Resolvendo o Como e Quando: Infundindo Estratégia de Negócios na Adoção de IA

Chegamos a um ponto de inflexão com a inteligência artificial (IA) onde as discussões nas salas de reunião mudaram de debater a eficácia para acelerar a adoção. É um momento emocionante, especialmente considerando que o ritmo de mudança nunca será tão lento novamente. De acordo com a BCG, apesar da incerteza econômica global, a inovação aumentou como uma prioridade corporativa em 2023, com 79% das empresas a classificando entre seus três principais objetivos.

No entanto, a inovação por si só não é uma estratégia de negócios sólida, e as organizações que se deixam levar pelo hype da IA arriscam investir em hype, em vez de soluções que criam valor a longo prazo. Entender a diferença requer uma consideração cuidadosa das capacidades atuais e a paciência para priorizar o crescimento sustentável sobre as tendências de curto prazo.

A Zona de Ouro

A história dos negócios está repleta de exemplos de empresas cujas decisões estratégicas em momentos-chave foram conseqüentes para sua existência. Por exemplo, a Amazon sobreviveu à bolha das ponto-com ao reconhecer a importância de ajustar sua estratégia de contabilidade e aumentar as reservas, enquanto outras empresas estavam queimando dinheiro como se não houvesse amanhã. O ponto é que as decisões de negócios sólidas são mais críticas do que nunca durante os tempos de entusiasmo em massa, e planejar para amanhã requer uma habilidade aguçada para pensar em todos os cenários possíveis.

No geral, há um sentimento geral de FOMO (“medo de perder”) em relação à IA que permeou as equipes de liderança, ainda mais complicado pelo fato de que não fazer nada (ou seja, sucumbir à “paralisia por análise”) também é uma ameaça real. (Basta perguntar à Kodak.) Aqui estão 3 considerações para as empresas que buscam essa “Zona de Ouro” da IA – não investindo muito rápido ou muito lento, mas encontrando o ponto doce do crescimento sustentável.

1. Foque no Crescimento de Dados Primeiro

Como qualquer máquina, é importante entender seu funcionamento interno para derivar de onde vem o valor. Ou seja, a IA não é um produto totalmente formado, mas seus grandes modelos de linguagem (LLMs) dependem de vastos conjuntos de dados diversificados para aprender padrões, contexto e nuances linguísticas. O tamanho e a complexidade dos LLMs exigem dados de treinamento extensivos para operar efetivamente em vários domínios e tarefas. A qualidade e a quantidade desses dados terão um grande impacto no desempenho dos LLMs e, por extensão, na suíte de ferramentas de IA de uma empresa.

Criar ecossistemas de dados mais robustos é, portanto, um investimento sábio para qualquer empresa que planeje uma transformação de IA, e esses dados servirão como base para os LLMs à medida que crescem e evoluem. É nessa evolução que os dados de alta qualidade se tornam ainda mais críticos. Embora estudos tenham encontrado que os LLMs podem ser competentes com dados mínimos, especialistas agora dizem que “o impacto da qualidade e diversidade dos dados no alinhamento e em outras áreas de treinamento de LLMs (pré-treinamento, ajuste fino, direcionabilidade, etc.) é absolutamente massive”.

2. Identifique um Caso de Uso de Negócios

Embora a IA certamente tenha a capacidade de aplicações externas amplas, a maioria das empresas está mais focada em usá-la para otimizar seus processos internos. “Otimizar” é a palavra-chave aqui, significando que as empresas não devem esperar simplesmente conectar e executar software de IA para melhorar magicamente a saída. Em vez disso, alguns dos casos de uso de IA mais bem-sucedidos envolvem analisar dados para revelar insights valiosos sobre o comportamento do cliente, tendências do mercado e riscos potenciais. Também foi provado eficaz na otimização de atividades internas, incluindo coisas como a automação de tarefas manuais para alocar o tempo dos funcionários em atividades de nível superior.

Em resumo, em vez de gastar tempo tentando descobrir quais modelos de IA usar, as organizações precisam se concentrar em problemas específicos que precisam que sua IA resolva. (Isto é, começar com a agulha que você deseja mover, configurar o KPI que você gostaria de influenciar e, em seguida, trabalhar para trás para quais ferramentas de IA alcançarão esses objetivos.) De acordo com a Pesquisa de Executivos Globais de IA do MIT, 90% dos que usam IA para criar novos KPIs dizem que veem seus KPIs melhorar. “Esses KPIs informados pela IA oferecem benefícios comerciais e demonstram novas capacidades: eles geralmente levam a mais eficiência e maior benefício financeiro e são mais detalhados, sensíveis ao tempo e alinhados com os objetivos organizacionais”.

3. Construa Ferramentas de IA Personalizadas Usando LLMs de Código Aberto

Construir ou comprar – essa é a questão. Construir uma solução de IA personalizada pode parecer assustador, e muitas empresas optam por comprar uma licença de um fornecedor externo com um LLM proprietário para evitar seguir esse caminho. No entanto, a licença pode restringir como o LLM pode ser usado, e as taxas de licença podem se tornar muito caras ao longo do tempo. Alternativamente, os LLMs de código aberto são gratuitos e a arquitetura subjacente está disponível para os desenvolvedores acessarem, construírem e modificarem com base nas necessidades específicas da empresa.

Esse ecossistema de modelo de código aberto ganhou popularidade à medida que as empresas se esforçam para manter informações confidenciais em sua rede e manter mais controle sobre seus dados. Os LLMs de código aberto dão às empresas essa transparência e flexibilidade, juntamente com os benefícios adicionais de reduzir problemas de latência e aumentar o desempenho. A IBM e a NASA recentemente se uniram para desenvolver um LLM de código aberto treinado em dados geoespaciais para ajudar os cientistas a combater as mudanças climáticas, parte da Iniciativa de Ciência de Código Aberto da NASA para construir uma comunidade científica mais acessível, inclusiva e colaborativa.

Como qualquer tecnologia de código aberto, existem riscos associados aos LLMs de código aberto, incluindo possíveis vazamentos de segurança/ violações, alucinações/vieses baseados em informações imprecisas ou defeituosas e atores mal-intencionados manipulando dados. No entanto, os modelos de código aberto estão ficando mais inteligentes e seguros com o tempo, levando alguns especialistas a sentir que os LLMs de código aberto logo atingirão o nível dos melhores LLMs de código fechado, justificando o investimento na adoção antecipada e no tempo gasto em treinar equipes.

A Adoção de IA Será Múltiplas Corridas Rápidas em uma Maratona

Com base em figuras recentes, existem cerca de 15.000 empresas de IA nos Estados Unidos, mais do que o dobro do número em 2017. Em todo o mundo, esses números aumentam quase quatro vezes. Com tantos fornecedores e novas startups promovendo seus serviços, não é de se estranhar que as empresas tenham dificuldade em decidir onde investir seu tempo e dinheiro. Mas, avaliando cuidadosamente as necessidades e os riscos/recompensas apresentados pela inovação, os líderes encontrarão a mistura certa de IA para impulsionar suas empresas em direção a um futuro de crescimento sustentável. Com tantos fornecedores e hot new startups promoting their services, it’s no wonder that companies can struggle to decide where to invest their time and money. But by carefully assessing your needs and the risks/rewards presented by innovation, leaders will find the right mix of AI to propel their companies into a future of sustainable growth.