AI2M: um novo framework para adoção de IA

A inteligência artificial (IA) oferece oportunidades promissoras para as empresas, especialmente em termos de aumento da produtividade. No entanto, a adoção de soluções baseados em IA apresenta desafios devido às suas características distintas em relação aos sistemas convencionais. Identificar e compreender os fatores que contribuem para a adoção de uma nova tecnologia é muito importante para os gestores.

Essas informações podem desempenhar um papel fundamental na tomada de decisões, permitem compreender os motivos pelos quais as pessoas adotam ou rejeitam novas tecnologias. É essa compreensão que permite uma seleção da melhor tecnologia ou solução candidata. Como tecnologias são geralmente adotadas para reduzir custos, aumento da eficiência operacional ou da satisfação do cliente, os fatores de adoção ajudam na identificação de quais tecnologias são mais propensas a proporcionar esses benefícios em uma determinada organização, ajudando numa alocação mais eficiente dos recursos disponíveis, resultando em uma maior produtividade e consequente competitividade da organização.

Como tecnologias são geralmente adotadas para reduzir custos, aumento da eficiência operacional ou da satisfação do cliente, os fatores de adoção ajudam na identificação de quais tecnologias são mais propensas a proporcionar esses benefícios em uma determinada organização, ajudando numa alocação mais eficiente dos recursos disponíveis, resultando em uma maior produtividade e consequente competitividade da organização.

Além disso, a compreensão de como determinados fatores atuam no processo de adoção permite que uma gestão eficiente de mudança seja realizada. Na verdade, quando uma organização decide adotar uma nova tecnologia, isso geralmente implica em mudanças nos processos de trabalho, nas estruturas organizacionais e na cultura empresarial. O entendimento dos fatores pode fornecem insights sobre os padrões de pensamento e possíveis resistências que podem surgir durante o processo de mudança. Isso permite que os gestores planejem e gerenciem a transição de forma mais eficiente, antecipando obstáculos e desenvolvendo estratégias adequadas para mitigar resistências e promover a adoção bem-sucedida.

Em mercados muito concorridos, a adoção estratégica de tecnologia e sua incorporação em produtos existentes ou a criação de novos produtos pode fornecer uma vantagem competitiva significativa. Compreender os fatores que influenciam a adoção dos consumidores permite que os gestores tomem decisões mais acertadas sobre a utilização de tecnologias disruptivas e o desenho de soluções inovadoras. Dessa forma, a organização pode adaptar a oferta e se posicionar à frente da concorrência, conquistar novos mercados, atender às necessidades em constante evolução dos clientes.

Detalhando, é esse entendimento que vai permitir o desenvolvimento de estratégias de marketing direcionadas, campanhas de comunicação eficazes e a criação e evolução de produtos e serviços inovadores que atendam às necessidades específicas do público-alvo. Uma gestão informada pelos fatores endereçados no nosso framework permite a gestão de produto ou de solução que maximize o alinhamento com os fatores e necessidades dos clientes, fortalecendo o relacionamento com eles, aumentando a fidelidade à marca e impulsionando o crescimento dos negócios a longo prazo.

Os modelos de adoção de tecnologias

Diversos modelos de adoção foram criados ao longo da história, para informar e permitir decisões embasadas aos desenvolvedores de soluções, gestores de empresas e gestores públicos, responsáveis por políticas públicas, na adoção. Geralmente essa pesquisas focam na identificação dos fatores e o mecanismo de influência na adoção de uma tecnologia específica, como computador, tablet, ERP, ou telefone celular, para construção de um modelo focado na adoção de um tipo de tecnologia.Esses modelos permitem uma avaliação da probabilidade de sucesso da adoção de uma tecnologia específica em uma organização, permitindo que os gestores tomem decisões mais fundamentadas sobre a implementação de novas tecnologias, garantindo que os recursos sejam alocados de forma eficiente e que os objetivos estratégicos sejam alcançados.

