negócios

Negócios

por

Engenharia de Loop: Como Construir Agentes que Melhoram o Próprio Trabalho

Da criação manual de prompts à engenharia de loop

A maioria das pessoas ainda opera agentes de IA manualmente.

Elas inserem uma tarefa, aguardam uma resposta, revisam o resultado, corrigem os erros, e então enviam outro prompt.

O ser humano ainda é quem executa o loop.

A próxima etapa é diferente.

Você deixa de fazer o prompting do agente passo a passo e passa a construir um loop ao redor dele.

O loop fornece as instruções, verifica o resultado, escolhe a próxima ação e continua executando até que o resultado atenda ao padrão estabelecido.

Isso é engenharia de loop.

A ideia é simples:

Pare de gastar seu tempo criando prompts manualmente para os agentes.

Comece a projetar sistemas que criem esses prompts para você.

“Você não deveria mais ficar criando prompts para agentes de programação. Você deveria projetar loops que criem prompts para seus agentes.”

Boris Cherny lidera o Claude Code na Anthropic.

Ele descreveu essa mesma mudança a partir de seu próprio fluxo de trabalho:

“Eu não crio mais prompts para o Claude. Tenho loops que executam prompts para o Claude e descobrem o que fazer. Meu trabalho é escrever loops.”

Por que a maioria das pessoas ainda não constrói loops de verdade

Os loops parecem incríveis até você ver a conta de tokens.

Um loop de agente normal pode consumir contexto extremamente rápido:

  • Um loop de programação de tamanho médio pode usar 50 mil a 200 mil tokens.
  • Uma frota com um orquestrador e agentes especialistas pode usar 500 mil a 2 milhões de tokens.
  • Um loop programado para ser executado diariamente pode consumir milhões de tokens por semana.

Cada nova tentativa custa tokens. Cada correção custa tokens. Cada etapa de verificação custa tokens. Cada subagente acrescenta uma nova cobrança.

Essa é a limitação oculta que raramente é discutida.

A engenharia de loop não é difícil porque o conceito seja complicado de entender.

Ela é difícil porque a maioria dos usuários não pode pagar por execuções ilimitadas de agentes.

A resposta óbvia é:

“É fácil para você dizer isso, você tem acesso ilimitado à OpenAI.”

E essa crítica é justa.

É por isso que modelos baratos com grandes janelas de contexto são tão importantes.

Para executar loops úteis todos os dias, você precisa de:

  • Tokens de entrada acessíveis
  • Tokens de saída acessíveis
  • Grandes janelas de contexto
  • Chamadas de ferramentas confiáveis
  • Saída estruturada em JSON
  • Alta concorrência
  • Contexto suficiente para lembrar das etapas anteriores

Sem essas características, os loops continuam sendo experimentos caros.

Com elas, os loops se tornam sistemas práticos capazes de executar trabalho real.

O fluxo de trabalho antigo versus o novo

Nos últimos dois anos, a maioria das pessoas utilizou agentes desta forma:

Você cria um prompt. O agente responde. Você revisa a resposta. Percebe um problema. Cria outro prompt.

Funciona, mas não escala.

O fluxo de trabalho antigo

  • Você escreve o prompt
  • O agente cria uma saída
  • Você inspeciona a saída
  • Você corrige os pontos fracos
  • Você repete manualmente o processo

O novo fluxo de trabalho

  • Você define o resultado desejado
  • O loop descobre o que é necessário
  • O loop cria um plano
  • O agente executa o trabalho
  • Um verificador avalia o resultado
  • O loop corrige as falhas
  • O sistema para quando o objetivo é concluído

Um prompt fornece ao agente uma única instrução.

Um loop fornece ao agente um trabalho completo.

O que realmente significa engenharia de loop

Engenharia de loop significa construir ciclos de feedback repetíveis ao redor de agentes de IA.

O objetivo é simples:

Passar de uma primeira tentativa para um resultado verificado, sem que um ser humano controle cada etapa.

O loop básico contém cinco etapas:

  1. Descobrir
  2. Planejar
  3. Executar
  4. Verificar
  5. Iterar

Se o resultado passar pela verificação, entregue-o.

Se o resultado falhar, devolva-o ao loop.

Esse é todo o conceito.

Você não está tentando escrever um prompt perfeito.

Você está criando um sistema que melhora resultados imperfeitos até que eles atendam ao requisito.

Loop de agente único

Os loop geralmente aparecem em dois tamanhos.

A versão menor usa um único agente para completar todo o ciclo.

Ele descobre o que precisa acontecer, planeja o trabalho, executa a tarefa, revisa o resultado e tenta novamente quando algo falha.

É semelhante a uma pessoa editando seu próprio rascunho até que ele esteja pronto.

Loop de agente único funcionam bem para:

  • Tarefas específicas
  • Escopos limitados
  • Objetivos claros
  • Rascunhos de conteúdo
  • Correções de bugs
  • Resumos de pesquisas

Um agente. Um ciclo de feedback. Melhoria contínua por conta própria.

Loop em frota

Um loop em frota opera em uma escala maior.

Um orquestrador recebe o objetivo principal.

Ele divide o objetivo em partes menores.

Essas partes são atribuídas a agentes especialistas.

Cada especialista também pode delegar tarefas específicas a subagentes menores.

Exemplo

Objetivo: Construir um aplicativo de produtividade

 Orquestrador
                  /    |    \
                 /     |     \
          Pesquisa  Engenharia   QA
          Especialista Especialista Especialista
              |          |           |
        Pesquisador   Escritor de   Escritor de
          Web           Código        Testes
                           +            +
                        Debugger    Rastreador
                                      de Bugs

Isso já não é mais um único agente trabalhando sozinho.

É mais parecido com uma pequena equipe autônoma executando um projeto do início ao fim.

Loops abertos versus loops fechados

Essa é a diferença prática mais importante.

Nem todo loop funciona da mesma maneira.

Loops abertos

Loops abertos são exploratórios.

Você fornece um objetivo amplo e permite que o agente descubra seu próprio caminho.

O agente pode descobrir coisas úteis que você nunca especificou.

Mas também pode se tornar caro e caótico.

Loops abertos podem:

  • Explorar direções demais
  • Desperdiçar grandes quantidades de tokens
  • Gerar trabalho de baixa qualidade em alta velocidade
  • Se afastar do objetivo real
  • Tornar-se difíceis de controlar

Loops abertos são empolgantes.

Mas geralmente não são o melhor ponto de partida.

Loops fechados

Loops fechados possuem limites claros.

O ser humano define o caminho primeiro.

O loop ainda opera de forma independente, mas permanece dentro de regras explícitas.

Um loop fechado inclui:

  • Um objetivo claro
  • Etapas definidas
  • Avaliação após cada etapa
  • Uma condição de parada
  • Transferência para um ser humano caso o sistema fique bloqueado

Essa é a versão que gera valor hoje.

Ela custa menos. É mais fácil de confiar. Produz resultados mais consistentes.

Comece com loops fechados.

Torne-os mais abertos somente depois que seus mecanismos de verificação forem suficientemente robustos.

