A gestão da mudança, abrangendo pessoas, processos e tecnologias, é um componente crítico para o sucesso com a Inteligência Artificial Generativa (IA Gen). Artigos anteriores focaram no elemento humano e na adaptação de processos; aqui, examinaremos o terceiro pilar: a tecnologia.
Recapitulando: Uma Mentalidade de Crescimento e a Cadeia de Valor Cognitiva
Como a implantação de tecnologia é um meio para um fim, e não um fim em si mesma, é crucial revisitar os pontos-chave para alcançar resultados excelentes através de uma infraestrutura e arquitetura de IA Gen robustas.
No que diz respeito às pessoas, o objetivo é inspirar uma mentalidade de crescimento em relação à IA Gen, da mesma forma que se abordaria qualquer nova ferramenta ou técnica, como uma planilha ou uma análise post-mortem sem culpa. O foco deve ser na excelência da aumentação (“essa foi uma maneira inteligente de usá-la”) e na aumentação excelente (“Estou realmente feliz por termos feito isso”). Esta mentalidade implica uma aceitação e adaptação contínuas à medida que a IA Gen evolui e demonstra o seu potencial. A McKinsey, por exemplo, tem destacado a importância da requalificação e da formação para preparar a força de trabalho para a era da IA, argumentando que a adaptação das competências é essencial para colher os benefícios da IA Gen.
Com os processos, o objetivo é evoluir para uma “nova normalidade” de trabalho, onde uma cadeia de valor cognitiva permite que o conhecimento se infiltre nos fluxos de trabalho em ritmo acelerado e em grande escala, a fim de reduzir erros. Isso é conceitualmente semelhante a como as empresas desenvolveram cadeias de valor digitais que permitiram que os dados se infiltrassem nas experiências digitais, em ritmo acelerado e em grande escala, a fim de aumentar seu valor. Um exemplo prático é a otimização de processos de atendimento ao cliente, onde a IA Gen pode analisar grandes volumes de dados de interações passadas para identificar padrões e melhorar a eficiência das respostas. A Gartner prevê que a IA Gen terá um impacto significativo na otimização de processos em vários setores, tornando as operações mais eficientes e orientadas por dados.
O objetivo final é direcioná-lo para tecnologias que sempre ajudem, nunca tropecem e nunca atrapalhem. Isso significa selecionar cuidadosamente as ferramentas e plataformas que se alinham com as necessidades específicas da organização e que oferecem flexibilidade e escalabilidade.
Acesso aos Dados Certos
Comecemos por definir o que isso implica, utilizando um exemplo concreto que provavelmente se tornará um uso ubíquo da IA Gen em grandes empresas. Teresa Heitsenrether, chefe de dados e análise da JPMorgan, disse a um repórter do Wall Street Journal quando perguntada sobre como a IA Gen transformará o trabalho no JPMorgan: “Pense em qualquer lugar do banco onde as pessoas estão se preparando para ir conversar com seus clientes. Hoje, você tem exércitos de pessoas correndo, reunindo memorandos de briefing e garantindo que todos estejam preparados. Esta é uma ótima maneira de poder reunir essas coisas mais rapidamente. Vemos isso no jurídico, em qualquer lugar onde você tem muitos documentos, muita informação para vasculhar.”
Em princípio, um aplicativo de IA Gen alimentado por LLM (Large Language Model), como o ChatGPT Enterprise, pode ajudar qualquer usuário que possa elaborar um prompt e inserir documentos em sua janela de contexto. No entanto, com fluxos de trabalho importantes e contínuos, como preparar-se para reuniões com clientes, chamadas de vendas ou negociações de contratos, copiar e colar aleatoriamente de 17 fontes de dados diferentes simplesmente não faz sentido.
O ideal é que os desenvolvedores de aplicativos de IA Gen possam construir acesso às fontes de dados certas em aplicativos empresariais personalizados. O resultado é simples: contexto mais rico significa melhores resultados e maior impacto. Isso se alinha com a visão de muitas empresas de consultoria, como a Accenture, que enfatizam a importância de uma arquitetura de dados bem definida para o sucesso da IA Gen.
Agência e Orquestração
Mas há uma reviravolta adicional com a IA Gen. Os aplicativos tradicionais não podem exibir nenhuma agência além das fontes de dados e consultas codificadas neles. A IA Gen, por outro lado, pode optar por fazer uso de ferramentas e APIs às quais recebeu acesso. Portanto, a camada de ferramentas de desenvolvedor deve incorporar elementos de orquestração também.
Trata-se de trazer à tona não apenas o que está em seu patrimônio de dados, mas o que pode ser relevante além dele. Por exemplo, se um banco de dados de tickets é o sistema de registro para suporte ao cliente, mas um ticket termina com “vamos levar esta conversa para o Slack”, o aplicativo de IA Gen pode ser equipado para seguir a trilha. Ou se a IA encontrar dados conflitantes de fontes internas sobre as métricas de negócios de um cliente que estão disponíveis de uma fonte de alta qualidade, como a Dun & Bradstreet, ela pode apresentar o problema e pedir permissão para fazer a chamada.
Esta capacidade de orquestração permite que a IA Gen transcenda a simples análise de dados e comece a tomar decisões e ações proativas, como iniciar conversas em outros canais ou buscar informações externas para resolver conflitos. Este é um passo importante em direção a uma IA mais autônoma e capaz.
