negócios

Negócios

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

por

Indicadores de Maturidade em IA

Este artigo trata da continuidade do artigo anterior sobre “Modelo de Maturidade de Inteligência Artificial“, assim sugere-se a leitura do mesmo antes deste.

Existe muito hype e buzz relacionado a inteligência artificial e ao uso dela pelas organizações, além disso muito foco tem sido dado à tecnologia e algoritmos de aprendizagem de máquina, e ao sair fazendo para ver o que acontece. Mas sabe-se por resultados de pesquisas apresentadas no artigo anterior que a maioria dos projetos ainda falham consideravelmente, desperdiçando tempo, esforços e investimentos. E tais falhas acontecem principalmente pela falta de visão e conhecimento do que realmente a IA pode fazer pelo negócio e pela falta de planejamento que alinhe a IA às estratégias de negócio e execução dos projetos.

Aqui será abordado o uso de indicadores, em cada nível de maturidade de IA da organização (Planejamento, Experimentação, Estabilização, Expansão e Transformação), que devem ser considerados na: Visão e Estratégica da IA; Uso da IA; Tecnologias empregadas; Organização e Governança, assim como em Orçamento e Medições.

Indicadores do modelo de maturidade de IA propostos por Gartner

As organizações precisam estabelecer uma visão para a IA se quiserem obter valor com sua implementação. Elas também exigem administradores da visão que iniciarão ativamente projetos para transforma-la em realidade.

Tabela 1 – Para visão e estratégia

PlanejamentoPlaneja-se os interesses iniciais da IA. A IA aparece nas agendas de inovação. A inspiração vem de aplicativos de IA fora da organização. A visão de IA da organização está surgindo da participação em conferências, participação em blogs, conversas públicas, envolvimento com usuários internos e fornecedores externos e captura de uma variedade de exemplos. A equipe de gerenciamento está intrigada com exemplos funcionais ou da indústria e atingiu o nível de exploração “sob pressão”. A equipe de gerenciamento está sentindo esperança, medo ou um senso de urgência em relação à IA.
ExperimentaçãoO valor potencial de AI é reconhecido. A experimentação e a inovação impulsionada pela IA são ativamente promovidas e facilitadas. A organização tem projetos-piloto de IA para aprender sobre tecnologia, habilidades e impacto nos negócios, mas ainda é muito cedo para incluí-los nas estratégias.
EstabilizaçãoA Estabilização da IA não é mais uma promessa, mas está entregando valor de negócios real em algumas partes da organização ou portfólio de produtos / serviços. A IA é explicitamente abordada nas estratégias de certas áreas de negócios e tecnologia. À medida que as organizações amadurecem no uso de técnicas de IA, é mais provável que mudem seu foco de corte de custos para projetos orientados para o crescimento.
ExpansãoA Expansão da IA é difundida e um capacitador-chave de modelos de negócios novos ou aprimorados. A estratégia de IA dedicada e o roteiro adaptável da organização estão totalmente alinhados com seu negócio digital, transformação digital, inovação, experiência do cliente, P&D, RH e outras estratégias. A organização cria estratégias para melhorar, aumentar ou automatizar a tomada de decisão humana usando IA. Pode adquirir o talento necessário. Desde as decisões do conselho até cada interação com o cliente, a IA é um elemento crucial em cada momento e evento de negócios, permitindo que a organização opere de maneira altamente responsiva e adaptativa.
TransformaçãoA Transformação da IA faz parte do DNA dos negócios. Estratégia e operações são continuamente orquestradas e adaptadas em um complexo ecossistema de negócios de agentes interdependentes. A organização é considerada e gerenciada como um sistema de sistemas dinâmicos e baseados em contexto com atores humanos e artificiais. A organização equilibra uma combinação de contratação interna e externa. A IA está presente em todas as estratégias de negócios e inovações tecnológicas.