Os 6 blocos de construção de um loop eficaz

Todo loop segue conceitualmente o mesmo ciclo de cinco etapas.

Na prática, seis blocos de construção tornam esse ciclo realmente útil.

1. Automações

A automação é o coração do loop.

Ela inicia o processo sem exigir que você se lembre de iniciá-lo manualmente.

Exemplos:

  • Executar todas as manhãs
  • Executar sempre que um PR for aberto
  • Executar depois que um arquivo for alterado
  • Executar quando um novo ticket aparecer
  • Continuar até que todos os testes sejam aprovados

Se você ainda precisa iniciar cada ação manualmente, o loop não está fazendo o suficiente.

2. Worktrees

Worktrees tornam-se importantes quando vários agentes editam código simultaneamente.

Sem isolamento, os agentes entram em conflito.

Dois agentes podem alterar o mesmo arquivo.

Um agente pode sobrescrever o trabalho de outro.

Um worktree fornece a cada agente um espaço de trabalho e uma branch separados.

Isso permite que vários agentes trabalhem em paralelo sem transformar o repositório em uma bagunça.

3. Skills

Skills armazenam conhecimento reutilizável sobre o projeto.

Pare de explicar o mesmo contexto a cada execução.

Escreva as informações importantes uma única vez.

Permita que todos os loops futuros as reutilizem.

Arquivos de skills úteis podem conter:

  • Visão do produto
  • Arquitetura
  • Regras do projeto
  • Instruções de compilação
  • Instruções de testes
  • Ações que o agente nunca deve executar

Sem skills, cada loop começa do zero.

Com skills, cada execução começa com o conhecimento acumulado dos trabalhos anteriores.

4. Plugins e conectores

Um loop que só consegue ler arquivos locais tem valor limitado.

Conectores permitem que ele interaja com as ferramentas onde o trabalho real acontece.

Exemplos:

  • GitHub
  • Slack
  • Linear
  • Jira
  • Gmail
  • Google Drive
  • Bancos de dados
  • APIs de staging

Essa é a diferença entre:

“Aqui está uma possível correção.”

e:

“Abri o PR e o conectei ao ticket. Depois monitorei o CI e publiquei a atualização final.”

5. Subagentes

O agente que cria e o agente que verifica nem sempre devem ser o mesmo.

Um agente que escreveu o código pode ser tolerante demais ao revisá-lo.

Um agente que escreveu um artigo pode deixar passar as mesmas seções fracas duas vezes.

Use agentes separados para:

  • Exploração
  • Implementação
  • Revisão
  • Testes
  • Verificação de fatos
  • Resumos finais

A qualidade melhora quando o revisor é independente.

O criador não deve ser o único responsável por verificar o trabalho.

6. Memória

A memória permite que o loop continue entre várias execuções.

O modelo esquece.

O repositório não.

As anotações não.

O registro do projeto não.

A memória pode ser armazenada em:

  • Arquivos Markdown
  • Logs do projeto
  • Tickets do Linear
  • Issues do GitHub
  • Cofres do Obsidian
  • Bancos de dados
  • Claude Projects

Um loop de longa duração precisa lembrar o que já foi tentado.

O que funcionou.

O que falhou.

E o que ainda precisa ser concluído.

Sem memória persistente, o loop começa do zero toda vez.

Exemplos reais de loops

Esses fluxos de trabalho tornam a ideia mais concreta.

Loop de programação

Ler VISION.md + ARCHITECTURE.md
          ↓
Planejar a próxima alteração
          ↓
Editar o código
          ↓
Executar os testes
          ↓
Se os testes falharem → inspecionar o erro
                     → corrigir
                     → testar novamente
          ↓
Se os testes passarem → resumir as alterações
          ↓
Parar

Um ser humano não precisa conduzir cada etapa.

O agente escreve, testa, corrige e verifica seu próprio trabalho.

Loop de pesquisa

Definir a pergunta de pesquisa
          ↓
Encontrar fontes relevantes
          ↓
Resumir as evidências
          ↓
Verificar cada afirmação em relação às fontes
          ↓
Comparar informações conflitantes
          ↓
Criar a síntese final
          ↓
Parar quando o limite de confiança for atingido

Isso produz um resultado muito mais robusto do que pedir um único resumo rápido.

Loop de conteúdo

Definir tópico + público + objetivo
          ↓
Criar o primeiro rascunho
          ↓
Enviar para um agente de crítica
          ↓
Reescrever usando a crítica
          ↓
Avaliar segundo os critérios de sucesso
          ↓
Se passar → publicar
          ↓
Se falhar → reescrever novamente

O loop transforma uma única ideia em um sistema de conteúdo repetível.

Loop de prospecção de vendas

Definir o ICP
          ↓
Encontrar leads que correspondam ao perfil
          ↓
Enriquecer cada lead com dados da empresa
          ↓
Qualificá-los de acordo com os critérios
          ↓
Personalizar a mensagem
          ↓
Executar uma revisão de qualidade
          ↓
Enviar ou encaminhar para um ser humano

Todos os exemplos utilizam a mesma estrutura:

Objetivo → Ação → Verificação → Correção → Repetição até concluir o trabalho

Engenheiro de prompt versus engenheiro de loop

Essa é a nova lacuna de habilidades que está surgindo em 2026.

Engenheiro de prompt

Um engenheiro de prompt concentra-se em criar instruções melhores.

Ele aprimora a redação.

Produz uma resposta única mais forte.

Mas, depois que o agente termina, um ser humano ainda precisa revisar tudo.

O ser humano continua sendo o loop de feedback.

Engenheiro de loop

Um engenheiro de loop constrói o próprio sistema de feedback.

Ele determina:

  • O que inicia o loop
  • Qual contexto o agente recebe
  • Quais ferramentas ele pode acessar
  • O que é considerado sucesso
  • Quem verifica o resultado
  • Quando o processo deve parar
  • Onde o resultado final é armazenado

Um engenheiro de prompt diz:

“Escreva uma função para mim.”

Um engenheiro de loop diz:

“Escreva a função.” “Teste-a e corrija-a até que todos os testes sejam aprovados.” “Depois, faça um resumo da alteração.”

As ferramentas podem ser idênticas.

A mentalidade é completamente diferente.

Os construtores de IA que geram maior impacto estão indo além de instruções melhores.

Eles estão criando sistemas que descobrem e planejam, executam e verificam, e então param no momento correto.

A versão resumida

Engenharia de loop é a transição de prompts manuais para ciclos automatizados de feedback.

