Seis estratégias para ter retorno em IA – parte 1

As empresas que embarcam em iniciativas de IA e ciência de dados na economia atual devem buscar um retorno econômico superior ao que foi alcançado nos primeiros dias de IA empresarial. Várias pesquisas sugerem, no entanto, que continua baixo o nível de retorno, em parte porque muitos sistemas de IA não chegaram a ser realmente implantados. Uma pesquisa de 2021 da IBM, por exemplo, descobriu que apenas 21% das 5.501 empresas disseram ter “”implantado IA em todo o negócio””, enquanto o restante disse ainda estar na fase de explorar IA, desenvolvendo testes de conceito ou usando aplicativos de IA pré-construídos.

Da mesma forma, uma análise do VentureBeat sugere que 87% dos modelos de IA nunca são colocados em produção. E uma pesquisa co-branded do MIT Sloan Management Review com o BCG, realizada em 2019, constatou que 7 em cada 10 empresas não relataram nenhum valor de seus investimentos em IA. Isso faz sentido: se a IA não é colocada em produção, ela não pode gerar valor econômico.

Porém há, sim, empresas obtendo retorno econômico em seus investimentos de IA. E descobrimos que elas adotam basicamente seis estratégias para capturar valor:1. Estabelecer relações estreitas entre a área de dados e unidades de negócios para as quais IA se mostra interessante.2. Selecionar projetos com valor tangível e um caminho claro para colocar em funcionamento.3. Alinhar a confiança dos principais stakeholders antes do desenvolvimento.4. Construir produtos de IA reutilizáveis.5. Empregar seletivamente projetos de “”prova de conceito””.6. Definir um pipeline de gestão ou funil liderando projetos para a implementação da produção.

A seguir, descrevemos as três primeiras abordagens (leia sobre as três últimas aqui):

Focar em parcerias com unidades de negócios que possam usar IA. Sabe-se bem que qualquer projeto de tecnologia é beneficiado por parcerias com as funções de negócios ou unidades que usarão o novo sistema. Com projetos de inteligência artificial, no entanto, é importante trabalhar com líderes de unidades de negócios que entendam a tecnologia e seu potencial. Mais provavelmente o apoio virá de gestores que estejam familiarizados com dados e análises, dispõem de informações organizadas e podem até ter uma equipe analítica dentro de sua organização.

No BMO Financial Group, onde um de nós (Ren Zhang) é a cientista-chefe de dados, o suporte à inteligência artificial dentro das diferentes unidades de negócios do banco está diretamente correlacionado com a quantidade de dados disponíveis dentro dessa unidade. A unidade digital do banco, por exemplo, possui grandes volumes de dados a partir do uso de seus clientes e recebe IA e analytics para dar sentido a esses dados e personalizar as interações. A unidade de crimes financeiros do banco também possui dados sobre comportamentos de clientes e funcionários e está sempre interessada em usar as mais recentes ferramentas para identificar e deter a atividade criminosa. Ambos os departamentos também estão sujeitos a tendências do setor que ajudam a priorizar a adoção da inteligência artificial: para a unidade digital, é a crescente demanda dos clientes por experiências personalizadas, e para a unidade de crimes financeiros, é o aumento de ataques cibernéticos e fraudes digitais. Esses grupos são clientes internos que fazem uso do recurso com entusiasmo.

Mas outros grupos dentro do banco são naturalmente mais conservadores na adoção desses sistemas. O banco comercial, por exemplo, atende menos clientes do que o banco de varejo e prefere um toque pessoal em vez de processos e interações mais automatizados. Os executivos da função de risco de crédito apoiam o uso de dados e análises para melhores decisões de crédito, mas esse aspecto do negócio é fortemente regulamentado. Modelos complexos de machine learning podem ser mais aceitos depois que a transparência necessária for resolvida para cumprir as regulamentações do setor e a complexidade da implantação for justificada por possibilidades mais claras de ganho.

