Por que estratégias de Inteligência Artificial falham?
À medida em que a Inteligência Artificial e machine learning se tornam elementos cada vez mais estratégicos para os negócios modernos, mais e mais organizações buscam embarcar nessa tendência. No entanto, definir as iniciativas mais apropriadas e medir o retorno de investimento sobre os projetos de IA e aprendizado de máquina ainda são desafios.
Um estudo global divulgado pela Rackspace Technology analisou como as organizações estão abordando seus projetos de Inteligência Artificial, incluindo seu uso, benefícios, impacto e planos futuros. Foram entrevistados 1.870 líderes de TI de diversos de setores, como manufatura, finanças, varejo, governo e saúde, nas Américas, Europa, Ásia e Oriente Médio.
O relatório aponta que menos de 20% das empresas que usam IA estão realmente maduras nessa área, e que a maioria enfrenta dificuldades para construir e executar um projeto produtivo. A seguir, vamos mais afundo na análise das armadilhas potenciais para o sucesso da Inteligência Artificial nas empresas, a fim de endereçar formas de superar esses obstáculos e ter o melhor retorno possível sobre os investimentos em tecnologia.
1. Qualidade dos dados
A maior motivação para qualquer projeto de Inteligência Artificial nas empresas costuma ser o objetivo de tomar decisões estratégicas com base em dados. No entanto, os próprios dados continuam sendo um grande obstáculo em diferentes estágios de planejamento e adoção de uma estratégia de IA: 31% dos entrevistados na pesquisa da Rackspace reconheceram a baixa qualidade de suas bases de dados como um problema no desenvolvimento do aprendizado de máquina.
A qualidade dos dados é a principal barreira quando se trata de usar Inteligência Artificial para extrair insights valiosos. Os problemas de engenharia de dados também são significativos, como o armazenamento em silos e a dificuldade para conectar fontes distintas. Portanto, antes de iniciar o projeto de IA, é importante que as organizações avaliem sua capacidade de coletar, estruturar e integrar dados de forma significativa.
2. Profissionais qualificados
De acordo com a pesquisa, a falta de experiência interna foi o segundo maior fator de falha nas iniciativas de P&D de aprendizado de máquina. Com o machine learning e deep learning tendo chegado ao mercado há relativamente pouco tempo, muitas empresas ainda não têm cientistas e engenheiros de dados capazes de desenvolver esses modelos. A dificuldade de contratação também é uma barreira, considerando que o salário médio desses profissionais torna difícil para muitas organizações formar uma equipe qualificada.
Por esses motivos, uma tendência que cresceu nos últimos anos é a terceirização de iniciativas de IA, e surgiram empresas que se especializam no desenvolvimento e aplicação da tecnologia em diversos setores. A Neuralmind é um exemplo: considerada uma das 10 melhores startups de Inteligência Artificial do Brasil, possui equipe especializada no desenvolvimento de soluções de deep learning e compartilha sua expertise com os clientes, apoiando os negócios nas fases de estratégia, implementação e manutenção das soluções de IA.
3. Avaliação dos resultados
Por fim, a terceira barreira para as empresas serem bem sucedidas na implementação de IA é a capacidade de prever o retorno financeiro das estratégias implementadas. Na pesquisa, 18% dos entrevistados consideraram a falta de uma justificativa comercial o maior obstáculo para a adoção da tecnologia.
Considerando que o uso de Inteligência Artificial e machine learning é novo para muitas áreas, pode ser difícil estimar quanto tempo uma estratégia levará para ser implementada e qual será o retorno do investimento. Mas, embora uma boa iniciativa de IA deva resultar em aumento de receita e redução de custos, em muitos casos, o valor de longo prazo será o desenvolvimento de novos produtos e serviços.
Por isso, é importante que os responsáveis pelas iniciativas de IA analisem os custos e os benefícios de sua estratégia, compreendendo os benefícios de curto prazo de investir em IA, mas também considerando o que a empresa obterá de retorno no longo prazo.
Recomendações para uma estratégia de inteligência artificial bem-sucedida
Mais do que implementar um software, as iniciativas de IA bem-sucedidas unem um ecossistema complexo de dados, habilidades humanas específicas e processos de negócios. Tenha em mente os insights abaixo baseados nos dados da pesquisa:
- Invista na infraestrutura de dados: um programa de IA e machine learning requer dados limpos e integrados. A primeira etapa é limpar sua base de dados, eliminar silos, estabelecer a governança e alinhar processos de negócios.
- Analise as lacunas de habilidades: antes de iniciar sua estratégia de IA, avalie os talentos internos e entenda se é possível preencher as funções necessárias e requalificar sua equipe, ou se a melhor opção é contratar um parceiro especializado.
- Estratégia em primeiro lugar: sem metas bem definidas e comunicadas, sua jornada de IA pode desperdiçar recursos e perder o foco. Comece reunindo as partes envolvidas, apresentando um caso de negócio e ganhando consenso sobre as entregas, marcos e cronogramas para manter seu projeto no caminho certo.