A mudança

  • Forma antiga: Dar ao agente uma tarefa de cada vez
  • Nova forma: Construir um loop que gerencia o ciclo completo

As 6 coisas que você constrói

  • Automações: Iniciam o loop automaticamente
  • Worktrees: Permitem que os agentes trabalhem em paralelo sem conflitos de arquivos
  • Skills: Reutilizam o conhecimento do projeto em cada execução
  • Plugins e conectores: Dão ao loop acesso a ferramentas reais
  • Subagentes: Separam criadores de revisores
  • Memória: Preserva o conhecimento entre as execuções

Os 2 tamanhos

  • Loop de agente único: Um agente melhora repetidamente seu próprio trabalho
  • Loop em frota: Um orquestrador coordena especialistas e subagentes

Os 2 tipos

  • Loop aberto: Flexível, exploratório e caro
  • Loop fechado: Limitado, confiável e acessível

As 5 etapas

  1. Descobrir
  2. Planejar
  3. Executar
  4. Verificar
  5. Iterar

O verdadeiro problema de custo

  • Loops consomem tokens rapidamente
  • Modelos baratos com contexto longo tornam os loops viáveis
  • Sem tokens acessíveis, a maioria dos usuários nunca passa dos experimentos

A mudança de mentalidade

  • Engenheiros de prompts solicitam resultados à IA
  • Engenheiros de loop constroem sistemas que entregam resultados verificados

Esse é o verdadeiro ponto de virada.

Pare de procurar um único prompt perfeito.

Construa um loop que continue tornando melhores os resultados imperfeitos.

Um loop confiável vencerá um prompt perfeito.

Fonte:

Este artigo e a imagem foram traduzidos e adptados do texto original em inglês de @elune0x em https://x.com/elune0x/status/2079923329633313196 e publicado no Linkedin

Vide:

por

Inteligência Artificial na Estratégia de Marketing

Sou pesquisador do Núcleo Decide pela FEA-USP / CNPq, onde desde 2020 estamos pesquisando sobre o uso da inteligência artificial na tomada de decisões das organizações, e professor da disciplina Fundamentos da Inteligência Artificial na pós-graduação da ESPM. Nesse sentido, os temas sobre tomada de decisão, estratégia, inovação, marketing e inteligência artificial fazem parte do meu escopo de pesquisa, estudo, ensino e consultoria.

Ao pesquisar sobre estes temas, encontrei o artigo “Artificial Intelligence (AI) in Strategic Marketing Decision-Making: A research agenda”, de Merlin Stone e outros autores, vide referência, o qual traduzi, resumi e adaptei, como segue. Acredito que o texto pode ser útil a todo gestor de marketing que queira ser mais orientado a dados em suas decisões e deseje utilizar a IA como aliada na busca por agilidade e resultados melhores em suas atividades.

Introdução

Este artigo enfoca a evolução da prática de marketing e, em particular, a possível aplicação da inteligência artificial (IA) à tomada de decisões estratégicas de marketing.

A fronteira entre humanos e computadores na tomada de decisões está mudando. Hoje, a IA é cada vez mais implantada em operações de marketing, por exemplo, identificação de riscos, gerenciamento de resposta do centro de contato, bem como em publicidade de marketing, incluindo análise e direcionamento de clientes, design e seleção de publicidade para corresponder aos clientes-alvo, precificação para maximizar o rendimento de clientes individuais. Num futuro próximo, espera-se que a IA seja empregada na tomada de decisões estratégicas, por exemplo, quais modelos de negócios usar, quais estratégias seguir, quais mercados segmentar, quais produtos comercializar, quais canais de comunicação e distribuição usar, quais estratégias de preços e posicionamento competitivo seguir etc. No entanto, o uso da IA ​​na estratégia de marketing não tem sido muito discutido no domínio público. Contatos com a indústria indicam que algumas empresas avançaram muito nessa área, mas esses projetos são mantidos em sigilo e tratados como fonte de vantagem competitiva.

Ressalta-se, neste ponto, que o foco não está na substituição da tomada de decisão humana nas decisões estratégicas, mas na criação de um mecanismo de tomada de decisão de maior qualidade, usando IA, para que os profissionais de marketing tenham acesso a informações mais rápidas, completas e opções mais elaboradas para escolher e a criação do quadro teórico associado.

Hoje a IA é vista principalmente como um suporte às grandes decisões de negócios e não como um tomador de decisão – exceto em alguns casos operacionais, mas atribuem isso ao fato de que a IA atualmente constituída é relativamente fraca, em comparação com o que será a forte IA do futuro.

Este artigo tem como perspectiva negócios business-to-consumer (B2C) e das empresas que vendem aos consumidores através de outros negócios (conhecidos como B2B2C).

Os benefícios

Espera-se que os benefícios da aplicação da IA ​​à tomada de decisões estratégicas de marketing incluam:

  • Maior velocidade de tomada de decisão, especialmente em resposta à disponibilidade de novos dados ou ameaças competitivas emergentes, permitindo que as empresas capturem os benefícios de posições de mercado mais fortes mais cedo.
  • Identificação de dados perdidos.
  • Aumento da racionalidade, particularmente por meio da remoção ou redução do viés cognitivo por parte dos tomadores de decisão.
  • Criação de uma base comum para a tomada de decisões.
  • Incorporação do aprendizado da experiência.
  • Maior qualidade na gestão dos projetos de marketing.

Exemplos de aplicação

Existem maneiras pelas quais a IA pode ser usada em diferentes áreas de tomada de decisão e planejamento de marketing. Nem sempre há uma separação clara entre estratégia de marketing e estratégia de negócios. Tampouco há uma separação clara entre a estratégia geral de marketing e a estratégia para os diferentes elementos do mix de marketing. Por exemplo, as decisões sobre os canais de marketing têm aspectos estratégicos, bem como aspectos táticos, principalmente porque as abordagens digitais alteram o equilíbrio entre os canais e os papéis que os diferentes canais desempenham. Essas decisões podem afetar todos os aspectos do marketing.

Segue uma amostra de possíveis mudanças que o digital fez em diferentes atividades de marketing, pois a digitalização do marketing é uma pré-condição para que os dados sejam disponibilizados para a IA, ​​e exemplos de possíveis implantações da IA. São considerados a IA no Marketing Estratégico, a IA no Mix de Marketing e a IA na Gestão do Marketing, com diversos subtópicos.

IA no Marketing Estratégico

Estratégia geral – mercados-alvo, mix de marketing para cada um, objetivos, KPIs, metas etc.

Permite que as informações para a tomada de decisões sejam reunidas e automatizadas rapidamente, e os resultados de diferentes estratégias sejam analisados mais rapidamente para que a estratégia possa ser revisada em uma abordagem de experimentação com testes e aprendizado.

Exemplos:

  • Avaliando rapidamente diferentes resultados com base em estratégias alternativas.
  • Auxiliando na tomada de decisões rápidas para escolher aquelas com maior probabilidade de produzir melhores resultados.

Modelo de negócio de gestão de clientes

Refere-se a quais clientes a empresa deseja adquirir, reter, desenvolver (up-sell e cross-sell) e alienar, com quais receitas e custos resultantes, para atingir seus objetivos estratégicos, em vez de atender às metas de determinados elementos do mix de marketing isoladamente.

Exemplos:

  • Usando tecnologia como aprendizado de máquina para ajudar a “alcançar” públicos semelhantes.
  • Quantificando e explorando as consequências de diferentes modelos de negócios.