Itens de ação:

  • A organização deve alinhar a IA com sua missão.
  • Desenvolva um meio de entender como a aceleração ou automação de tarefas perigosas, sujas, chatas ou caras podem se combinar com novas conquistas que antes eram impossíveis devido à falta de recursos humanos e técnicos para realizá-las.
  • Desenvolva uma visão para o uso de IA para atender às preocupações existentes e construa uma abordagem para sua expansão para mudar a forma como a organização busca seus objetivos.

Onde usar IA é mais uma questão de como definir prioridades do que encontrar oportunidades. A IA será um aspecto da maioria dos aplicativos, ou os aplicativos que unem humanos e sistemas, no tempo. Inicialmente, a oportunidade está em encontrar e buscar a melhor opção de negócios.

Uma prática recomendada é a abordagem 1-2-3 para processos, produtos, serviços ou modelos de negócios:

  1. use IA para melhorá-los, ou
  2. Otimizá-los / redesenhá-los,
  3. Criar novos.

Todas essas ações devem ser realizadas com constante experimentação de IA e inovação em paralelo. A estratégia de IA deve incluir abordagens de responsabilidade para propriedade intelectual, risco, reputação e ética – por exemplo, na seleção e priorização de casos de uso.

As áreas de uso ou aplicação da IA ​​podem ser categorizadas em: remodelar a competição, repensar a otimização, revelar percepções sem precedentes e reinventar produtos / serviços, conforme a Tabela 2.

Tabela 2: Para uso da IA

PlanejamentoA Organização de Planejamento busca os primeiros casos de uso em que a IA poderia ter um impacto significativo, mas viável – seja do ponto de vista de negócios, inovação de produto ou RH. Uma ou várias partes interessadas de negócios entusiasmadas comprometem recursos para implementar os casos de uso. Os casos de uso para implementação de IA geralmente incluem otimização de preços, recomendações, detecção de fraude e insights do cliente.
ExperimentaçãoProjetos POC são realizados, colhidos de experimentação nos primeiros laboratórios de IA. Protótipos de produtos e serviços selecionados são melhorados de forma mensurável com IA. Exemplos típicos neste nível incluem IA para suporte à decisão e análise preditiva, como otimização de preços, recomendações de produtos e detecção de fraude.
EstabilizaçãoAs soluções de Estabilização da IA são implantadas para casos de uso de POC nos quais eles mostraram seu valor. Exemplos típicos incluem chatbots para interação com o cliente, gerenciamento de portfólio do cliente, valor do tempo de vida do cliente ou ciência de dados com análises preditivas e prescritivas para melhorias de processos internos. As soluções também podem incluir a adição de recursos alimentados por IA a produtos e serviços existentes. Implementações em casos de uso e departamentos adjacentes são realizadas.
ExpansãoA Expansão da IA é sistematicamente aplicada em todo o espectro da empresa para otimizar processos reprojetados, introduzir práticas de negócios, produtos ou serviços inovadores ou interromper o status quo. Os casos de uso típicos incluem a experiência do cliente e a otimização da cadeia de suprimentos. A IA e os novos avanços da IA ​​são ativamente aproveitados em todos os projetos de TI e negócios aplicáveis. A IA tem um amplo escopo de aplicação, incluindo inteligência contínua, análise prescritiva, assistentes pessoais virtuais, tomada de decisão aumentada e automatizada, automação inteligente ou operações autônomas em muitas áreas de negócios. A governança da IA ​​é estabelecida.
TransformaçãoA transformação da IA não é mais considerada uma categoria de tecnologia separada – faz parte da estrutura da organização, profunda e perfeitamente integrada em cada processo, produto e serviço. A organização atingiu um equilíbrio entre a automação de processos e o aumento da força de trabalho, conectando harmoniosamente os sistemas naturais e artificiais, tanto no nível de hardware / físico quanto de software / mental. Processos de negócios autônomos e sistemas autônomos são abundantes, adaptando-se e otimizando continuamente, e orquestrados por um sistema nervoso central de inteligência contínua.As técnicas de IA não são usadas apenas para resolver problemas conhecidos; eles também exibem capacidades criativas na geração de novas soluções, alternativas potenciais e fazer recomendações.

