Jay Allardyce, Gerente Geral, Dados e Análise na insightsoftware – Série de Entrevistas

Jay Allardyce é Gerente Geral, Dados e Análise na insightsoftware. Ele é um Executivo de Tecnologia com 23+ anos de experiência em empresas B2B de grande porte, como Google (GOOGL ), Uptake, GE e HP. Ele também é co-fundador da GenAI.Works, que lidera a maior comunidade de inteligência artificial no LinkedIn.

insightsoftware é um fornecedor global de soluções de software financeiro e operacional. A empresa oferece ferramentas que suportam planejamento financeiro e análise (FP&A), contabilidade e operações. Seus produtos são projetados para melhorar a acessibilidade dos dados e ajudar as organizações a tomar decisões informadas e oportunas.

Você enfatizou a urgência para as empresas adotarem a IA em resposta às crescentes expectativas dos clientes. Quais são as principais etapas que as empresas devem tomar para evitar cair na armadilha do “FOMO da IA” e adotar soluções de IA genéricas?

Os clientes estão deixando claro para as empresas que desejam capacidades de IA aumentadas nas ferramentas que estão usando. Em resposta, as empresas estão correndo para atender a essas demandas e manter o ritmo com seus concorrentes, o que cria um ciclo frenético para todas as partes envolvidas. E sim, o resultado final é o FOMO da IA, que pode levar uma empresa a apressar sua inovação em uma tentativa de simplesmente dizer: “temos IA!”

A maior orientação que tenho para as empresas para evitar cair nessa armadilha é tomar o tempo para entender quais são os pontos de dor que os clientes estão pedindo que a IA resolva. Há um problema de processo que é muito manual? Há uma tarefa repetitiva que precisa ser automatizada? Há cálculos que poderiam ser facilmente computados por uma máquina?

Uma vez que as empresas tenham esse contexto necessário, elas podem começar a adotar soluções com propósito. Elas poderão oferecer aos clientes ferramentas de IA que resolvem um problema, em vez de aquelas que apenas adicionam à confusão dos problemas existentes.

Muitas empresas correm para implementar a IA sem entender completamente seus casos de uso. Como as empresas podem identificar as soluções de IA adequadas para atender às suas necessidades específicas, em vez de confiar em implementações genéricas?

Do lado do cliente, é importante manter uma comunicação constante para entender melhor quais são os casos de uso mais urgentes. Conselhos de defesa do cliente podem fornecer uma solução útil. Mas além dos clientes, também é importante que as equipes olhem internamente e entendam como a adição de novas ferramentas de IA afetará a funcionalidade interna. Para cada nova ferramenta que é introduzida ao cliente, as equipes de dados internas são confrontadas com uma montanha de novas variáveis e novos dados que estão sendo criados.

Enquanto todos querem adicionar novas capacidades e mostrá-las aos clientes, nenhuma implantação de IA será bem-sucedida sem o apoio das equipes de dados internas e cientistas por trás de seu desenvolvimento. Alinhe internamente para entender a largura de banda e, em seguida, olhe para fora para decidir quais solicitações de clientes podem ser acomodadas com o apoio adequado por trás delas.

Você ajudou empresas do Fortune 1000 a adotar uma abordagem orientada a dados. O que significa verdadeiramente para uma empresa ser “orientada a dados” e quais são os principais obstáculos que as empresas enfrentam durante essa transformação?

Para que uma empresa seja “orientada a dados”, as empresas precisam aprender a aproveitar os dados de forma eficaz. Uma equipe verdadeiramente orientada a dados pode executar adequadamente a tomada de decisão baseada em dados, que envolve o uso de informações para informar e apoiar as escolhas de negócios. Em vez de confiar apenas na intuição ou na experiência pessoal, os tomadores de decisão coletam e analisam dados relevantes para orientar suas estratégias. Tomar decisões com base em dados pode ajudar as empresas a obter insights mais informados e objetivos, o que, em um mercado em rápida mudança, pode significar a diferença entre uma decisão estratégica e uma decisão impulsiva.