Marca geral e proposta

Dependendo se a empresa está envolvida em muitos tipos diferentes de produtos e mercados, pode se aplicar a toda a empresa ou a partes dela, mas em um nível mais alto do que produtos e serviços individuais – com diferentes abordagens de marca adotadas em diferentes canais.

Exemplo:

  • Identificando resultados de investimentos de marca, recomendando investimentos futuros e estratégia de canal.

Desenvolvimento de novas fontes de receita

Refere-se ao desenvolvimento de receita usando uma forma ou a introdução de um novo produto ou serviço que é, de alguma forma, diferente das formas existentes – pode envolver qualquer ou todos os elementos do mix de marketing e diferentes mercados.

Exemplo:

  • Identificando fluxos de receita para a base de clientes existente e para novos mercados para acelerar o lançamento.

Gestão de ecossistemas, parcerias, terceirização e redefinição da cadeia de valor

Como empresas e parceiros (fornecedores e fabricantes), que trabalham em estreita colaboração, são organizados para garantir que a estratégia geral de marketing (e negócios) da empresa seja desenvolvida e entregue, e como os ganhos de trabalhar juntos são compartilhados.

Exemplo:

  • Identificando as partes mais produtivas do ecossistema e as lacunas no desenvolvimento do ecossistema.

Estratégia competitiva – quem são os principais concorrentes, visando a vitória e a defesa

Como os concorrentes diretos e indiretos são identificados, suas estratégias descobertas e compreendidas e como a empresa cria estratégias para evitar, sempre que possível, os efeitos negativos da concorrência.

Exemplo:

  • Identificando sinais fracos de concorrência iminente.
  • Identificando pontos fracos na estratégia própria e da concorrência.

Gestão de recursos

Permite que os custos e benefícios gerais de diferentes estratégias sejam medidos e analisados mais rapidamente para ajustar os recursos – nos períodos de pico de demanda.

Exemplo:

  • Analisando os dados para identificar riscos, recompensas e resultados/ possíveis cenários de planejamento.

IA no Mix de Marketing

Marca

O lócus das marcas de muitas empresas mudou do mundo real para o virtual, com muitas marcas de muitas outras sendo fortemente afetadas pelo que se fala sobre elas no mundo virtual.

Exemplos:

  • Acompanhando a mudança da imagem da marca usando evidências da web, principalmente das mídias sociais.
  • Encontrando evidências das causas da mudança de marca e perda de participação de mercado.

Produtos

A entrada do cliente no design do produto (design colaborativo) pode ser obtida muito mais rapidamente.

Os clientes podem projetar seus próprios produtos com mais facilidade. Os projetos podem ser testados e revisados mais rapidamente, enquanto os problemas podem ser identificados e corrigidos com mais rapidez e facilidade usando uma variedade de canais digitais e ferramentas de colaboração.

Exemplos:

  • Sintetizando a entrada de clientes.
  • Simulando resultados de novos designs de produtos de formulações.

Proposição

A proposta pode ser mais sintonizada com os mercados-alvo e o envolvimento dos clientes com diferentes propostas podem ser entendidos mais rapidamente, com alterações iterativas feitas e testadas para obter mais feedback.

Exemplo:

  • Identificando quais proposições funcionam melhor por meio de feedback e testes do cliente.

Preço

Os preços podem ser adaptados mais facilmente para diferentes clientes. O gerenciamento de rendimento pode ser aplicado em novas áreas.

Exemplo:

  • Redefinindo as estratégias de preços com base nos resultados de diferentes abordagens de gerenciamento de rendimento.

Publicidade

A publicidade em site/mobile/digital está gradualmente usurpando a publicidade em mídia física convencional, permitindo maior rastreabilidade e melhor avaliação do retorno do investimento. Isso está levando a uma indefinição da distinção entre publicidade digital e outros métodos de comunicação de marketing. A automação aplicada à publicidade por meio de abordagens programáticas e semelhantes está aumentando muito a oportunidade de aplicar abordagens de IA.

Exemplo:

  • Escolha/design de textos, imagens e vídeos para atender segmentos de mercado e indivíduos em diferentes canais e plataformas.

Marketing direto

O marketing direto se expandiu para fora da mídia convencional de correio e telefone para incluir praticamente todas as comunicações de marketing, especialmente digital e CRM, de modo que de alguma forma aparece em todo o marketing, seja iniciado pela empresa ou seus clientes. As indicações, sempre valiosas, se transformaram em recomendações para muitas empresas.

Exemplo:

  • Escolhendo qual forma/combinações de tipos de contato/canais/conteúdo que é apropriado para diferentes mercados-alvo e indivíduos.

Venda pessoal

A venda pessoal agora tem um suporte de informações muito mais forte, enquanto sistemas aprimorados de gerenciamento de vendas, às vezes integrados a sistemas de gerenciamento de resposta, permitem direcionamento, prospecção e gerenciamento de clientes e prospects muito mais eficazes.

Exemplos:

  • Fornecendo resposta personalizada aos indivíduos.
  • Analisando os resultados.
  • Recomendando diferentes maneiras de personalizar.

Relações públicas

O boca a boca eletrônico está substituindo a exposição na mídia convencional, não apenas por meio de redes sociais, mas por todos os aspectos do diálogo na web e em dispositivos móveis – e muitas vezes se desenvolvendo rapidamente e em tempo real. Em alguns setores, as avaliações online tornaram-se críticas para determinar se um produto será vendido, enquanto os influenciadores sociais se tornaram uma parte muito importante do marketing em alguns setores, como viagens, roupas, cosméticos e automotivo.

Exemplo:

  • Identificando padrões de boca a boca, razões para eles, ações sugeridas e sentimento subjacente.

Promoção de vendas

A eficácia das promoções de vendas pode ser avaliada muito mais rapidamente do que nunca, enquanto os canais online facilitam a distribuição de incentivos de compra como cupons, descontos e outros incentivos.

Exemplos:

  • Identificando quais promoções funcionam melhor e mais rapidamente com quais clientes/segmentos de mercado.
  • Identificando quais ofertas devem ser usadas e quando.

Conteúdo

O aumento do número de canais e a importância dos conteúdos (texto, áudio, imagem, vídeo) na persuasão e influência dos clientes tem vindo a destacar-se, sobretudo pela possibilidade de personalizar todo o tipo de conteúdo para segmentos de mercado e agora clientes individuais, suportado pela capacidade de pesquisar, classificar e analisar todos os tipos de conteúdo. O rápido aumento do conteúdo de vídeo, facilitado por melhorias significativas na largura de banda móvel, com mais vindo com o advento do 5G, é um desafio e uma oportunidade, multiplicado pelo uso de mensagens para comunicar conteúdo. A realidade estendida (virtual e aumentada) está mudando a abordagem do conteúdo, permitindo a combinação de experiências reais e digitais. A narrativa de marcas e produtos está sendo muito mais usada, em parte porque suporta o desenvolvimento de conteúdo muito mais rico que pode ser usado em todos os canais de comunicação. No entanto, uma questão que permanece controversa é até que ponto o uso da IA ​​pode apoiar e incentivar a criatividade e aumentar os retornos dela.

