Pesquisa mostra que a inteligência artificial pode oferecer uma melhor arquitetura de escolhas por meio do framework Raci alimentado por dados
Melhores escolhas permitem melhores decisões.
Prosperar de modo lucrativo em meio a interrupções de mercado exige que os executivos reconheçam que melhores decisões não são suficientes — eles precisam de melhores escolhas. Na tomada de decisão a matéria-prima são as escolhas; sem opções diversas, detalhadas e de alta qualidade, até mesmo os melhores processos de tomada de decisão têm desempenho inferior. Dashboards e scorecards tradicionais definidos por imperativos de contabilidade e conformidade legados medem o progresso de forma confiável, mas não conseguem entregar escolhas. Não foram projetados para isso.
Já IA generativa e sistemas preditivos, ao contrário, são projetados para isso. Eles podem revelar opções ocultas, destacar interdependências negligenciadas e sugerir novos caminhos para o sucesso. Esses sistemas e agentes inteligentes não apenas apoiam melhores decisões — eles as inspiram. À medida que maior velocidade para o mercado e adaptabilidade dominam, os sistemas de medição aprimorados por IA permitem cada vez mais que os executivos antecipem, se adaptem e superem mais facilmente a concorrência.
Nossa pesquisa oferece evidências convincentes de que sistemas de IA preditivos e generativos podem ser treinados para fornecer melhores escolhas, não apenas melhores decisões.
As escolhas projetadas por máquinas podem — e devem — capacitar suas contrapartes humanas. Como Anjali Bhagra, médica-líder e head do hub de automação da Mayo Clinic, explica: “Basicamente o que estamos fazendo no núcleo, seja IA, automação ou outras tecnologias inovadoras, é permitir que nossas equipes resolvam problemas e minimizem o atrito na prestação de cuidados de saúde. Nossas iniciativas são projetadas por pessoas, para pessoas”.
Líderes, gestores e associados em todos os níveis podem usar sistemas inteligentes — baseados em análise de dados sofisticada, síntese de dados sofisticada e reconhecimento de padrões — para cocriar arquiteturas de escolha inteligentes que estimulem melhores opções que, por sua vez, levem a melhores decisões que proporcionem melhores resultados.
Cunhada pelo economista ganhador do prêmio Nobel Richard Thaler e pelo jurista Cass Sunstein no livro Nudge: improving decisions about health, wealth, and happiness, a expressão “arquitetura de escolha” se refere a influenciar uma escolha intencionalmente “organizando o contexto no qual as pessoas tomam decisões”.
Com base na rica literatura empírica de pesquisa em economia comportamental, o trabalho de Thaler e Sunstein explorou como fatores específicos (como o número de escolhas, a inclusão de escolhas padrão e a descrição das escolhas) influenciam a tomada de decisão. Integrar a IA no processo de design e produção da arquitetura de escolha fortalece ainda mais as conexões entre design e decisões.
O que diferencia as arquiteturas de escolha baseadas em IA são suas habilidades de se envolver de forma inovadora com os tomadores de decisão humanos e aprender a fazer melhores recomendações e escolhas por meio de ciclos de feedback.
Arquiteturas de escolhas inteligentes podem projetar ambientes de decisão que sirvam de nudges para os gestores em direção a um pensamento mais inovador, colocando-os em contato com opções “não convencionais”. Por exemplo, ao fazer um brainstorming de novos recursos de produtos, uma arquitetura de escolha inteligente pode incluir opções curinga de indústrias não relacionadas, estimulando a polinização cruzada de ideias criativas.
Arquiteturas de escolhas inteligentes também podem aprender a apresentar opções estratégicas de maneiras que neutralizem o viés de aversão ao risco de um comitê executivo. Por exemplo, uma arquitetura de escolha pode formatar aquisições potenciais como “oportunidades de crescimento” ou “riscos financeiros” e, sendo inteligente, pode sutilmente encorajar o primeiro caso, com decisões mais ousadas.
