Por que a Maioria dos Investimentos em IA Não Entregará ou Falhará

As pessoas e as empresas estão obcecadas com o potencial da IA, mas 80% dos projetos de IA falharão – e não é por falta de vontade ou entusiasmo.

Embora a IA esteja permeando todas as indústrias e setores, o problema está em as empresas não se prepararem adequadamente para essa mudança tecnológica.

O Boston Consulting Group relata que uma em cada três empresas globais planeja gastar mais de $25 milhões em IA. Portanto, milhões de dólares serão desperdiçados se as empresas continuarem a mergulhar em soluções de IA sem planejar com antecedência.

No entanto, com fortes iniciativas de gestão de mudanças e um sistema para apoiar a inovação e KPIs mensuráveis, as empresas podem mudar o rumo da história de sucesso da IA.

Vamos mergulhar nos três principais motivos pelos quais as iniciativas de IA falham.

Colocando a Tecnologia em Primeiro Lugar e o Negócio em Segundo

Centenas de relatórios e estudos, especialmente sobre IA geradora, mostram a velocidade e a impressionante habilidade intelectual dos algoritmos e programas de IA.

Muita inovação foi feita na IA, levando as empresas a quererem pular de cabeça e investir em protótipos de ponta. No entanto, o risco é que elas possam gastar milhões de dólares em uma solução que resulta em um objetivo de negócios não claro ou nenhum impacto mensurável.

De fato, a Gartner prevê que pelo menos 30% dos projetos de IA geradora serão abandonados até o final de 2025 devido à má qualidade dos dados, controles de risco inadequados e custos crescentes ou valor de negócios não claro.

Os dados de má qualidade são um obstáculo particular que a maioria das empresas não consegue superar, especialmente quando se trata de maximizar a eficiência e a eficácia das soluções de IA. Os dados isolados são um dos principais problemas e são um problema de negócios que não pode ser ignorado. As equipes podem acabar desperdiçando horas tentando encontrar informações cruciais para a tomada de decisões estratégicas.

E não são apenas as equipes que são prejudicadas, mas também as ferramentas. Os modelos de aprendizado de máquina, por exemplo, não conseguem realizar seu trabalho adequadamente quando os dados estão desconectados e cheios de erros.

Para garantir um retorno positivo sobre o investimento e antes de qualquer trabalho técnico começar, as organizações devem identificar os problemas de negócios específicos que a solução de IA pretende resolver. Isso inclui definir KPIs e metas mensuráveis, como redução de custos, aumento de receita ou melhorias de eficiência, como reduzir o tempo necessário para recuperar dados.

Especificamente, a estratégia de negócios deve vir em primeiro lugar, e a implementação da tecnologia segue em conformidade. Em última análise, as soluções tecnológicas devem servir como um meio de impulsionar os resultados de negócios. Além disso, a necessidade de negócios é essencialmente a espinha dorsal das implementações de IA e outras tecnologias.

Por exemplo, uma empresa de logística que deseja aproveitar a IA pode estabelecer metas mensuráveis para seu software de IA otimizar a previsão da demanda e melhorar a gestão da frota, reduzindo o número de caminhões subutilizados em 25% nos primeiros seis meses e ajudando a aumentar os lucros em 5%.

As empresas precisam de metas mensuráveis para verificar consistentemente se a IA não apenas está melhorando a eficiência, mas também é quantificável. Isso é essencial quando se explica aos stakeholders da empresa que o investimento caro em IA não foi apenas vale a pena, mas também há dados para comprovar.

Implementação de IA Ambiciosa Demais

A promessa da IA de revolucionar tudo é consistentemente reiterada na mídia e é frequentemente mal representada como uma bala de prata. Isso pode instilar uma sensação de falsa confiança nos líderes empresariais, levando-os a acreditar que podem aproveitar os novos sistemas de IA e integrá-los simultaneamente em processos de negócios.

No entanto, as tentativas ambiciosas de resolver um problema de uma vez geralmente levam ao fracasso. Em vez disso, as empresas devem começar pequeno e escalar estrategicamente para obter melhores resultados.

Por exemplo, o sucesso foi demonstrado em larga escala com a Walmart , que introduziu algoritmos de aprendizado de máquina incrementalmente para otimizar a gestão de estoque. O resultado? Uma redução de 30% no estoque excessivo e um aumento de 20% na disponibilidade de produtos nas prateleiras.

Para ajudar com isso, as empresas devem adaptar um quadro de ‘zona para vencer’ para a implementação de IA, uma metodologia comprovada que ajuda as equipes a entender que devem equilibrar as operações atuais com a inovação futura.