Ainda assim, as áreas da organização que sejam mais reticentes quanto à implantação de inteligência artificial não devem ser ignoradas pela equipe de ciência de dados. Eles podem ser mais informados sobre o seu uso em suas unidades, de olho em uma maior aplicação a longo prazo. Pequenos projetos piloto também podem ser realizados em organizações onde as partes interessadas ainda estão explorando a ideia de IA. Mas implantações de produção em larga escala provavelmente devem ser planejadas para começar onde sejam mais aceitas logo de cara.

Selecionar projetos com valores tangíveis é um caminho claro para a produção. Os grupos que lidam com inteligência artificial devem sempre procurar montar projetos em termos de business case e destacar os benefícios nos resultados. A demonstração de valor pode ajudar a construir credibilidade e expandir para usos futuros em outras áreas da organização. O trabalho conjunto com a equipe de negócios também ajuda a definir como a IA será usada na prática, o que traz uma garantia adicional para a implementação planejada.

Os projetos de IA e análise variam consideravelmente em sua capacidade de criar valor tangível, e qualquer equipe dedicada a esses temas deve prever resultados iniciais, embora simples, para justificar esforços mais ambiciosos. Por exemplo, projetos que envolvem automação de tarefas, como aqueles que empregam automação robótica de processos (RPA), são relativamente baratos de desenvolver e muitas vezes fornecem retorno rápido, especialmente quando substituem arranjos de terceirização. A empresa espanhola de telecomunicações Telefonica O2, por exemplo, adotou RPA há vários anos para tarefas administrativas de back-office e obteve ROIs entre 650% e 800%.

Outros projetos que normalmente criam valor claro são aqueles que envolvem aquisição de novos clientes, evitam atritos ou rotatividade de clientes, ou prevenção de risco de crédito ou inadimplência. Nas empresas de manufatura, melhorias na qualidade (como na Seagate na fabricação de discos) ou reduções no estoque da cadeia de suprimentos são relativamente fáceis de valorizar. Projetos de machine learning envolvendo decisões aprimoradas podem ser medidos e valorizados quando comparados com a abordagem anterior utilizada para a tomada de decisões.

Outros projetos são mais difíceis de medir e justificar. Os aplicativos destinados a informar os executivos, sejam painéis simples ou plataformas de varredura ambiental sustentadas por IA, são difíceis de ter um retorno estimado pela dificuldade em saber quanto disso afetará as decisões executivas tomadas. A segmentação de clientes, uma atividade clássica de análise de marketing, oferece pouco valor em si mesma e só se torna valiosa quando diferentes clientes são tratados de forma diferente e a venda cruzada ou vendas mais rentáveis ocorrem com sucesso.

Em um webinar em 2020 sobre os desafios de obter um retorno sobre o investimento, várias empresas disseram ter estabelecido parcerias com o CFO ou equipe financeira para avaliar projetos antes e depois da implantação. Outros disseram que restringem a discussão do uso de inteligência artificial com as partes interessadas nos negócios, a fim de evitar o excesso de entusiasmo associado ao tema.

Fomentar a confiança das partes interessadas e o apoio antes do desenvolvimento. As implantações de produção de IA são demoradas e caras porque envolvem testes extensivos, integração com arquiteturas de sistemas existentes, redesenho de processos de negócios e treinamento de pessoal seja para reciclar conhecimento existente ou trazer novo. Dito isto, é importante contar com forte apoio dos líderes das funções ou unidades em que os sistemas serão implantados, incluindo a participação deles em estimativas de custos e formulação de expectativas para as mudanças necessárias no negócio.

Por exemplo, falamos com Vipin Gopal, diretor de dados e análises da empresa farmacêutica global Eli Lilly and Co. Uma de suas primeiras atividades quando entrou na empresa foi entrevistar executivos da empresa toda. Após as entrevistas, recomendou três áreas para considerar a aplicação de IA, com explicitação dos custos e benefícios para cada uma. Ele também apresentou as propostas para a alta liderança de toda a organização. Os projetos foram todos endossados e avançaram com sucesso. Ele define o alinhamento e engajamento dessa liderança como facilitadores significativos para o sucesso do projeto como um todo.

Leia também sobre as outras três estratégias vencedoras para gerar e capturar valor em IA levantadas pelos autores deste artigo. “