Moldando o Futuro Empresarial com IA Generativa: Do “Take” ao “Shape”

Cezar Taurion
11 min readDec 15, 2023

IA já existe há muitas décadas e nos anos 70 e 80 do século passado vimos muitas experimentações dos chamados sistemas especialistas. Não deram muito certo e por algumas décadas a IA ficou adormecida. Mas, os avanços em termos de capacidade computacional, disponibilidade de dados e evolução dos algoritmos permite que agora consigamos construir soluções de IA cada vez mais sofisticadas, abrangendo aplicações que a computação programática, aquela da codificação passo a passo, não conseguiam. Vimos o surgimento do Deep Learning por volta de 2015 e agora temos a versão mais atual, a chamada IA generativa, que passou inclusive a ser reportagens em jornais diários.

Mas, antes de investir tempo e dinheiro em IA, mesmo em IA generativa, você precisa de uma estratégia para orientar sua utilização. Sem uma estratégia de IA, a IA se tornará um custo adicional que não fornecerá um adequado retorno do investimento. As iniciativas de IA não devem ser feitas pelo modismo (“todos estão fazendo”) mas com objetivos bem claros para resolução de problemas de negócio. Esteja atento às suas limitações, e separe os mitos da realidade.

Por exemplo, no caso da IA generativa podemos ficar apenas na camada de melhoria de eficiência, com o uso de prompts ou pequenos refinamentos via APIs, para gerar documentos, código de programação e mesmo geração de imagens para facilitar o trabalho do marketing. Mas, observemos alguns casos simples. Usar Midjourney para gerar imagens é mais ou menos quando anos atrás o pessoal de marketing começou a usar Photoshop. Os primeiros usuários conseguiram alguns ganhos, mas depois se comoditizou e hoje o uso de Photoshop é padrão. Outro exemplo: o uso de ferramentas como assistentes de suítes de escritório como Copilot do Office ou para geração de código. Se olharmos o Office, alguns anos atrás, os ganhos seriam com o seu uso em nuvem. Novamente, no início algumas empresas conseguiram dar um passo à frente em melhorar sua eficiência, mas hoje usar essa suíte de ferramentas em nuvem já é padrão de mercado. Com o Office Copilot será a mesma coisa. Em poucos meses será padrão de mercado. As empresas early adopters conseguem melhorar sua eficiência, mas não irão manter vantagem competitiva sustentável, pois esse tipo de uso é facilmente copiado e disseminado. Assim, usar a IA generativa apenas para marketing, vendas, gerar documentos, PPTs, emails, etc, melhora a eficiência, mas não garante vantagem competitiva sustentável, pois essas ferramentas como o ChatGPT, são públicas, de fácil uso, e em breve todos estarão usando. Será algo como Excel. Não usar Excel torna a empresa ineficiente, mas ao usá-lo você não tem nenhuma vantagem competitiva.

Hoje o que vemos é a modalidade “take”, onde você usa o que já está disponível a todos e faz alguns refinamentos simples via APIs, que está disponível a todos. “Take” refere-se ao modelo tradicional de software como serviço (SaaS), onde você usa o software “como está”, pronto para uso. Esse acesso é via prompts ou APIs. O acesso à API está disponível para desenvolvimento fácil e rápido. É uma boa opção para prototipagem rápida, avaliando a eficácia da tecnologia generativa em vários casos de uso e permitindo que vários departamentos ou unidades de negócios a experimentem. Pequenas e médias empresas sem dados de treinamento ou experiência em tecnologia podem considerar o acesso à API ideal para a implantação de alguns aplicativos.

O uso dessa opção pode criar uma visão de curto prazo, centrada em resultados imediatos, em detrimento do crescimento e obtenção de vantagens competitivas sustentáveis a longo prazo. O curto prazo gera uma dívida técnica. Quaisquer vantagens obtidas no curto prazo serão perdidas no longo prazo porque você não será o proprietário do modelo ou dos dados. As empresas devem equilibrar os benefícios no curto prazo com a criação de valor sustentável no longo prazo.

Além disso, alguns cuidados devem ser tomados, como por exemplo com privacidade. Não devemos esquecer a possibilidade dos funcionários compartilharem dados corporativos confidenciais com modelos públicos. Compartilhar dados corporativos com uma ferramenta que coleta as solicitações do usuário para treinar um modelo, que “memoriza” dados e os armazena em servidores externos misturados com outros clientes sem uma maneira fácil de excluir esses dados pode ser um problema e tanto. E, claro, devem estar alertas o quanto essa opção afeta à aderência as regras de auditoria, compliance e as regulatórias do setor.