Há modelos que se intitulam universais, por tentarem explicar a adoção de qualquer tecnologia, mas como cada tecnologia tem suas particularidades, na prática é difícil a existência de um modelo que realmente identifique e explique a influência dos fatores de influência na adoção de qualquer tecnologia, principalmente quando ela tem uma natureza diferente como no caso da inteligência artificial (IA). Os modelos tradicionais de adoção de sistemas de informação não consideram essas características de natureza diferente.

Com a ausência de um framework de adoção de soluções baseadas em IA, os gestores não tinham até então como identificar corretamente os fatores que impactam a adoção ao implementar uma nova solução de IA, levando as taxas de sucesso na adoção a serrem muito baixas, principalmente considerando a adoção de modelos e soluções baseadas em aprendizado de máquina (machine learning) nas organizações.

Diante dos 85% de insucesso…

Pesquisas de consultorias e institutos de pesquisa apontam que 85% dos modelos de IA não chegam à produção, enquanto apenas 7% dos executivos declaram que conseguiram implementar IA com sucesso. E, mesmo considerando as que implementam, pela real utilização ser baixa, ela não é suficiente para garantir os retornos significativos que são almejados pelas organizações, trazendo um ROI e um payback médios muito abaixo do esperado. E quando consideramos as estatísticas de adoção e utilização de IA nas organizações na América Latina, os resultados ainda são piores, ficando quase 10% abaixo da média mundial de acordo com os dados do AI index Report de 2022.

Diante dessa necessidade, em 2020 eu iniciei uma pesquisa com base científica para o desenvolvimento de um modelo confiável que permitisse a criação de um framework prático para utilizações por gestores. O resultado dessa pesquisa envolvendo mais de 360 organizações, foi um “Modelo de Intenção de Adoção de Inteligência Artificial∏ (do inglês “Artificial Intelligence Adoption Intention Model – AI2M) que deu origem ao framework AI2M (veja a figura 1).

De acordo com o framework AI2M, cinco principais fatores influenciam a intenção de um usuário adotar uma nova solução de inteligência artificial: condições facilitadoras (CF), expectativa de performance (EP), expectativa de esforço (EE), autoeficácia (AE), e influência social (IS). Apesar de no modelo original AI2M os fatores influência social e autoeficácia mediarem o impacto dos demais fatores na intenção de adoção, buscando a simplicidade em prol da praticidade, no framework todas as variáveis foram consideradas independentes.

Como a intenção de um comportamento é um precursor do comportamento, ao se maximizar a intenção de adotar a IA com tais fatores, aumenta-se a probabilidade do comportamento, que no caso é a adoção e a utilização da IA. Portanto cabe aos gestores conhecer os fatores e entender como eles influenciam a intenção de adoção. A figura 1 utiliza setas coloridas para indicar o sentido de cada fator que influencia a intenção de adoção, e, que por sua vez, influencia a adoção.

As setas em verde indicam a direção que o fator deve ser conduzido para aumentar a intenção de adoção de uma ferramenta de IA, que por sua vez aumentará a probabilidade de sua utilização. Já as setas em vermelho, indicam o sentido oposto que caso cada fator assuma, sua influência será a de reduzir a intenção de adoção, que por sua vez reduzirá a probabilidade de utilização da ferramenta.

Entendendo os fatores

O fator condições facilitadoras (CF) está relacionado com a percepção do potencial usuário de que todas as condições e requisitos ou atributos necessários para o uso da solução de IA estão presentes e facilmente disponíveis para que a utilização possa ser realizada sem nenhum atrito ou dificuldade. Quanto maior for a percepção do potencial usuário de que elas estão disponíveis, maior será a intenção de adotar a solução de IA.

O fator expectativa de performance (EP) trata-se de uma medida da expectativa que o potencial usuário tem em relação à ferramenta de IA de que ela o ajudará consideravelmente no desempenho de suas tarefas, seja aumentando sua eficiência ou eficácia. Quanto maior for a expectativa gerada no usuário em termos do quanto a ferramenta irá contribuir com o seu desempenho, maior será a sua intenção de adotar a solução de IA.

