas podem suportar já é visível no número crescente de pilotos que falham em alcançar a produção. Abordar essa lacuna requer uma mudança de foco para a construção dessa infraestrutura crítica.

Mover a conversa de modelos para infraestrutura não carrega a mesma imediatez ou visibilidade. Mas é onde muitas das atuais restrições residem. E é aqui que a próxima fase de progresso significativo no comércio impulsionado por inteligência artificial provavelmente emergirá.