À medida que os investimentos estratégicos em IA e capital humano se entrelaçam ainda mais, os líderes com visão de futuro reconhecerão que os sistemas de medição inteligentes podem melhorar os comportamentos de tomada de decisão organizacional ao gerar novas opções, prever resultados e orientar escolhas. Ao projetar os contextos nos quais as principais decisões estratégicas e operacionais são tomadas, essas frameworks moldarão o futuro empresarial da tomada de decisão e como os líderes escolhem perseguir aspirações estratégicas.
Consequentemente, argumentamos que a medição inteligente para melhores escolhas tem enormes implicações para a tomada de decisões operacionais e estratégicas, medição de produtividade e design organizacional.
Traduzir capacidades de medição movidas a IA em insights, nudges e opções acionáveis cria efetivamente arquiteturas de escolha inteligentes dinâmicas. Essas estruturas incorporam insights de IA em estruturas e fluxos de decisão; fornecem escolhas que são personalizadas, preditivas e eticamente conscientes; e ajudam os usuários a alinhar decisões com objetivos empresariais.
O data analytics inteligente, por exemplo, é capaz de produzir escolhas de gestão comprovadamente melhores para decisões de vendas, cadeia de fornecimento e marketing. Seus principais resultados, nesse caso, serão escolhas, não respostas sobre o que fazer. Agentes de medição inteligentes podem fornecer insights precisos e detalhados que permitem que gêmeos digitais sugiram sugestões mais eficientes ou inovadoras para operações da cadeia de fornecimento. Os líderes podem esperar melhores opções e recomendações –não a “melhor” resposta – de investimentos algorítmicos em áreas que vão de RH a desenvolvimento de software e automação da força de trabalho.
Os executivos não precisam ter o monopólio desses benefícios. Arquiteturas de escolha inteligentes podem redefinir direitos de decisão em toda a organização. Para suporte ao cliente, arquiteturas de escolha enriquecidas por IA podem apresentar agentes com recomendações personalizadas com base em análise de dados em tempo real de comportamentos, transações e sentimentos do cliente. A orientação preditiva pode ajudar as equipes de suporte ao cliente a resolver problemas de maneira mais eficiente — digamos, aumentando a porcentagem de tickets de suporte resolvidos na primeira chamada —, ao mesmo tempo em que melhora a experiência do cliente. Auxiliados por opções de decisão automatizadas e aumentadas em ambientes de alta pressão , esses sistemas podem capacitar os funcionários que lidam com o cliente não dizendo a eles o que fazer, mas dando a eles escolhas mais personalizadas. Isso respeita e reflete uma certa sensibilidade de “direitos de decisão”.
Arquiteturas de escolha inteligentes também podem dar suporte à tomada de decisões pela média gerência e por supervisores por meio de insights acionáveis entregues em dashboards de KPIs (indicadores-chave de desempenho) adaptativos. Estes ilustram caminhos de decisão para otimizar o desempenho da equipe, aliviar gargalos operacionais ou flexibilizar cronogramas de projetos. Em casos assim, os gerentes não escolheriam apenas em um menu de opções; eles receberiam recomendações sobre trade-offs entre alternativas. Por exemplo, uma IA pode analisar tendências de dados de vendas e recomendar estratégias para atingir metas trimestrais sem exigir que os funcionários assumam cargas de trabalho irracionais ou enviem alertas de desempenho de funcionários vinculados à melhoria de oportunidades de upselling ou lift.
Destacar números de vendas é operacional e analiticamente secundário para orientar proativamente os gerentes a melhorias “empurráveis” na produtividade e moral da equipe. Isso representa preocupações éticas, legais e de privacidade ? Sim. É por isso que arquiteturas de escolha inteligentes devem incorporar os imperativos de explicabilidade, interpretabilidade e transparência dos princípios de IA responsável.
Para o RH, o treinamento de arquitetura de escolha inteligente pode destacar opções inteligentes para a gerência para melhor orientar e orientar, integrando dados sobre desempenho, satisfação e desenvolvimento de carreira dos funcionários. Eles podem sugerir caminhos de carreira personalizados, identificar líderes em potencial ou recomendar programas de treinamento direcionados para melhor qualificar os funcionários ou fechar lacunas de habilidades.