Os modelos generativos pré-treinados são treinados em amostras não curadas da Internet. Consequentemente, os modelos pré-treinados são brutos e precisam ser transformados em algo refinado e específico. Frequentemente, é necessário um treinamento específico de domínio, especialmente se seu projeto contiver linguagem e conhecimento especializados. Por exemplo, pesquisadores do Brigham and Women’s Hospital, hospital universitário da Harvard Medical School em Boston, Massachusetts, descobriram que os procedimentos de tratamentos de câncer gerados pelo chatGPT estavam cheios de erros. De acordo com o estudo, publicado na revista JAMA Oncology, quando solicitado a gerar procedimentos de tratamento para uma variedade de casos de cancro, um terço das respostas do sistema continham informações incorretas.

O estudo também observou que o chatbot tinha tendência a misturar informações corretas e incorretas, de forma que dificultava a identificação do que era acurado. De um total de 104 consultas, cerca de 98% das respostas do ChatGPT incluíram pelo menos uma recomendação de tratamento que atendia às diretrizes da National Comprehensive Cancer Network. Mas, o problema que informações incorretas são misturadas com muitas informações corretas, o que torna muito difícil a detecção de erros, mesmo para especialistas.

Sistemas generativos são treinados para fornecer respostas que parecem muito convincentes, mas não são projetados para fornecer aconselhamento médico preciso. São otimizados para fluência e não para acurácia. A taxa de erro e a instabilidade das respostas são questões críticas de segurança que precisarão ser abordadas com muita atenção no domínio clínico. O estudo também identificou que 12,5% das respostas do ChatGPT foram “alucinadas” e que o chatbot tinha maior probabilidade de apresentar informações incorretas quando questionado sobre tratamento localizado para doenças em estágio avançado ou em questões ligadas à imunoterapia.

Apesar de passar em exames específicos de faculdades de medicina e apresentar resultados muitas vezes sensacionais em alguns casos, isso não significa que a IA generativa possa vir a substituir os médicos. Creio que será uma ferramenta valiosa, que fará parte do kit médico, como um estetoscópio. Mas o controle de quando e como usar será do humano.

À medida que formos obtendo uma visão mais estratégica e coerente do potencial da IA, vamos evoluindo do modelo “take” e nos ajustando ao modelo “shape”, que demanda mais esforços e investimentos. Aí você precisa de uma clara estratégia e objetivos de negócio, e, expertise tecnológica. É a saída do hype para o ROI, mas, em compensação, tem oportunidade de criar vantagens competitivas sustentáveis.

A IA generativa ainda é uma tecnologia incremental, mas eventualmente pode ser transformadora. O uso inovador da IA generativa, criando novos produtos e serviços, levará mais tempo para acontecer, e só acontecerá quando tivermos mais conhecimento de como usarmos corretamente a tecnologia. Para isso precisamos evoluir para o modelo “shape”, de customização e criação de soluções específicas. Nesse modelo são criadas as soluções que criam vantagens competitivas sustentáveis, pois são únicas a cada empresa. Um caminho adequado é o fine tuning de modelos. Aí entramos nas demandas típicas de projetos de IA, com governança de dados, cuidados com ambiente de produção, talentos e budgets.

Esse fine tuning pode ser a opção de criar um modelo do zero, que nos leva a custos muito altos, na casa dos milhões de dólares ou adaptar um modelo existente, que embora, demande menos investimentos, exige uma equipe preparada para tal tarefa. Hoje temos um imenso desafio: escassez de talentos. A demanda por talentos em IA é crescente e existe um abismo entre demanda e oferta, com diversas funções disponíveis para cada profissional de IA verdadeiramente capacitado. A IA exige competências avançadas em matemática, estatística e programação, e experiência em engenharia de software, para desenvolver soluções que funcionem no mundo real. Mas, além das habilidades técnicas, os projetos de IA devem estar alinhados com o domínio do negócio, para que interpretação dos dados seja adequada e consiga produzir resultados relevantes. A combinação de competências técnicas, setoriais e de engenharia exigidas dos projetos de IA limita o tamanho do pool de talentos. É claro que nenhum profissional consegue ser super-humano e dominar todas essas competências. É absolutamente necessário criar uma equipe multidisciplinar que atenda a todas essas demandas.

