Sistemas Corporativos de IA e Analytics: Uma Abordagem Pragmática sem Ceder ao Hype

Escrevemos este artigo para elucidar aspectos que conduzem projetos corporativos de inteligência artificial com sucesso e sustentáveis no médio e longo prazo. Comparamos as diferenças chaves entre sistemas de inteligência artificial que estão no Hype com sistemas que são construídos para ambientes e casos de negócio corporativos, respondendo perguntas como: 

• Será que a adoção rápida de ferramentas como Gemini (antigo Bard) e ChatGPT aceleram de fato estratégias, tomadas de decisão e exploram o verdadeiro potencial transformador da IA nos negócios? 
• Quais são as diferenças mais relevantes entre sistemas de IA no Hype e sistemas corporativos de IA? 
• Quais estratégias os gestores de grande operações podem adotar para colher o melhor dos dois mundos? 

A discussão é pautada nos principais fundamentos e práticas que utilizamos na Aquarela Analytics há mais de 10 anos e em cases de empresas de grande porte, nacionais e globais, presentes em nosso portfólio. Além disso, avalia características de soluções de IA além do hype, ou seja, não artificiais, que buscam tratar problemas reais de negócio. 

O início do Hype da Inteligência Artificial

Foi precisamente em 30 de novembro de 2022 que foi oficialmente disponibilizado o chat GPT (Folha de São Paulo). Desde então o mundo vem conseguindo diferenciar sistemas tradicionais de informação dos sistemas baseados em IA, isso após mais de 50 anos em que sistemas inteligentes já vêm sendo desenvolvidos.

Leia também: Evolução e paradigmas das inteligências artificiais 

Neste contexto, surgem a partir do ano de 2023 inúmeros cases de uso das IAs generativas em praticamente todos os setores, gerando assim demandas por transformações de grande impacto nas operações das companhias. 

Sistemas Corporativos de IA vs IA no HYPE

Por definição: 

Sistemas de IA no Hype

“São sistemas derivados de tendências tecnológicas emergentes, inicialmente genéricas em busca de especialização e que priorizam uma rápida implementação com pouca tolerância a falhas. Eles têm o potencial de causar transformações radicais, mas também apresentam altos riscos”

Exemplos de sistemas no hype: 

• ChatGPT
• Gemini (Google)

Sistemas Corporativos de IA

“Os sistemas corporativos de IA são aplicações ou sistemas de informação desenvolvidos utilizando componentes de inteligência artificial integrados à estrutura operacional e dados da empresa e orientados à estratégia do negócio. Esses sistemas apoiam processos sensíveis vinculados a objetivos estratégicos, como aumento da receita e eficiência, redução de custos ou riscos. São projetados para lidar com complexidades de operações com grande volume de dados, segurança da informação, estabilidade e resiliência.” 

Aqui estão alguns exemplos de Sistemas Corporativos de IA: 

• Análises financeiras preditivas – (Usando IA, Auren Energia atinge 68% de assertividade na compra e venda de energia)
• Precificação dinâmica (Pricing) 
• Roteirização dinâmica (RTM) 
• Logística e Cadeia de Suprimentos Inteligente (Case Varejo Alimentício)

Tabela de enquadramento da análise

A seguir selecionamos algumas características importantes do ponto de vista de gestão para apresentar, de forma mais evidente, as diferenças entre os sistemas por critério. 

Características	Sistemas de IA no Hype	Sistemas Corporativos de IA
Foco Principal	Tendências Tecnológicas Emergentes	Integração Pragmática em Operações Empresariais, Visando uma Inovação Pragmática
Objetivo	Aderir às Últimas Novidades da AI	Aplicar Inteligência Artificial para Soluções Empresariais
Implementação Rápida	Prioridade na Implementação Rápida de Novas Tecnologias	Adoção Gradual com Avaliação Cautelosa de Impacto no Negócio
Escopo de Aplicação	Projetos-Piloto e Experimentais	Integração em Processos Operacionais Estabelecidos
Maturidade	Potencialmente Menos Maduros, Sujeito a Mudanças Rápidas	Enfoque na Maturidade e Estabilidade das Soluções de AI
Fornecedores e Plataformas	Exploração de Diversos Fornecedores e Plataformas	Seleção Cuidadosa com Base em Requisitos Corporativos
Impacto no Negócio	Busca por Vantagem Competitiva Imediata	Integração para Melhorias Incrementais e Sustentáveis e Estratégias de Médio e Longo Prazo.
Ciclo de Vida	Ciclos de Implementação Rápida e Mudanças Frequentes	Ciclos Planejados, Avaliação Contínua e Atualizações Graduais
Gerenciamento de Riscos	Maior Risco de Adoção Precipitada	Abordagem mais Pragmática para Minimizar Riscos
Resultados Esperados	Expectativas de Transformação Radical	Expectativas Realistas de Aprimoramento e Eficiência em Estratégias Corporativas

Por que Sistemas Corporativos de IA são diferentes de soluções que surfam no hype entusiasta da IA?

A aplicação de qualquer tecnologia precisa partir de uma visão bastante racional e não ser movida por modismos. Quando se fala em Sistemas Corporativos de IA significa dizer que são soluções que identificam as reais oportunidades – Use Cases – de aplicação da IA em dores de negócios para que benefícios tangíveis sejam realmente possíveis. 