O Walmart, por exemplo, está explorando a IA para identificar talentos ocultos ou subvalorizados, que Ben Peterson, vice-presidente do Walmart para uma área denominada “people product & design”, chama de “diamantes brutos” do varejista. Como Peterson explica: “Quem está trabalhando agora na loja número 2.463 em Frisco, Texas, que não conhecemos? Como podemos alavancar a tecnologia para obter uma visão da nossa população de associados e identificar lacunas de habilidades em onde queremos estar daqui a cinco ou dez anos?”.
Além disso, o Walmart busca usar a IA também para identificar o aprendizado em tempo real e oportunidades de desenvolvimento para associados que os “levem aonde eles querem estar e onde vemos uma necessidade”, Peterson diz. “Como os preparamos para os papéis do futuro?” A resposta é oferecer melhores escolhas para ajudá-los a tomar melhores decisões, para si mesmos e para o Walmart.
Arquiteturas de escolha inteligentes também fazem contribuições substanciais para repensar e redesenhar indicadores-chave de desempenho e resultados. Se a manufatura prevê um tempo de inatividade maior do que o previsto, uma arquitetura de escolha inteligente pode se envolver de forma adaptativa com gerentes intermediários para sugerir realocações de recursos, ajustes de fluxo de trabalho ou mudanças de pessoal. O sistema de medição inteligente garante que os gerentes de produção não reajam apenas às flutuações de KPIs, mas antecipem problemas proativamente antes de escaladas dispendiosas. Assim como os líderes aprenderão a tomar melhores decisões por meio de seus engajamentos com arquiteturas de escolha, as arquiteturas de escolha aprenderão com as decisões que os líderes tomam.
Qual arquitetura de escolha inteligente melhor se adapta a um determinado caso de uso ou circunstância? As arquiteturas de escolha inteligentes devem privilegiar ou pesar mais a experiência do cliente do que a experiência do funcionário? As decisões financeiras operacionais devem buscar otimizar o valor da vida útil do cliente em relação aos fluxos de caixa trimestrais? Os gerentes devem tornar suas próprias diretrizes, barreiras e recomendações personalizadas de arquitetura de escolha inteligente visíveis para seus colegas? Em última análise, as arquiteturas de escolha inteligentes devem refletir e respeitar os direitos de decisão estabelecidos pela alta gerência (ou em outro lugar da organização — é uma escolha). Ao pesar as opções de arquitetura de escolha, os líderes devem considerar explicitamente como esses sistemas se envolveriam com os usuários e os conectariam com o trabalho ou tarefa para o qual são mais adequados.
Estas são algumas opções para arquiteturas de escolha inteligentes:
Arquiteturas de escolha inteligentes têm enormes implicações para definir, projetar e medir a produtividade empresarial.
Sistemas de medição inteligentes que analisam grandes volumes de dados relevantes e identificam padrões essenciais agora podem oferecer insights e conselhos sobre as opções, oportunidades e saídas com maior probabilidade de gerar resultados desejáveis. Eles podem medir contribuições para resultados , não apenas saídas. Quando apropriadamente incorporadas em fluxos de dados e fluxos de trabalho, arquiteturas de escolha inteligentes podem produzir e priorizar medidas de impacto sobre medidas de atividade. Essa capacidade permite que executivos revisitem e repensem suas aspirações de produtividade para capital humano, financeiro e outras formas de capital. Sem rodeios, arquiteturas de escolha inteligentes podem ajudar líderes a alinhar de forma mais produtiva o
Um caso em questão é um grande banco internacional que emergiu da pandemia da covid-19 apenas para confrontar a realidade infeliz de que, em pesquisa após pesquisa, a maioria de seus funcionários declarou que estava participando de muitas reuniões — e que a maioria delas era uma perda de tempo. Os resultados da pesquisa identificaram pontos problemáticos culturais e operacionais que levaram vários pilotos de IA a explorar diferentes caminhos para tornar as reuniões mais valiosas para seus participantes.