O fator expectativa de esforço (EE) é uma medida da expectativa que o potencial usuário tem do esforço necessário para aprender a utilizar a ferramenta, e, para fazê-la gerar as saídas e os resultados que ele irá precisar para que ela consiga apoiá-lo em suas necessidades. Assim, quanto maior for a expectativa de esforço necessário, menor será a intenção de adotar uma ferramenta. Por essa razão, por exemplo, os sistemas operacionais tentam sempre evoluir de forma a reduzir o esforço necessário para operar um computador, tablet ou telefone celular.

O fator autoeficácia (AE) trata-se de uma medida muito importante para o estabelecimento de um comportamento novo. Ele mede o quanto o potencial usuário sente que é capaz de adquirir e dominar as habilidades e comportamentos necessários para utilizar a solução de IA de forma a obter os benefícios almejados. Trata-se de uma medida da crença pessoal em relação à própria capacidade de dominar o uso da solução. Quanto maior for a autoeficácia de um usuário potencial com relação à solução de IA, maior será a intenção de adotar a solução.

O fator influência social (IS) mede o quanto o potencial usuário entende que existe uma expectativa e uma certa pressão de sua esfera de social relacionadas ao uso da ferramenta de IA. Quanto maior for essa medida, maior será a intenção do usuário de adotar a solução de IA.

Assim, quanto maior for a medida média dos fatores EP, AE, IS e CF, e menor for a medida EE, para um grupo de potenciais usuários, maior será a probabilidade da solução de IA ser adotada pelos usuários, pois maior será a intenção de adoção. Portanto, os projetistas e desenvolvedores de uma solução, bem como os gestores responsáveis pelo processo de implantação, devem atuar para garantir que os fatores sejam considerados e gerenciados corretamente desde a concepção da solução.

Checklist fundamental

Para uma organização utilizar o framework AI2M na prática, o checklist apresentado na tabela 1, abaixo, deve ser utilizado avaliando-se o cada potencial usuário. Os pontos gerados pelo preenchimento do checklist devem ser contabilizados para cada fator, e, o total indicará de acordo com a faixa que cair, qual é a probabilidade de sucesso na intenção de adoção. Com isso, os gestores podem identificar quais são os fatores que tem a menor pontuação em relação ao máximo, e, investigar as razões e atuar de forma a reduzir o déficit em cada fator.

O gestor entrevista os potenciais usuários potenciais da IA e atribui a pontuação de acordo com algumas regras:- Quando o usuário demonstrar dúvida em cada uma das afirmações, 5 pontos devem ser atribuídos.- Se o usuário responder “sim”, deve-se atribuir 10 pontos.- Caso a resposta seja “não”, deve-se atribuir 0 pontos. Na última coluna deve-se somar os pontos para cada fator.

Assim cada fator pode ter um subtotal de pontuação que varia de 0 a 50. Então, deve-se multiplicar o subtotal por cada valor na linha abaixo da seção de cada fator. Por fim, deve-se somar o total de pontuação geral após a multiplicação e dividir o valor total por 50.

A pontuação resultante entre 0 e 100 indicará se o usuário tem uma probabilidade alta (>=70), média (50-70) ou baixa (<=50) de intenção de adoção da solução de IA.EM SUMA, O FRAMEWORK AI2M aqui apresentado pode ser utilizado para medir a propensão à adoção por parte de potenciais usuários, bem como pode apoiar os gestores a identificar quais seriam os principais gargalos à uma adoção bem-sucedida de uma nova solução de IA.Após a avaliação de cada usuário (a partir do grupo de usuários-alvo da adoção), o gestor deve investigar quais são os fatores com menor pontuação e adotar ações para remediar os fatores tanto no desenho da solução, como na comunicação, treinamento, e outras formas de preparar os usuários e gerenciar as expectativas e impressões na organização para a adoção da solução de IA. Boa sorte!”