Projetos de IA não conseguem ser tocados por “one man band”. Comece com uma equipe pequena e garanta que você tenha uma estratégia robusta de IA antes de expandir sua equipe. A composição da equipe vai depender do problema a ser resolvido e da sua abordagem para fazê-lo. Se for “Quero insights sobre dados internos” ou “Quero implementar APIs de IA de terceiros” você vai buscar perfis diferentes de uma estratégia que enfatize “Quero terceirizar o desenvolvimento de IA” ou de “Eu quero criar modelos de IA sob medida”. O grau de maturidade em IA da sua empresa também vai indicar qual o nível de profissional que você precisa.

À medida que você for obtendo experiência com projetos de IA vai aprender que os prazos para suas iniciativas de IA são muito mais incertos do que os que você está acostumado, como no desenvolvimento de software tradicional. Os sistemas de IA não podem ser desenvolvidos de forma linear, desenvolvidos de uma vez, testados e implantados. Normalmente, são necessários vários ciclos de treinamento e essa dinâmica varia de acordo com o domínio e a natureza do problema e os dados disponíveis. Portanto, pode ser um desafio prever ou automatizar iniciativas de IA, a menos que sejam muito similares aos projetos que você já realizou anteriormente. Além disso, precisamos ter confiança que não temos anomalias. Diferentemente da computação programática onde o software responde diretamente ao desenvolvedor que coloca todas as instruções em linhas de código e caso a resposta não seja correta, você depura e conserta o código, a IA interpreta dados com seus algoritmos e daí toma suas decisões. Nos algoritmos da IA generativa não sabemos se a resposta está certa ou errada. Esses sistemas são otimizados para fluência e não para acurácia.

O tempo de desenvolvimento das soluções depende de diversas variáveis, como a possibilidade ou não de uso de APIs já disponíveis, proficiência da equipe no uso das tecnologias de IA, a parceria com empresas especializadas em IA para reforçar a equipe interna, e a qualidade dos dados disponíveis. Os dois maiores desafios geralmente são a escassez de talentos e a baixa qualidade dos dados corporativos. Sim, mesmo nas empresas que usam ERP muitos dados são “sujos”.

Uma governança de dados é requisito essencial para que as iniciativas de IA tenham sucesso. Geralmente é um item que quase não aparece nas conversas sobre IA que vemos por aí. Fala-se muito nos algoritmos, mas pouca atenção é dada aos modelos de governança de dados. Por exemplo, a governança vai definir como tratar obsolescência dos dados. Dados antigos podem ser um desafio significativo e são uma consideração importante ao planejar sua estratégia de armazenamento. Se você estiver analisando informações que mudam rapidamente, decida quantos e quais dados históricos serão relevantes. Você pode incluir todos os dados, um volume específico de dados ou dados de uma determinada janela de tempo. Selecione uma abordagem apropriada para o problema que você está resolvendo. Lembre-se que IA está em constante evolução e sua estratégia pode evoluir à medida que sua solução amadurece. Se você estiver correlacionando ações com o tempo, considere cuidadosamente a janela para suas séries temporais. Se você estiver prevendo níveis de estoque, alguns meses de dados não conseguirão capturar uma variação sazonal significativa. Por outro lado, para usar um algoritmo de previsão que identifica que os sinais vitais de um indivíduo na UTI estão se deteriorando, e com isso acionar uma intervenção médica, a pressão arterial deste indivíduo no mês passado não será muito relevante. Entenda se os efeitos periódicos podem impactar seu sistema e valide se seus modelos e previsões se baseiam em vários ciclos do período típico que você está modelando.

Não esqueça do próprio processo de governança de IA, principalmente quando a empresa começar a evoluir de experimentações isoladas para uso mais disseminado da IA generativa por todos os setores. Outro lembrete: manutenção. Para manter a inteligência do sistema de IA, teste regularmente os resultados com dados ativos, para garantir que os resultados continuem atendendo seus critérios de aceitação. Os prompts que são usados hoje não darão a mesma resposta amanhã. Separe budget para futuras atualizações e reciclagem, e monitore sistematicamente a degradação do desempenho. À medida que sua empresa cresce ou muda o foco, os dados (incluindo dados de séries temporais e características do produto) evoluirão e se expandirão. A reciclagem sistemática de seus sistemas deve ser um componente de sua estratégia de IA. Lembre-se de que a IA é uma capacidade, não um produto. Está sempre melhorando. Surgem novos algoritmos e as técnicas de IA que usamos hoje podem se tornar obsoletas em poucos anos.