Exemplos:

  • Servindo conteúdo para os clientes e prospects certos no momento certo e analisar os resultados de servi-lo.
  • Personalizando o conteúdo para segmentos e clientes-alvo.

Gestão de clientes (aquisição, retenção, desenvolvimento, atendimento ao cliente, experiência do cliente)

Como o estoque do cliente é construído para produtos específicos ou grupos deles, desde as metas estabelecidas até as técnicas usadas para alcançar os resultados desejados e acompanhar o cumprimento do compromisso e das promessas do cliente após a transação.

Exemplos:

  • Otimizando os níveis de estoque em tempo real e ajudando o cliente a reagir à demanda de diferentes segmentos.
  • Automatizando a interação com o cliente (bots)

Distribuição

A web tornou-se um canal de distribuição muito importante para muitos produtos e serviços baseados em informação, bem como alguns produtos físicos e, em muitos mercados, o canal dominante para comunicação de marketing, de modo que as decisões de distribuição e comunicação ficam intimamente ligadas uma à outra, com os clientes que procuram uma resposta imediata às suas solicitações, ou um método simples para comprar quando estiverem prontos.

Exemplos:

  • Otimizando canais.
  • Identificando canais ausentes.
  • Melhorando os tempos de transação e agilize o atendimento.

IA na Gestão do Marketing

Pessoas

Os profissionais de marketing, vendas e serviços podem ser muito mais bem informados sobre o que precisam saber para vender e comercializar melhor, e os resultados de seu trabalho podem ser obtidos e distribuídos com mais facilidade. Eles também podem se beneficiar profissionalmente com mais treinamento em novas ferramentas de marketing digital e como aplicar a tecnologia pessoalmente.

Exemplos:

  • Identificando quais informações devem ser usadas para apoiar diferentes tipos de decisão.
  • Identificando onde os gerentes não estão usando as informações corretas, não têm acesso às informações corretas ou estão interpretando erroneamente as informações que possuem.
  • Fornecendo ferramentas e estruturas para melhor usar as oportunidades criadas pela nova tecnologia de IA.

Análise de marketing

Usar os enormes volumes de dados agora disponíveis para algumas empresas e clientes cada vez mais impacientes por respostas rápidas visando mensagens de saída e resposta rápida a mensagens de entrada pode ser muito mais preciso e oportuno. O tempo tornou-se extremamente importante para capturar a intenção de compra, pois os clientes podem estar no mercado por um período muito curto, pois fazem suas comparações e chegam a suas conclusões usando as montanhas de conteúdo disponíveis das empresas e de seus concorrentes.

Exemplo:

  • Acelerando a análise e sua aplicação – tanto do ponto de vista interno “reativo” quanto do ponto de vista dos clientes que acessam informações relevantes para uma compra.

Pesquisa de mercado

A pesquisa de mercado está cada vez mais on-line, enquanto a obtenção de informações de feedback iniciado pelo cliente e análise de sentimentos (com as permissões apropriadas) estão fornecendo uma nova fonte de informações aos profissionais de marketing sobre como seus clientes atuais e potenciais pensam, sentem e agem.

Exemplos:

  • Obtendo e analisando de conjuntos de dados maiores.
  • Analisando resultados de pesquisas, especialmente quando combinados em diferentes estudos.

Segmentação de mercado

Devido à sua crescente complexidade, a segmentação de mercado está se tornando cada vez mais automatizada. Os resultados de mudanças recentes nas metas e implantação de diferentes elementos do mix de marketing para produzir taxas de resposta e vendas adequadas.

Exemplo:

  • A IA pode ajudar com uma segmentação mais precisa, inclusive permitindo mudanças em tempo real na estratégia.

Dados e sistemas

Os processos de marketing podem ser migrados para os sistemas, cada vez mais rodando na “nuvem” e permitindo que o marketing e a equipe colaborem e melhorem sua eficácia e velocidade de processos como fluxo de trabalho e gerenciamento de projetos. Os sistemas permitem um acesso muito melhor aos dados necessários para a tomada de decisões, desde sobre clientes individuais até decisões estratégicas e, em seguida, para medição, revisão e cálculo do retorno do investimento. A personalização e o marketing baseado em localização deixaram de se tornar palavras de ordem e passaram a ser negócios de rotina para as equipes de marketing mais eficazes. No entanto, eles representam riscos de privacidade significativos, pois os requisitos de proteção de dados se tornaram um foco central para o gerenciamento de marketing. Enquanto isso, os requisitos de integração de dados de diferentes fontes para maximizar a eficácia do marketing, particularmente a integração de suas plataformas de gerenciamento de dados (sistemas centralizados para coletar e analisar grandes conjuntos de dados de fontes diferentes) com suas plataformas de demanda (sistemas que permitem aos compradores de publicidade digital coordenarem suas atividades, incluindo licitações) são essenciais para acompanhar os concorrentes.

Exemplos:

  • Identificando oportunidades para melhorar os retornos da implantação de sistemas.
  • Identificando novas maneiras de acelerar o fluxo de trabalho e uma colaboração para auxiliar no desenvolvimento da velocidade de lançamento no mercado e maior conformidade.

Gerenciamento de recursos de marketing

A automação de marketing permite que os processos de marketing sejam gerenciados de forma mais eficaz, pois o retorno do investimento para diferentes despesas de marketing é calculado e previsto com mais precisão do que os canais tradicionais.

A otimização do gerenciamento de recursos é fundamental com os negócios sendo mais esticados do que nunca por um mercado hipercompetitivo.

Gerenciamento de conteúdo

Gerenciar o crescente volume e variedade de conteúdo requer a manutenção de vários sistemas, e personalizar constantemente o conteúdo para as necessidades e casos de uso de situações específicas é particularmente importante, dada a crescente possibilidade de expor o cliente errado ao conteúdo errado.

A correspondência de conteúdo com o cliente final certo (no momento certo) usa significativamente mais recursos de marketing, portanto, o retorno do custo adicional de melhoria do gerenciamento de conteúdo deve ser medido e aplicado.

Exemplos:

  • Otimizando para clientes individuais.
  • Disponibilizando ferramenta que agiliza a entrega de conteúdos e melhora a sua otimização.

Gerenciando pessoas de marketing

Isso está relacionado a como os profissionais de marketing são recrutados, treinados, desenvolvidos, direcionados e avaliados como profissionais de marketing. Isso é particularmente importante em um cenário de tecnologia digital em rápida mudança, que exige um conjunto de habilidades totalmente novo dos canais e disciplinas tradicionais de marketing.

Exemplo:

  • Identificando os profissionais de marketing mais produtivos e auxiliando na resolução de problemas associados à tomada de decisão de outros.

Modelo operacional de marketing

Com a digitalização, o modelo operacional de marketing está mudando. Um dos melhores exemplos disso é o surgimento da publicidade programática, que está ajudando as empresas que usam a tecnologia a ir além do gerenciamento manual da publicidade para usar a tecnologia para alcançar o nirvana de atribuir o valor correto às diferentes intervenções publicitárias, dada a posse e uso das ferramentas de análise certas para alcançar o público-alvo certo automaticamente.