Em um dos pilotos mais bem-sucedidos, todos os materiais de apresentação, transcrições de reuniões e pautas para certas reuniões de equipe foram alimentados em um grande modelo de linguagem (LLM) para resumo, síntese e compartilhamento. As saídas generativas imediatas foram resumos concisos de conclusões e sugestões de próximos passos. Os participantes dessas reuniões apoiadas pelo LLM relataram níveis dramaticamente mais altos de satisfação em relação aos níveis de satisfação com as reuniões nos resultados da pesquisa. Essas descobertas deram aos gerentes e à alta gerência uma nova maneira de medir e avaliar a contribuição das reuniões de equipe e colaborações para a entrega de projetos que estavam no prazo e no orçamento e tinham níveis mais altos de qualidade e confiabilidade.
Um impacto mais duradouro surgiu dos participantes que usaram esses resumos e listas de próximos passos para melhorar a coordenação e colaboração de acompanhamento e gerar agendas e listas de verificação recomendadas para futuras reuniões e conversas. As reuniões se tornaram menos uma “perda de tempo” e mais uma oportunidade para interações de valor agregado que permitiram que os funcionários melhorassem a forma como priorizavam seu tempo, tarefas e esforços. Esse caso de uso ilustra que o uso de LLMs pode melhorar a qualidade e os resultados das reuniões.
Arquiteturas de escolha que fornecem opções inteligentes para líderes e gerentes inevitavelmente levantam questões importantes – e inevitáveis – sobre direitos de decisão. Quando seguir uma recomendação automatizada levanta questões de responsabilização? Sob quais condições um tomador de decisão humano pode desconsiderar opções ou recomendações geradas por máquina? À medida que os sistemas de IA generativos aprendem a se tornar arquitetos de escolha mais capazes, mudança de direitos para trabalhadores humanos talentosos? Os líderes não conseguirão evitar as implicações de design organizacional de arquiteturas de escolha inteligentes.
Considere, por exemplo, o framework RACI (sigla em inglês para responsável, accountable, consultado, informado) para alocar direitos de decisão e responsabilidades para gerenciamento de projetos. De modo prático, ele representa uma arquitetura de escolha para direitos de decisão. Ao estruturar e esclarecer papéis de tomada de decisão organizacional, implementações do RACI – se eficazes – moldam explicitamente e especificamente como as escolhas são apresentadas e feitas.
Pedindo licença a Sunstein e Thaler, esse framework estimula comportamentos organizacionais em direção a decisões mais claras, mais eficientes e mais responsáveis. O framework RACI incorpora princípios de arquitetura de escolha no contexto explícito de direitos e responsabilidades de decisão. Combinar LLMs com abordagens RACI tradicionais aumenta a implementação operacional do RACI. Um framework RACI inteligente iria:
Essa transformação faria o RACI passar de um framework rígido que (apenas) define funções em um determinado estágio de um projeto para um sistema de medição e aprendizado adaptável, que aprende continuamente a alocar melhor os direitos de decisão.
Se as equipes de liderança decidirem criá-las, as arquiteturas de escolha inteligentes podem capacitar gerentes e funcionários em todos os níveis a agir com maior autonomia e percepção.
Apoiadas por análises cada vez mais precisas, esses frameworks remodelam a forma como líderes, gestores e funcionários interagir construtivamente com os dados, avaliá-los e agir com base neles. À medida que os líderes se tornam administradores de sistemas inteligentes que aprendem, aprendem a aprender, se adaptam e melhoram, eles precisam reavaliar seus papéis padrão como tomadores de decisão dominantes.
Repensar a autoridade, a responsabilização e os direitos de decisão se torna uma prioridade estratégica e cultural crítica. Os direitos de decisão devem se tornar tão dinâmicos quanto os dados e modelos que os impulsionam. A questão executiva essencial não é mais se a IA preditiva e generativa assumirá a tomada de decisões, mas como a expertise humana e a IA se complementarão para cocriar melhores escolhas, decisões e resultados.
Este artigo é resultado de um novo esforço de pesquisa cobranded, conduzido por MIT SMR em colaboração com a Tata Consultancy Services, para entender como a medição inteligente transforma a tomada de decisões de liderança e o design organizacional.