O quadro divide as atividades de negócios em quatro zonas: desempenho, produtividade, incubação e transformação. A IA não pode disruptar tudo de uma vez, e a zona de incubação cria um espaço dedicado para experimentar tecnologias de IA sem disruptar o negócio principal.

Por exemplo, é assim que o quadro de ‘zona para vencer’ pode ser aplicado a uma empresa de logística de armazenamento frio que implementa a IA:

• Zona de desempenho: As operações principais da empresa, como programação de armazenamento e implantação de mercadorias, são fundamentais para gerar receita. Os KPIs para melhorar a eficiência do armazenamento para reduzir os tempos de permanência e aumentar as entregas são prioridades.
• Zona de produtividade: Aqui, os processos internos são abordados para aumentar a eficiência e reduzir custos, como taxas de detenção, integrando capacidades de ciência de dados, como análise preditiva e ferramentas de análise em tempo real.
• Zona de incubação: A empresa dedica tempo para pilotar ferramentas baseadas em dados em certains armazéns, permitindo que as equipes determinem quais inovações poderiam se tornar fluxos de receita futuros.
• Zona de transformação: É aqui que a empresa expande sua transformação digital para uma escala organizacional, seguindo uma infraestrutura digital abrangente que garante resultados de negócios recorrentes.

O quadro ajuda a liderança a tomar decisões sobre alocação de recursos entre manter as operações atuais e investir em capacidades futuras impulsionadas por IA. Essa consciência ajuda a evitar o problema e o fracasso inevitável quando os investimentos em IA são espalhados muito finamente por muitos departamentos e processos.

Falta de Adoção de Usuário

As empresas estão correndo para aproveitar todos os benefícios que a IA e o aprendizado de máquina oferecem, sem primeiro considerar as pessoas que as usarão. Mesmo as soluções de IA mais sofisticadas falham se os usuários finais não entendem a tecnologia – tudo depende da confiança e do treinamento abrangente.

O fator subjacente vital para integrar a IA é operacionalizá-la. Isso significa garantir que as ferramentas de IA estejam integradas aos fluxos de trabalho e sejam tornadas mainstream nos processos de negócios.

Outras ferramentas de trabalho, como os CRMs, otimizam e controlam um processo inteiro do início ao fim. Isso torna o treinamento fácil, pois cada etapa do processo pode ser mostrada e explicada. No entanto, a IA geradora opera em um nível de ‘tarefa’ mais granular, em vez de abranger processos inteiros. Ela pode ser usada esporadicamente dentro de várias etapas de diferentes métodos; em vez de apoiar um fluxo de trabalho completo, cada usuário pode aplicar a IA de maneira ligeiramente diferente para suas tarefas específicas.

Ruth Svensson, uma parceira da KPMG UK, disse ao Forbes: “Porque a IA geradora opera em um nível de tarefa, em vez de em um nível de processo, você não pode ver as lacunas de treinamento tão facilmente.” Como resultado, os funcionários podem estar usando a ferramenta de IA sem entender como ela se encaixa nos objetivos de negócios mais amplos, levando a lacunas de treinamento ocultas. Essas lacunas podem incluir uma falta de compreensão de como aproveitar as capacidades da IA de forma completa, como interagir com o sistema de forma eficaz ou como garantir que os dados que ela gera sejam usados corretamente.

Nesse caso, a gestão de mudanças eficaz se torna crucial para a adoção de usuário. A gestão de mudanças permite que as organizações garantam que seus funcionários não apenas adotem a nova tecnologia, mas também compreendam suas implicações mais amplas para suas tarefas e processos de negócios.

Sem uma gestão de mudanças adequada, as empresas perderão a marca quando se trata da adoção de ferramentas de IA pelos usuários, correndo o risco de agravar as lacunas tecnológicas, que são um caminho escorregadio para mais ineficiências, erros e falha em maximizar o potencial da solução de IA.

Para que as iniciativas de gestão de mudanças funcionem, elas precisam de uma equipe de liderança qualificada e designada para liderar o movimento. Os líderes devem identificar lacunas de treinamento no nível de tarefa e fornecer ou organizar treinamento personalizado para os funcionários com base nas tarefas específicas para as quais eles usarão a IA.

A ideia é capacitar e encorajar os funcionários a terem uma compreensão e confiança maiores no novo sistema. Somente então a compreensão e a aceitação virão, levando as empresas a desfrutar de uma adoção generalizada e uma aplicação melhor da tecnologia.

É claro que a IA é a tecnologia definidora desta década, mas sem operacionalização, seu impacto continuará a ser desperdiçado. Ao melhorar as iniciativas de gestão de mudanças, implementar iniciativas de IA lentamente e usar KPIs mensuráveis, as empresas não estarão apenas gastando em IA; elas estarão lucrando com isso.