Exemplo:

  • Otimizando o funcionamento eficiente do modelo, incluindo o uso de aprendizado de máquina para tomar decisões em tempo real sobre públicos e níveis de investimento apropriados.

Finanças de marketing

É essencial identificar de onde vêm a receita e o lucro crucial ao operar em um complexo negócio multicanal e multiproduto/serviço. Dada a redução das barreiras à entrada online, a crescente velocidade de mudança no mercado, para garantir que um negócio está agindo de forma sustentável é preciso apurar muito mais rapidamente. Novas medidas estão sendo usadas, não apenas as financeiras clássicas, que levam em conta, abordagens de portfólio e tração digital.

Exemplo:

  • Identificando os retornos com precisão com mais rapidez e imparcialidade do que a análise humana.

Considerações Finais

O uso da IA em Marketing aos poucos tem evoluído de operacional para tático e estratégico. Gestores de marketing precisam acompanhar esta evolução, assim como a evolução do marketing tradicional com o digital, e a orientação de suas decisões por dados.

Sobre mim: aqui. Contato: aqui.

Um abraço, @neigrando

Referência

  • Este post trata-se de uma tradução reduzida e adaptada do artigo acadêmico original (em inglês): “Artificial Intelligence (AI) in Strategic Marketing Decision-Making: A research agenda”, por Merlin Stone, Eleni Aravopoulou, Yuksel Ekinci, e outros autores – de 2020.

Artigos relacionados

por

Guia de Transformação com Inteligência Artificial

“A inteligência artificial é a elucidação do processo de aprendizado humano, a quantificação do processo de pensamento humano, a explicação do comportamento humano e a compreensão do que torna a inteligência possível. É o passo final do homem para se entender, e espero participar dessa nova, mas promissora ciência.” – Kai-Fu Lee (1983), autor do livro “AI Super-Powers: China, Silicon Valley and the New World Order” (New York Times bestseller), lançado em 2018.

“Inteligência Artificial (definição): A teoria e o desenvolvimento de sistemas computacionais capazes de realizar tarefas que normalmente requerem inteligência humana, como percepção visual, reconhecimento de fala, tomada de decisão e tradução entre idiomas.” – Dicionário Oxford

Esta série de artigos que eu tenho postado sobre o uso da IA em Negócios fornece a líderes, gestores e profissionais de negócios uma base de conhecimentos que facilita o entendimento do tema e os prepara para uma relação mais próxima com os profissionais de tecnologia e realização de projetos em suas empresas.

Como liderar sua empresa na era da IA

A tecnologia de IA (Inteligência Artificial) agora está pronta para transformar todos os setores, assim como a eletricidade fez 100 anos atrás. Espera-se que até 2030, forneça um crescimento econômico estimado em 13 trilhões de dólares. Embora já tenha criado um tremendo valor em empresas líderes em tecnologia, como Google, Baidu, Microsoft e Facebook, muitas das ondas adicionais de criação de valor estão indo além do setor de software.

Este artigo trata-se de um pequeno guia de orientação para transformação da empresa utilizando o potencial da Inteligência Artificial (IA). Trata-se da tradução e adaptação do texto original que é baseado em insights obtidos de Andrew Ng, da empresa Landing AI, ao liderar equipes do Google Brain e o Baidu AI Group, onde ele desempenhou papéis de liderança na transformação do Google e do Baidu em grandes empresas de IA.

Observação: O guia é direcionado à grandes empresas, mas que pode ser adaptado para uso em empresas menores, com o uso de plataformas de computação cognitiva, inteligência artificial e aprendizado de máquina automatizado (AutoML) como serviço em nuvem – o que requer menos infraestrutura e profissionais para começar.

Veja as recomendações em 5 passos:

1. Execute projetos piloto para ganhar impulso

É mais importante que seus primeiros projetos de IA sejam bem-sucedidos do que os projetos de IA mais valiosos. Eles devem ser significativos o suficiente para que os sucessos iniciais ajudem sua empresa a se familiarizar com a IA e também convença outras pessoas da empresa a investir em outros projetos de IA; eles não devem ser tão pequenos que outros considerem triviais. O importante é fazer o volante girar para que sua equipe de IA possa ganhar impulso.

Características sugeridas para os primeiros projetos de IA:

  • Idealmente, deve ser possível para uma equipe de IA nova ou externa (que pode não ter profundo conhecimento de domínio sobre sua empresa) fazer parceria com suas equipes internas (que têm profundo conhecimento de domínio) e criar soluções de IA que comecem a mostrar tração em 6-12 meses.
  • O projeto deve ser tecnicamente viável. Muitas empresas ainda estão iniciando projetos que são impossíveis usando a tecnologia de IA de hoje; ter engenheiros de IA confiáveis ​​fazendo a devida diligência em um projeto antes do início aumentará sua convicção em sua viabilidade.
  • Tenha um objetivo claramente definido e mensurável que crie valor comercial.

Sucesso em um primeiro projeto piloto, trará a confiança necessária para projetos maiores e mais complexos.

2. Crie uma equipe interna de IA

Embora parceiros terceirizados com profundo conhecimento técnico em IA possam ajudá-lo a ganhar esse impulso inicial mais rapidamente, a longo prazo será mais eficiente executar alguns projetos com uma equipe interna de IA. Além disso, você desejará manter alguns projetos dentro da empresa para construir uma vantagem competitiva mais exclusiva.

É importante ter a adesão da liderança para construir essa equipe interna. Durante a ascensão da internet, a contratação de um CIO foi um ponto de virada para muitas empresas terem uma estratégia coesa de uso da internet. Em contraste, as empresas que realizaram muitos experimentos independentes – desde marketing digital até experimentos de ciência de dados e lançamentos de novos sites – não conseguiriam alavancar os recursos da Internet se esses pequenos projetos-piloto não conseguissem escalar para transformar o resto da empresa.

Na era da IA, um momento chave para muitas empresas será novamente a formação de uma equipe de IA centralizada que possa ajudar toda a empresa. Essa equipe de IA pode ficar sob a função de CTO, CIO ou CDO (Chief Data Officer ou Chief Digital Officer) se tiver o conjunto de habilidades certo. Também poderia ser liderado por um CAIO (Chief AI Officer) dedicado. As principais responsabilidades da unidade de IA são:

  • Construir uma capacidade de IA para dar suporte a toda a empresa.
  • Executar uma sequência inicial de projetos multifuncionais para dar suporte a diferentes divisões/unidades de negócios com projetos de IA. Depois de concluir os projetos iniciais, configurar processos repetidos para entregar continuamente uma sequência de projetos valiosos de IA.
  • Desenvolver padrões consistentes para recrutamento e retenção.
  • Desenvolver plataformas para toda a empresa que sejam úteis para várias divisões/unidades de negócios e que provavelmente não sejam desenvolvidas por uma divisão individual. Por exemplo, considere trabalhar com o CTO/CIO/CDO para desenvolver padrões de armazenamento de dados unificados.