Um obstáculo comum para alcançar isso é a gestão de dados ineficaz, que leva a uma “sobrecarga de dados”, onde as equipes são sobrecarregadas com grandes quantidades de dados e são incapazes de fazer algo com eles. À medida que as empresas tentam focar seus esforços nos dados mais importantes, ter muito desses dados disponíveis pode levar a atrasos e ineficiências se não for gerenciado adequadamente.

Dada sua experiência trabalhando com tecnologias de IoT e industriais, como você vê a interseção da IA e do IoT evoluindo em setores como energia, transporte e construção pesada?

Quando o IoT surgiu, houve uma crença de que ele permitiria uma maior conectividade para melhorar a tomada de decisão. Em seguida, essa conectividade desbloqueou um novo mundo de valor econômico, e de fato isso foi, e continua a ser, o caso para o setor industrial.

O problema era que muitos se concentraram em “encanamento inteligente”, usando o IoT para conectar, extrair e comunicar com dispositivos distribuídos, e menos no resultado. Você precisa determinar o problema exato a ser resolvido, agora que você está conectado a, digamos, 400 ativos de construção pesada ou 40 usinas de energia de propriedade. O resultado, ou o problema a ser resolvido, finalmente se resume a entender qual KPI poderia ser melhorado que impulsionaria a produtividade da linha de trabalho, economia ou poupança da linha de fundo (se não uma combinação). Cada empresa é governada por um conjunto de KPIs de nível superior que medem o desempenho operacional e acionário. Uma vez que esses sejam determinados, o problema a ser resolvido (e, portanto, quais dados seriam úteis) se torna claro.

Com essa base estabelecida, a IA – seja preditiva ou gerativa – pode ter um impacto 10-50 vezes maior na ajuda de uma empresa a ser mais produtiva no que faz. Abastecimento otimizado, ciclos de manutenção e reparos baseados em um padrão de sinal de demanda claro que são combinados com as variáveis de entrada necessárias. Para ilustrar, a noção de ter a “peça certa, no momento certo, no local certo” pode significar milhões para uma empresa de construção – pois eles têm níveis de estoque menores para inventário e técnicos de serviço otimizados com base em um modelo de IA que sabe ou prevê quando uma máquina pode falhar ou quando um evento de serviço pode ocorrer. Em seguida, esse modelo, combinado com dados operacionais estruturados e dados do IoT (para ativos distribuídos), pode ajudar uma empresa a ser mais dinâmica e marginalmente otimizada, sem sacrificar a satisfação do cliente.

Você falou sobre a importância de aproveitar os dados de forma eficaz. Quais são as principais maneiras pelas quais as empresas mal utilizam os dados e como elas podem transformá-los em uma verdadeira vantagem competitiva?

O termo “inteligência artificial”, quando tomado em seu valor literal, pode ser um pouco enganoso. Inserir qualquer e todos os dados em um motor de IA não significa que ele produzirá resultados úteis, relevantes ou precisos. À medida que as equipes tentam acompanhar o ritmo da inovação em IA no mundo de hoje, ocasionalmente esquecemos a importância da preparação e controle completos dos dados, que são críticos para garantir que os dados que alimentam a IA sejam totalmente precisos. Assim como o corpo humano depende de combustível de alta qualidade para se alimentar, a IA depende de dados limpos, consistentes que garantam a precisão de suas previsões. Especialmente no mundo das equipes financeiras, isso é de suma importância para que as equipes possam produzir relatórios precisos.

Quais são as melhores práticas para capacitar equipes não técnicas dentro de uma organização a usar dados e IA de forma eficaz, sem sobrecarregá-las com ferramentas ou processos complexos?

Minha orientação é para que os líderes se concentrem em capacitar equipes não técnicas a gerar suas próprias análises. Para ser verdadeiramente ágil como uma empresa, as equipes técnicas precisam se concentrar em tornar o processo mais intuitivo para os funcionários em toda a organização, em vez de se concentrar na crescente lista de solicitações da área financeira e operacional. Remover processos manuais é realmente o primeiro passo importante nesse processo, pois permite que os líderes operacionais gastem menos tempo coletando dados e mais tempo analisando-os.