É fundamental que a aplicação da IA Corporativa se mantenha conectada com projetos que atendam a objetivos estratégicos de médio e longo prazo. Esses projetos precisam representar os principais KPIs do painel de CEOs e Board. 

Nesse contexto, um grande desafio do uso da IA no cenário corporativo está na definição de uma estratégia coerente desde o “go live” do projeto. A adoção de soluções de IA orientadas pelo negócio é um caminho capaz de reduzir riscos. Contudo demanda um processo sistematizado já na etapa de discovery do projeto. Esse processo parte de um esforço no mapeamento e interpretação dos Casos de Uso de IA.

Recomendamos que a construção de uma IA de sucesso se inicie a partir da aplicação do Analytics Business Canvas, um dos componentes da DCM.  Com mais de uma década entregando projetos de IA e com impactos de valor para negócios, a DCM (Data Culture Methodology) é a metodologia da Aquarela para análise e evolução em maturidade analítica, focada em avaliar e propor mudanças estratégicas.

O Analytics Business Canvas proporciona uma abordagem testada e apropriada específica para projetos de IA e Analytics, estruturando a interpretação do cenário relevante para uso da IA. Essa organização do conhecimento facilita a compreensão, colaboração e alinhamento de ideias, permitindo uma representação clara do contexto do projeto.

Por isso é extremamente importante buscar um fornecedor com experiência e metodologia e que sejam capazes de endereçar os desafios de se implementar processos com IA em um ambiente enterprise.

Arquitetura e governança de dados – o coração da IA

É comum observar iniciativas de IA isoladas e dispersas pelas organizações (chamadas shadow analytics), enfraquecendo a estratégia data driven institucional. A aplicação da IA em problemas reais e de forma gerenciada permite reavaliar políticas e práticas do negócio nos patamares operacional, tático e estratégico, desde que esteja conectada com os macro objetivos da organização, afinal um influencia no outro.

Entretanto, observa-se que a maioria das empresas ainda não está organizada de maneira adequada em relação à coleta, gestão e governança de dados (Processos, Pessoas e Tecnologias no mesmo nível de maturidade). Estas já passam por dificuldades em se tornar competitivas em IA e precisarão se adequar. 

Prover uma arquitetura com stack tecnológico analítico bem dimensionado – inclusive com investimentos acessíveis diante da possibilidade de uso do open source – é um caminho plausível e recomendado. Criar e manter um ambiente analítico seguro e escalável é primordial para alimentar e treinar ferramentas de análises de dados e alcançar vantagens competitivas únicas. 

Estratégia de dados planejada: insumos de qualidade.

Algoritmos precisam ser treinados de forma adequada para dar certo. Não basta usar modelos genéricos. O real diferencial são aqueles criados com dados do cliente, de seus clientes e de seu mercado, e, ainda, orientado e filtrado pela estratégia da empresa.

Modelos customizados têm a capacidade de capturar nuances e peculiaridades que podem passar despercebidas em conjuntos de dados mais genéricos. Essa personalização no treinamento aprimora a precisão e a eficácia das soluções.

Uma estratégia de dados planejada eleva a performance dos modelos. Sem dados ou com dados tendenciosos, os algoritmos não são treinados adequadamente e isso faz com que a solução projetada não seja validada ou até mesmo cancelada antes de entrar em produção. 

Implementar sistema Corporativo de IA é o mesmo que implementar um ERP? 

Projetos de IA demandam uma mudança na abordagem de desenvolvimento de software. O método tradicional de desenvolvimento de software não funciona para a jornada da IA. É preciso fazer uso de metodologias mais flexíveis, com rápidas iterações e atenção ao compartilhamento e gestão do conhecimento. 

Mais informações ver as diferenças entre sistemas transacionais e analíticos neste link. 

Conclusão – Sistemas Corporativos de IA e Analytics

Desta maneira entendemos que a inteligência artificial tem grande potencial de aplicação em diversos setores econômicos, inclusive a partir da incorporação de tecnologias que estão no Hype (IA Generativa). Como principais recomendações e estratégias para alcançar o sucesso sustentável no médio e longo prazo, separamos as três grandes frentes a seguir: 

• Priorizar uma Estratégia Coerente desde o Início: Destacar a necessidade de uma estratégia bem definida do caso de uso da inteligẽncia artifical desde o início do projeto, com uma separação clara dos objetivos estratégico, táticos e operacionais, ao invés de buscar experimentações do tipo “vamos fazer algo com o GPT”. Os gestores já estão sentindo que é necessário, como ponto de partida, estabelecer uma estratégia de negócios que envolva IA, com objetivos bem claros. 

• Investir em Governança de Dados: Recomendar investimentos em governança de dados para garantir a qualidade e segurança necessárias. Dimensionar e operacionalizar soluções de IA em camadas interconectadas que vão desde a infraestrutura de TI, passando pela área de sistemas não transacionais (analíticos) até o nível estratégico de boas práticas de gestão e governança, com foco no longo prazo.

Adotar Metodologias Flexíveis: Enfatizar a necessidade de metodologias ágeis e flexíveis para projetos de IA, diferenciando-os de sistemas tradicionais. Quando se fala em Sistemas Corporativos de IA, se fala numa abordagem que faz uso de metodologias e conhecimentos especialistas para interpretar e priorizar casos de uso produtivos de IA. Essas medidas reduzem riscos ao passo que identificam onde e como a solução de IA se encaixa de forma útil e relevante para o negócio.

Autor