Muitas empresas são organizadas com várias unidades de negócios subordinadas ao CEO. Com uma nova unidade de IA, você será capaz de integrar o talento de IA às diferentes divisões para conduzir projetos multifuncionais.

Novas descrições de cargos e novas organizações de equipe surgirão. Uma maneira de organizar o trabalho de equipes é em funções como engenheiro de aprendizado de máquina, engenheiro de dados, cientista de dados e gerente de produto de IA, o que é diferente da era pré-IA. Um bom líder de IA poderá aconselhá-lo sobre a configuração dos processos corretos.

Atualmente, há uma guerra por talentos de IA e, infelizmente, a maioria das empresas terá dificuldade em contratar um estudante ou graduado em doutorado em IA de Stanford, por exemplo. Como a guerra de talentos é basicamente de soma zero no curto prazo, trabalhar com um parceiro de recrutamento que pode ajudá-lo a construir uma equipe de IA.

3. Forneça amplo treinamento de IA

Nenhuma empresa hoje tem talento interno de IA suficiente. Enquanto as reportagens da mídia sobre altos salários de IA são exageradas (os números citados na imprensa tendem a ser discrepantes), é difícil encontrar talento em IA. Felizmente, com o aumento do conteúdo digital, incluindo MOOCs (cursos online abertos e massivos), como Coursera, e-books e vídeos do YouTube, é mais econômico do que nunca treinar muitos funcionários em novas habilidades, como IA. O CLO inteligente (Chief Learning Officer) sabe que seu trabalho é selecionar, em vez de criar conteúdo, e então estabelecer processos para garantir que os funcionários concluam as experiências de aprendizado.

Se você tiver orçamento para contratar consultores, o conteúdo presencial deve complementar o conteúdo online. Isso é chamado de pedagogia da “sala de aula invertida” que resulta em aprendizado mais rápido e uma experiência de aprendizado mais agradável. Contratar alguns especialistas em IA para fornecer algum conteúdo pessoalmente também pode ajudar a motivar seus funcionários a aprender essas técnicas de IA.

A IA proverá novos empregos diferentes. Você deve dar a todos o conhecimento de que precisam para se adaptar às suas novas funções na era da IA. A consulta com um especialista permitirá que você desenvolva um currículo personalizado para sua equipe. No entanto, um plano de educação inicial pode ser assim:

3.1. Executivos e líderes empresariais seniores: (⩾4 horas de treinamento)

META – Permita que os executivos entendam o que a IA pode fazer pela sua empresa, comecem a desenvolver a estratégia de IA, tomem decisões de alocação de recursos apropriadas e colaborem sem problemas com uma equipe de IA que está apoiando projetos de IA valiosos. CURRÍCULO:

  • Compreensão empresarial básica da IA, incluindo tecnologia básica, dados e o que a IA pode e não pode fazer.
  • Compreensão do impacto da IA ​​na estratégia corporativa.
  • Estudos de caso sobre aplicativos de IA para setores adjacentes ou para o seu setor específico.

3.2. Líderes de divisões que realizam projetos de IA: (⩾12 horas de treinamento)

META – Os líderes de divisão devem ser capazes de definir a direção dos projetos de IA, alocar recursos, monitorar e acompanhar o progresso e fazer as correções necessárias para garantir a entrega bem-sucedida do projeto. CURRÍCULO:

  • Compreensão empresarial básica da IA, incluindo tecnologia básica, dados e o que a IA pode e não pode fazer.
  • Conhecimento técnico básico de IA, incluindo as principais classes de algoritmos e seus requisitos.
  • Compreensão básica do fluxo de trabalho e processos de projetos de IA, funções e responsabilidades em equipes de IA e gerenciamento de equipe de IA.

3.3. Estagiários de engenharia de IA: (⩾100 horas de treinamento)

META – Engenheiros de IA recém-treinados devem ser capazes de coletar dados, treinar modelos de IA e entregar projetos de IA específicos. CURRÍCULO:

  • Profundo conhecimento técnico de machine learning e deep learning; compreensão básica de outras ferramentas de IA.
  • Compreensão das ferramentas disponíveis (código aberto e de terceiros) para construir sistemas de IA e dados.
  • Capacidade de implementar o fluxo de trabalho e os processos das equipes de IA.
  • Além disso: educação contínua para manter-se atualizado com a evolução da tecnologia de IA

4. Desenvolva uma estratégia de IA

Uma estratégia de IA orientará sua empresa para a criação de valor e, ao mesmo tempo, construirá fossos defensáveis. Assim que as equipes começarem a ver o sucesso dos projetos iniciais de IA e formar uma compreensão mais profunda da IA, você poderá identificar os lugares onde a IA pode criar mais valor e concentrar recursos nessas áreas.

Alguns executivos pensarão que desenvolver uma estratégia de IA deve ser o primeiro passo. A experiência diz que a maioria das empresas não será capaz de desenvolver uma estratégia de IA ponderada até que tenha alguma experiência básica com IA, que o progresso parcial nas etapas 1 a 3 fornecerá.

A maneira como você constrói fossos defensáveis ​​também está evoluindo com a IA. Aqui estão algumas abordagens a serem consideradas:

Crie vários ativos de IA difíceis que estejam amplamente alinhados com uma estratégia coerente: a IA está permitindo que as empresas construam vantagens competitivas exclusivas de novas maneiras. Os escritos seminais de Michael Porter sobre estratégia de negócios mostram que uma maneira de iniciar um negócio defensável é construir vários ativos difíceis que estão amplamente alinhados com uma estratégia coerente. Assim, torna-se difícil para um concorrente replicar todos esses ativos simultaneamente.

Aproveite a IA para criar uma vantagem específica para o seu setor: em vez de tentar competir “geralmente” em IA com empresas líderes de tecnologia, como o Google, recomendo tornar-se uma empresa líder de IA em seu setor, onde o desenvolvimento de recursos exclusivos de IA permitirá você para obter uma vantagem competitiva. Como a IA afeta a estratégia da sua empresa será específica do setor e da situação.

Desenhe estratégias alinhadas com o ciclo de feedback positivo do “círculo virtuoso da IA”: em muitos setores, veremos o acúmulo de dados levando a um negócio defensável:

Por exemplo, os principais mecanismos de pesquisa da Web, como Google, Baidu, Bing e Yandex, têm um enorme ativo de dados mostrando quais links um usuário clica após diferentes consultas de pesquisa. Esses dados ajudam as empresas a criar um produto de mecanismo de pesquisa mais preciso (A), o que, por sua vez, as ajuda a adquirir mais usuários (B), o que, por sua vez, resulta em ter ainda mais dados de usuários (C). Esse ciclo de feedback positivo é difícil aos concorrentes invadirem.