Itens de ação:

  • Trabalhadores e executivos devem desenvolver uma heurística de priorização que permita que projetos táticos e estratégicos surjam de esforços compartilhados e compreensão das capacidades de IA.
  • No entanto, não priorize muito prescritivamente. Dada a natureza inovadora e disruptiva da IA, sempre deve haver espaço para experimentação. Adote uma abordagem de três vias para seu portfólio de projetos de IA: experimente, faça um piloto e produza.
  • As tecnologias que vão juntas para formar projetos de IA às vezes são altamente inovadoras, mas em muitos casos novas apenas em sua implementação.
  • Muitos dos fundamentos da IA, como os algoritmos analíticos que revelam novas conclusões ou empregam heurísticas, não são em si novos.
  • Ao mesmo tempo, uma inovação massiva e contínua na ciência e nos negócios está ocorrendo para melhorar ainda mais a IA e seu desempenho, escalabilidade, eficácia e facilidade de uso.
  • Para a maioria das organizações, no entanto, o emprego de tecnologias de IA para automatizar processos e interações representará uma nova abordagem de trabalho, que apresentará riscos em termos de quão bem essas tecnologias se harmonizam com clientes e funcionários.

A tecnologia de IA pode ser posicionada em uma ou mais das seguintes categorias: processamento de dados, robótica, interação conversacional, suporte à decisão / automação, automação de processo ou percepção de IoT, conforme a Tabela 3.

Tabela 3: Para tecnologias empregadas

PlanejamentoA Métodos de planejamento de IA que estão prontamente disponíveis no mercado e já aplicados em outras organizações são investigados. Isso inclui algoritmos de aprendizado de máquina comuns, sistemas baseados em regras e técnicas de otimização. Sessões de educação ou hackathons internos são organizados para trazer à tona as técnicas, implementações e habilidades de IA existentes.
ExperimentaçãoOs obstáculos para a primeira adoção da experimentação são reduzidos com o aproveitamento da infraestrutura em nuvem, serviços de IA em nuvem e / ou código aberto. Técnicas adicionais de IA (como aprendizado profundo, reconhecimento de imagem ou processamento de linguagem natural – se não originalmente exploradas) são investigadas.Questões de integração, de perspectivas de dados e processos, são avaliadas e tratadas.As atividades de validação de dados e processos são realizadas para confirmar sua prontidão para IA.
EstabilizaçãoSão introduzidos os primeiros sistemas de produção com tecnologia AI. As soluções são autônomas ou integradas em outras, levando em consideração cenários de implantação de nuvem, híbrida, local ou de ponta. Os sistemas de IA estão incluídos no gerenciamento de operações de TI e nas avaliações de impacto nos negócios. As fontes de dados de IA incluem data warehouses e hubs de dados (lógicos), junto com outros, como IoT ou plataformas de mídia social, conforme necessário por caso de uso.Os desenvolvedores de IA podem aproveitar lagos de dados.
ExpansãoTécnicas inovadoras de IA são regularmente exploradas e aproveitadas em toda a organização em processos, produtos e serviços. A disponibilidade, o desempenho e a segurança dos sistemas de IA são essenciais.Operações de IA (DevOps / MLOps), gerenciamento de modelo e reprodutibilidade são otimizados. A implantação é na nuvem, no local ou por meio de dispositivos móveis, de borda ou robóticos. As necessidades de dados de IA são totalmente atendidas no gerenciamento e anotação de dados, enquanto as fontes de dados são expandidas além daquelas exigidas pelos casos de uso para o conhecimento contextualizado. Os feeds de dados de IA são automatizados, extensos e incluem dados (em tempo real) de fontes internas e externas.
TransformaçãoA adoção de técnicas novas ou aprimoradas de IA continua. Os modelos de IA e algoritmos de aprendizado de máquina são continuamente retreinados e atualizados, aproveitando os loops fechados automatizados e os loops de feedback aumentados. Tanto a inteligência humana quanto a artificial são sinergizadas com, por exemplo, realidade virtual, realidade aumentada, interfaces holográficas e neurodigitais. Agentes pessoais e sistemas multiagentes, representando atores organizacionais, humanos e artificiais, são aplicados para produtividade pessoal e inteligência aumentada, simulação, monitoramento e orquestração operacional de sistemas adaptativos complexos e inteligência coletiva ou de enxame.