E, finalmente, para sair do projeto inicial e disseminar IA na empresa precisa-se de alguns reforços. O primeiro é o apoio e engajamento da liderança, os C-level (e principalmente e CEO). Não esqueça que IA não sai de graça e demanda investimentos e comprometimentos de vários setores da empresa. Sem apoio executivo você fica apenas com os projetos pilotos e não evolui do “take”. Para conseguir este apoio é necessário investimento em educação e evangelização dos executivos no potencial da IA, bem como propostas sólidas de quais problemas de negócio a IA poderá resolver, e como serão resolvidos. Pense em IA fazendo parte das atividades normais do negócio. Uma empresa “AI powered” implica que a IA será disseminada na organização e seu uso será tão comum como hoje nos acostumamos a usar ERP no ambiente corporativo. Como você planejou o uso do ERP na década passada, planeje IA para os próximos anos.

Se avaliarmos a primeira onda de entusiasmo com a IA, com os sistemas de Deep Learning, a partir de 2015, vimos que muitas experimentações não decolaram por algumas razões:

1. Executivos e cientistas de dados não falavam a mesma língua.

2. Não havia uma estratégia bem definida e por isso pipocaram projetos “pet” que consumiram recursos e energia, sem gerar valor para o negócio.

3. Não houve real engajamento por parte do CEO e dos demais C-levels da organização.

4. Falta de expertise tecnológica. Muitos dos chamados “cientistas de dados” não tinham experiência real em sistemas de IA.

IA será a nova eletricidade! Assim, pela importância do assunto devemos estudar e compreender seus impactos nos negócios e evitar os problemas anteriores, já devidamente conhecidos. Só existe uma única estratégia, a de negócios. É necessário integrar a estratégia de IA à estratégia de negócios para formar uma única estratégia.

Os executivos não podem ignorar o tema IA. As organizações que perceberem o potencial da IA e reagirem antes das outras terão dado um passo significativo em termos de vantagem competitiva. Para isso devem:

1. Ter o corpo executivo inspirado, alinhado e engajado com IA.

2. Escolher os projetos adequados, não ambiciosos demais, nem tão pequenos que não causem impactos nos negócios, caso sejam bem-sucedidos. Os projetos devem ser os possíveis dentro do grau de maturidade digital e de IA da organização.

3. Dispor de investimentos adequados para compor os recursos necessários aos projetos demandados. Isso implica em talentos e infraestrutura computacional.

4. Engajamento dos executivos e comunicação adequada para toda a empresa.

O sucesso da incorporação de tecnologias como IA à organização depende, portanto, de três componentes básicos: visão, alinhamento de expectativas e comprometimento. Tenha certeza de que está fazendo o dever de casa antes de se lançar em aventuras.

Esse paper foi originalmente publicado no Redcore Insights em https://www.linkedin.com/pulse/moldando-o-futuro-empresarial-com-ia-generativa-do-take-ao/

Leitura complementar

1. “Enterprise generative AI: Take or shape?”, https://bdtechtalks.com/2023/08/31/enterprise-generative-ai-take-or-shape/

2. “Generative AI at Mastercard: Governance Takes Center Stage”, https://sloanreview.mit.edu/article/generative-ai-at-mastercard-governance-takes-center-stage/

3. “How Trustworthy Are Large Language Models Like GPT?”, https://hai.stanford.edu/news/how-trustworthy-are-large-language-models-gpt?utm_source=linkedin&utm_medium=social&utm_content=Stanford%20HAI_linkedin_HAI_202308301302_sf181359857&utm_campaign=&sf181359857=1

4. “Use of Artificial Intelligence Chatbots for Cancer Treatment Information”, https://jamanetwork.com/journals/jamaoncology/fullarticle/2808731?guestAccessKey=669ffd57-d6a1-4f10-afee-e4f81d445b9f&utm_source=For_The_Media&utm_medium=referral&utm_campaign=ftm_links&utm_content=tfl&utm_term=082423

--

--