Os dados são um ativo fundamental para os sistemas de IA. Assim, muitas grandes empresas de IA também têm uma estratégia de dados sofisticada. Os principais elementos da sua estratégia de dados podem incluir:

Aquisição de dados estratégicos: sistemas úteis de IA podem ser construídos com qualquer ponto de 100 dados (“small data”) a 100.000.000 pontos de dados (“big data”), e ter mais dados é melhor. As equipes de IA estão usando estratégias muito sofisticadas e de vários anos para adquirir dados, e estratégias específicas de aquisição de dados são específicas do setor e da situação. Por exemplo, o Google e o Baidu têm vários produtos gratuitos que não monetizam, mas permitem que eles adquiram dados que podem ser monetizados em outros lugares.

Armazéns de dados unificados: se você tiver 50 bancos de dados diferentes sob o controle de 50 VPs ou divisões diferentes, será quase impossível para um engenheiro ou software de IA obter acesso a esses dados e “conectar os pontos”. Em vez disso, considere centralizar seus dados em um ou no máximo um pequeno número de data warehouses.

Reconhecer quais dados são valiosos e quais não são: não é verdade que ter muitos terabytes de dados automaticamente significa que uma equipe de IA poderá criar valor a partir desses dados. Esperar que uma equipe de IA crie valor magicamente a partir de um grande conjunto de dados é uma fórmula que vem com uma grande chance de falha. tragicamente alguns CEOs investirem demais na coleta de dados de baixo valor, ou mesmo adquirem uma empresa para seus dados apenas para perceber que os muitos terabytes de dados da empresa-alvo não são úteis. Evite esse erro trazendo uma equipe de IA no início do processo de aquisição de dados e permita que eles o ajudem a priorizar quais tipos de dados adquirir e salvar.

Criar efeito de rede e vantagens de plataforma: Finalmente, a IA também pode ser usada para construir fossos mais tradicionais. Por exemplo, plataformas com efeitos de rede são negócios altamente defensáveis. Eles geralmente têm uma dinâmica natural de “o vencedor leva tudo” que força as empresas a crescer rápido ou morrer. Se a IA permitir que você adquira usuários mais rapidamente do que seus concorrentes, ela poderá ser aproveitada para construir um fosso que seja defensável por meio da dinâmica da plataforma. Mais amplamente, você pode usar a IA como um componente-chave da estratégia de baixo custo, alto valor ou outras estratégias de negócios.

5. Desenvolva comunicações internas e externas

A IA afetará significativamente seus negócios. Na medida em que afeta seus principais interessados, você deve executar um programa de comunicação para garantir o alinhamento. Aqui está o que você deve considerar para cada público:

Relações com investidores: As principais empresas de IA, como Google e Baidu, agora são empresas muito mais valiosas, em parte por causa de seus recursos de IA e do impacto que a IA tem em seus resultados. Explicar uma tese clara de criação de valor para a IA em sua empresa, descrever seus crescentes recursos de IA e ter uma estratégia de IA ponderada ajudará os investidores a valorizar sua empresa adequadamente.

Relações Governamentais: Empresas em setores altamente regulamentados (carros autônomos, assistência médica) enfrentam desafios únicos para manter a conformidade. Desenvolver uma história de IA convincente que explique o valor e os benefícios que seu projeto pode trazer para um setor ou sociedade é um passo importante na construção de confiança e boa vontade. Isso deve ser combinado com comunicação direta e diálogo contínuo com os reguladores à medida que você lança seu projeto.

Educação do usuário: a IA provavelmente trará benefícios significativos para seus clientes, portanto, certifique-se de que as mensagens apropriadas de marketing e roteiro de produto sejam divulgadas.

Talento/Recrutamento: Devido à escassez de talentos de IA, uma marca forte do empregador terá um efeito significativo na sua capacidade de atrair e reter esse talento. Os engenheiros de IA querem trabalhar em projetos interessantes e significativos. Um esforço modesto para mostrar seus sucessos iniciais pode percorrer um longo caminho.

Comunicações Internas: Como a IA hoje ainda é pouco compreendida e a Inteligência Artificial Geral especificamente foi exagerada, há medo, incerteza e dúvida. Muitos funcionários também estão preocupados com o fato de seus empregos serem automatizados pela IA, embora isso varie muito de acordo com a cultura (por exemplo, esse medo aparece muito mais nos EUA do que no Japão). Comunicações internas claras, tanto para explicar a IA quanto para abordar as preocupações desses funcionários, reduzirão qualquer relutância interna em adotar a IA.

Uma nota histórica, importante para o seu sucesso

Compreender como a internet transformou as indústrias é útil para navegar na ascensão da IA. Há um erro que muitas empresas cometeram ao navegar na ascensão da internet que espero que você evite ao navegar na ascensão da IA.

Aprendemos na era da internet que: Shopping + Site ≠ empresa de internet

Mesmo que um shopping center construísse um site e vendesse coisas nele, isso por si só não transforma o shopping em uma verdadeira empresa de internet. O que define uma verdadeira empresa de internet é: você organizou sua empresa para fazer as coisas que a internet permite que você faça muito bem?

Por exemplo, empresas de internet se envolvem em testes A/B abrangentes, nos quais lançam rotineiramente duas versões de um site e mede qual funciona melhor. Uma empresa de internet pode até ter centenas de experimentos rodando ao mesmo tempo; isso é muito difícil de fazer com um shopping físico. As empresas de Internet também podem publicar um novo visual ou produto toda semana e, assim, aprender muito mais rápido do que um shopping center que atualiza seu design apenas uma vez por trimestre. As empresas de Internet têm descrições de cargos exclusivas para funções como gerente de produto e engenheiro de software, e essas funções têm fluxos de trabalho e processos exclusivos para o modo como trabalham em conjunto.

O aprendizado profundo, uma das áreas de IA que mais cresce, está mostrando paralelos com a ascensão da internet.

Hoje sabemos que: Qualquer empresa típica + tecnologia Deep Learning ≠ empresa de IA

Para que sua empresa se torne ótima em IA, você terá que organizá-la para fazer as coisas que a IA permite que você faça muito bem.

Para que sua empresa seja ótima em IA, você deve ter:

  • Recursos para executar sistematicamente vários projetos valiosos de IA: as empresas de IA têm tecnologia e talento terceirizados e/ou internos para executar sistematicamente vários projetos de IA que agregam valor direto ao negócio.
  • Compreensão suficiente da IA: Deve haver uma compreensão geral da IA, com processos apropriados para identificar e selecionar sistematicamente projetos valiosos de IA para trabalhar.
  • Direção estratégica: a estratégia da empresa está amplamente alinhada para ter sucesso em um futuro alimentado por IA.

Considerações finais

Um programa de transformação de IA pode levar de 2 a 3 anos, mas você deve esperar resultados concretos iniciais dentro de 6 a 12 meses. Ao investir em uma transformação de IA, você ficará à frente de seus concorrentes e aproveitará os recursos de IA para avançar significativamente em sua empresa.

Transformar sua empresa em uma empresa de IA é desafiador, mas viável com o apoio de bons parceiros.

Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.

Um abraço, @neigrando

Referência

Este texto partiu do conteúdo traduzido e adaptado com base no post original em inglês “AI Transformation Playbook – How to lead your company into the AI era”-driven Strategy in Data and AI”, de Andrew Ng.

Artigos relacionados