A insightsoftware se concentra em trazer a IA para as operações financeiras. Como a IA está mudando a forma como os CFOs e as equipes de finanças operam e quais são os principais benefícios que a IA pode trazer para a tomada de decisão financeira?

A IA teve um impacto profundo na tomada de decisão financeira e nas equipes de finanças. De fato, 87% das equipes já estão usando a IA a um ritmo moderado a alto, o que é uma medida fantástica de seu sucesso e impacto. Especificamente, a IA pode ajudar as equipes de finanças a produzir previsões vitais mais rápido e, portanto, mais frequentemente – melhorando significativamente os ciclos de orçamento atuais, que estimam que 58% dos ciclos de orçamento são mais longos que cinco dias.

Ao adicionar a IA a esse processo de tomada de decisão, as equipes podem usá-la para automatizar tarefas tediosas, como geração de relatórios, validação de dados e atualizações do sistema de origem, liberando tempo valioso para análise estratégica. Isso é particularmente importante em um mercado volátil, onde as equipes de finanças precisam de agilidade e flexibilidade para impulsionar a resiliência. Por exemplo, o caso de uma equipe financeira no meio dos ciclos de orçamento e planejamento. As soluções impulsionadas por IA podem entregar previsões mais precisas, ajudando os profissionais de finanças a tomar melhores decisões por meio de um planejamento e análise mais aprofundados.

Como você vê as necessidades de dados evoluindo nos próximos cinco anos, particularmente em relação à integração da IA e à mudança para recursos em nuvem?

Acho que os próximos cinco anos demonstrarão a necessidade de uma maior agilidade de dados. Com a rapidez com que o mercado muda, os dados devem ser ágeis o suficiente para permitir que as empresas permaneçam competitivas. Vimos isso na transição de local para fora do local para a nuvem, onde as empresas tinham dados, mas nenhum deles era útil ou ágil o suficiente para ajudá-las na mudança. A flexibilidade aprimorada significa tomada de decisão de dados aprimorada, colaboração, gerenciamento de riscos e uma série de outras capacidades. Mas, no final do dia, equipa as equipes com as ferramentas necessárias para abordar os desafios de forma eficaz e se adaptar conforme necessário às tendências ou demandas do mercado em mudança.

Como você garante que as tecnologias de IA sejam usadas de forma responsável e quais considerações éticas as empresas devem priorizar ao implantar soluções de IA?

Desenhando um paralelo entre o surgimento e a adoção da nuvem, as organizações temiam dar seus dados a alguma entidade desconhecida para executar, manter, gerenciar e proteger. Levou vários anos para que essa confiança fosse construída. Agora, com a adoção da IA, um padrão semelhante está surgindo.

As organizações devem novamente confiar em um sistema para proteger suas informações e, nesse caso, produzir informações viáveis que sejam fatuais, referenciáveis e também confiáveis. Com a nuvem, era sobre “quem possuía ou gerenciava” seus dados. Com a IA, centra-se em torno da confiança e uso desses dados, bem como da derivação de informações criadas como resultado. Com isso dito, eu sugeriria que as organizações se concentrem nas seguintes três coisas ao implantar tecnologias de IA:

1. Aproxime-se – Não tenha medo de usar essa tecnologia, mas adote e aprenda.
2. Base – Os dados empresariais que você possui e gerencia são a verdade fundamental quando se trata de precisão das informações, desde que essas informações sejam verídicas, fatuais e referenciáveis. Certifique-se de que, ao construir a partir de seus dados, você entenda a origem de como o modelo de IA é treinado e quais informações ele está usando. Como todas as aplicações ou dados, o contexto importa. Aplicações não impulsionadas por IA produzem resultados falsos ou imprecisos. Apenas porque a IA produz um resultado impreciso, não significa que devemos culpar o modelo, mas sim entender o que está alimentando o modelo.
3. Valor – Entenda o caso de uso pelo qual a IA pode melhorar significativamente o impacto.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar insightsoftware.