Itens de ação:

  • As organizações devem contar com os diretores de dados e os diretores de tecnologia para estabelecer estratégias de emprego de tecnologias de IA, como métodos analíticos avançados, gerenciamento de experimentos e modelos e MLOps.
  • Eles também devem ter uma noção de como podem empregar (e confiar) IA das ofertas dos fornecedores.
  • No estágio de expansão, as organizações geralmente restringem o conjunto dominante de ferramentas para gerenciar riscos e garantir a conformidade.
  • Isso pode parecer um retrocesso para os primeiros usuários devido a novas restrições, mas é necessário gerenciar orçamentos e habilidades ao mesmo tempo em que dimensiona todo o negócio.

O uso de IA nas organizações se tornará tão comum quanto o uso de computadores, da mesma forma que ondas anteriores de computação – como aquelas associadas a interfaces de usuário ou rede – também se tornaram generalizadas. Gerenciar com sucesso o crescimento da IA ​​e seu uso em departamentos e aplicativos requer patrocínio executivo e um COE, conforme a Tabela 4.

Tabela 4: Para organização e governança

PlanejamentoPrevalecem os adotantes isolados, iniciais, especulativos e não operacionais da IA, com interesse ou experiência em IA. Os pioneiros estão começando a construir conhecimento sobre a tecnologia de IA, aplicações práticas e possível criação de valor. Ainda não existe patrocínio empresarial. AI não faz parte das descrições de funções. Sessões de brainstorming entre empresas e funções de negócios são conduzidas em reuniões ad hoc ou como parte de exercícios de “céu azul” em retiros ou eventos não vinculativos semelhantes. A definição de IA no contexto da organização é finalizada e evangelizada. Princípios básicos de IA são discutidos.
ExperimentaçãoNão há ações orquestradas centralmente. A organização está apenas começando a recrutar especialistas em IA ou está trabalhando com provedores de serviços externos para implementar POCs e pilotos de IA. O primeiro laboratório de IA foi aberto para facilitar a experimentação, a experiência do cluster e promover a inovação em colaboração com fornecedores de IA e institutos de pesquisa. As habilidades são desenvolvidas em torno das técnicas que mostram os resultados de negócios mais promissores após as experimentações. Surgem os primeiros padrões de IA para dados e técnicas de IA. Métodos para garantir a conformidade regulatória são desenvolvidos. Responsabilidades reativas, ações e procedimentos no caso de consequências não intencionais são descritos.
EstabilizaçãoHabilidades apropriadas ligadas às técnicas de IA implantadas são adquiridas e planos de qualificação são desenvolvidos para proteger o know-how da organização. Existe um COE (virtual), ou pelo menos uma comunidade de prática, para compartilhar as melhores práticas e impulsionar o emprego em tecnologia. Habilidades e recursos interdisciplinares de IA são agrupados em análises avançadas ou equipes de ciência de dados. Os engenheiros de IA passam a fazer parte das equipes de ciência de dados. Há colaboração frequente para facilitar um entendimento comum de uma plataforma, ferramentas e comunidades de IA entre empresas, para compartilhar conhecimento e para adotar ou desenvolver padrões e metodologias. As primeiras práticas de confiança e transparência da IA ​​estão começando a tomar forma. Há patrocínio explícito de IA de nível C.
ExpansãoA organização tem um AI COE híbrido com a responsabilidade de conduzir novos produtos e serviços e manter conexões internas. A governança de IA facilita a liberdade da ciência de dados e ancora a proliferação de atividades de IA para minimizar os riscos associados e manter a produtividade. A organização tem parcerias estratégicas com fornecedores de IA e institutos de pesquisa para inovação contínua impulsionada por IA. Existem processos e estruturas formalizados para estratégia, ética, P&D, governança, desenvolvimento e operações de IA. Há propriedade de nível C da IA. Padrões para governança de modelo para garantir rastreabilidade, reprodutibilidade e reutilização dos modelos são desenvolvidos e, esperançosamente, garantidos para baixo risco. As políticas de branding, legal, ética, segurança, proteção e privacidade são adaptadas e aplicadas para IA. A gestão de riscos está em vigor para a tomada de decisão automatizada e sistemas autônomos. A conformidade total com as leis e regulamentos (inter) nacionais de IA foi alcançada. A IA impacta a força de trabalho em muitas áreas de negócios, mudando funções e habilidades necessárias.
TransformaçãoA transformação da IA tem um impacto profundo na cultura organizacional, estratégia, estrutura, processos e na sociedade em geral. As funções de negócios e tecnologia se fundem, também no nível C. A estrutura de governança para gerenciamento de produtos de IA é estabelecida. A IA é parte integrante de todo trabalho e da vida diária. A organização estabelece um aprendizado de IA contínuo em toda a empresa para treinar as pessoas quando elas precisam. A participação no desenvolvimento e aplicação de leis e regulamentos (inter) nacionais de IA é incentivada. A força de trabalho humana é totalmente versada em dados, complementada por hardware, software ou wetware de IA para tudo, desde o aprendizado contínuo até as tarefas operacionais. A força de trabalho artificial, com operadores virtuais ou robóticos, aumenta ou substitui operadores humanos. Muitas novas funções são criadas para humanos e “meta-IA” para inovação, desenvolvimento, manutenção e operações de IA.