A Camada de Conhecimento
Finalmente, para todo o comportamento semelhante à mente humana que a IA Gen pode manifestar, um aplicativo de IA Gen ainda depende de “matemática” nos bastidores para encontrar o contexto mais relevante. E embora a pesquisa vetorial seja essencial para aplicativos de IA Gen, sabemos que abordagens de pesquisa híbrida, como combinar pesquisa vetorial (para compreensão semântica) e pesquisa lexical (para correspondência exata de palavras-chave), podem melhorar os resultados. Assim, o que chamamos de camada de conhecimento é inserido para fornecer recursos completos de pesquisa multimodal além das consultas SQL que costumavam ser o elo predominante entre seus desenvolvedores e seus dados.
A pesquisa vetorial, que utiliza embeddings para representar o significado das palavras e frases, permite que a IA Gen compreenda o contexto e as nuances da linguagem, mesmo quando as palavras exatas não correspondem. A combinação com a pesquisa lexical, que se concentra na correspondência de palavras-chave, garante que os resultados sejam precisos e relevantes. Esta camada de conhecimento é fundamental para garantir que a IA Gen possa acessar e utilizar todas as informações disponíveis, tanto estruturadas quanto não estruturadas.
Os Blocos de Construção do Sucesso da IA
Juntando tudo, essas três mudanças – dados não estruturados se tornando um cidadão de primeira classe da camada de dados; adição de recursos de orquestração e acesso a dados na camada de ferramentas de desenvolvimento; e a nova camada de conhecimento – darão suporte a processos vencedores para alavancar a IA Gen e preparar as pessoas (tanto usuários finais quanto desenvolvedores) para o sucesso com ela.
Em resumo, para maximizar o impacto da IA Generativa, as empresas devem se concentrar em:
- Acessibilidade dos Dados: Garantir que a IA Gen tenha acesso a uma ampla gama de fontes de dados, tanto internas quanto externas, para fornecer o contexto necessário para resultados precisos e relevantes.
- Capacidade de Orquestração: Permitir que a IA Gen interaja com outras ferramentas e sistemas para automatizar tarefas e tomar decisões proativas.
- Camada de Conhecimento: Implementar uma camada de conhecimento robusta que combine pesquisa vetorial e lexical para garantir que a IA Gen possa acessar e utilizar todas as informações disponíveis.
Considerações Adicionais e Desafios
Embora o artigo se concentre nos aspectos tecnológicos, é crucial reconhecer os desafios e considerações adicionais que acompanham a implementação da IA Gen:
- Ética e Viés: A IA Gen pode perpetuar e amplificar viéses existentes nos dados de treinamento, levando a resultados injustos ou discriminatórios. É essencial garantir que os dados de treinamento sejam diversos e representativos e que os modelos de IA sejam monitorados e avaliados continuamente para identificar e mitigar viéses.
- Privacidade e Segurança: A IA Gen pode acessar e processar informações confidenciais, tornando a privacidade e a segurança preocupações críticas. É importante implementar medidas robustas de segurança e privacidade para proteger os dados contra acesso não autorizado e uso indevido. Veja mais sobre ameaça à Segurança.
- Transparência e Explicabilidade: A IA Gen pode ser opaca e difícil de entender como chega às suas decisões. Isso pode dificultar a confiança e a aceitação da IA Gen, especialmente em áreas críticas, como saúde e finanças. É importante desenvolver modelos de IA que sejam mais transparentes e explicáveis e fornecer aos usuários as informações necessárias para entender e confiar nas decisões da IA.
- Custos: A implementação e a manutenção da infraestrutura de IA Gen podem ser caras. É importante avaliar cuidadosamente os custos e benefícios da IA Gen e garantir que os investimentos sejam justificados.
Exemplos de Sucesso e Casos de Uso
Existem inúmeros exemplos de empresas que estão utilizando a IA Gen com sucesso em vários setores:
- Saúde: A IA Gen está sendo utilizada para diagnosticar doenças, personalizar tratamentos e descobrir novos medicamentos.
- Finanças: A IA Gen está sendo utilizada para detectar fraudes, gerenciar riscos e fornecer consultoria financeira personalizada.
- Varejo: A IA Gen está sendo utilizada para personalizar experiências de compra, otimizar cadeias de suprimentos e prever a demanda.
- Manufatura: A IA Gen está sendo utilizada para otimizar processos de produção, prever falhas de equipamentos e melhorar a qualidade.
Para entender mais sobre IA Generativa e Aplicações, você pode consultar fontes externas.
Você pode verificar mais informações sobre Codificação Vibe.
Conclusão
A IA Generativa representa uma transformação radical no modo como as empresas operam e competem. A tecnologia certa, combinada com uma mentalidade de crescimento e processos adaptados, é a chave para desbloquear o potencial da IA Gen e alcançar a excelência. Ao priorizar o acesso aos dados certos, a capacidade de orquestração e uma camada de conhecimento robusta, as empresas podem se posicionar para o sucesso na era da IA. No entanto, é crucial abordar os desafios éticos, de privacidade e de segurança associados à IA Gen para garantir que ela seja utilizada de forma responsável e para o bem comum. A chave para um futuro impulsionado pela IA é a combinação estratégica de tecnologia, talento humano e uma abordagem centrada no valor.
Word count: 1825