Itens de ação:

  • Governança não significa necessariamente comando e controle. Em vez disso, significa orientação não proibitiva sobre padrões para estruturas de IA e orientação sobre princípios éticos e de segurança.
  • As organizações devem desenvolver COEs para IA, embora possam ser melhor desenvolvidos dentro ou junto com os COEs para análises, experiência do cliente ou automação, dependendo da visão.
  • Os impactos da IA ​​na reputação, nos negócios e na sociedade apresentam riscos desconhecidos e, até certo ponto, desconhecidos para as organizações que estão correndo para implantar essa tecnologia.
  • As organizações devem, portanto, aplicar um nível apropriado de governança de IA que corresponda aos respectivos níveis de maturidade de IA.
  • Isso os ajudará a atingir objetivos imediatos e de longo prazo nos estágios corretos de sua jornada de IA.
  • Os líderes de dados e análises devem colaborar com as partes interessadas de negócios para alavancar a IA para obter valor de negócios e definir as expectativas corretas.
  • Eles também devem minimizar os riscos para a organização, seus clientes e ecossistema.

Uma “abordagem de três vias” é recomendada:

  • Comece com experimentação, usando financiamento de quantia fixa para facilitar a aprendizagem por tentativa e erro, sem expectativas de retorno de valor de negócio direto. Em seguida, com base na experimentação
  • Priorize casos de uso para POCs em projetos piloto, que devem ser financiados separadamente em uma base de projeto por projeto, mas ainda sem requisitos de caso de negócios estritos.
  • Por fim, colha o projeto piloto de maior sucesso “produzindo” IA por meio de projetos mais preditivos.

Isso resultará em aplicativos totalmente integrados aos negócios regulares, com expectativas de ROI quantificadas e orçamentos sustentados para gerenciamento operacional e de mudança (consulte a Tabela 5).

Tabela 5: Para orçamento e medições

PlanejamentoO orçamento de IA é insignificante. A organização aprova fundos seletivos para participação em conferências, treinamento direcionado, POCs de pequeno escopo e, potencialmente, alguns estudos de consultoria ou marketing. Os indicadores de conscientização sobre IA incluem o aumento do número de reuniões sobre o tema, participação em conferências e reuniões com fornecedores de IA.
ExperimentaçãoVários projetos POC são financiados. O financiamento de quantia fixa adicional é alocado para atividades de experimentação em um possível laboratório de IA. Ainda não há requisitos de business case, mas as métricas mensuráveis ​​de negócios ou organizacionais são definidas para avaliar o sucesso potencial dos POCs. O código aberto e a nuvem são usados ​​para reduzir as despesas de capital e os custos operacionais iniciais.
EstabilizaçãoO orçamento de estabilização é atribuído às funções corporativas. Vários projetos de IA são financiados, enquanto o investimento em experimentação e POCs continua. Isso inclui gastos com software de produção, plataformas, infraestrutura provisionada, desenvolvimento de novas habilidades e serviços a serem implementados, bem como custos operacionais e de gerenciamento para investimento sustentado. A organização começou a capturar as métricas para cada iniciativa e está rastreando ativamente as mudanças impulsionadas pela IA.
ExpansãoA organização alocou estruturas de orçamento para IA, incluindo iniciativas recorrentes (mais de 15 meses), dentro de TI e várias unidades de negócios. Os aplicativos de IA estão causando mudanças significativas nos custos de mão de obra. Despesas de infraestrutura de IA são monitoradas e otimizadas. A estratégia de IA tem indicadores de desempenho definidos que são monitorados ativamente. Os exemplos são o número de projetos nos quais a IA é aplicada sem solicitação explícita, a porcentagem de processos de negócios com otimização orientada à IA e o compartilhamento de produtos / serviços com IA incorporada. Os casos de uso de alto risco / alta recompensa são financiados.
TransformaçãoNão há mais iniciativas de IA separadas ou orçamentos alocados separados, exceto para gerenciamento de produtos de IA. A tecnologia de negócios e (IA), e seus respectivos esquemas e indicadores de orçamento, são perfeitamente integrados. Crowdsourcing e cadeia de valor coletiva ou financiamento de ecossistemas (e participação nos lucros) são negócios como de costume. A ausência de atividades separadas de IA é o indicador essencial de um nível verdadeiramente transformador.

Itens de ação:

  • Especialmente para as primeiras iniciativas de IA, o maior problema com o orçamento e o financiamento de um projeto de IA é que, antes de iniciar a iniciativa, é extremamente difícil ou impossível determinar um caso de negócios definitivo (preciso) para economia.
  • A principal razão para isso é que é impossível prever mudanças no comportamento humano dos usuários, bem como no consumo final do aplicativo.
  • Outros motivos problemáticos incluem a dificuldade em determinar a data de conclusão e o escopo do projeto não estar totalmente definido (os pontos de inflexão para aprendizado de máquina, curadoria de dados e análise também são itens que não podem ser previstos e avaliados com precisão).
  • Não se concentre nos silos tradicionais de gastos discretos em infraestrutura, largura de banda, software, banco de dados e serviços.
  • Maturidade é o foco no planejamento e adaptação a uma mudança de processo incremental ou transformacional.
  • É medida não apenas pela redução de custos, mas também por tempos de ciclo reduzidos, taxas de erro mais baixas, escalabilidade e agilidade de negócios (a capacidade de responder ou demonstrar insights anteriormente indisponíveis).
  • Lembre-se de que o financiamento para iniciativas de IA vem dos orçamentos das unidades de negócios, bem como dos orçamentos de TI.
  • Observe que um grande financiamento nos primeiros dois estágios é contraproducente e coloca muita pressão sobre os pioneiros da IA.
  • A questão motriz deve ser: “Qual será o impacto da IA ​​nos resultados de negócios?” Para estimar adequadamente esse impacto, medidas e marcos apropriados devem ser estabelecidos.

Considerações finais

Artigos mais introdutórios à IA aplicada ao mundo dos negócios podem ser vistos aqui.

Se gostou do artigo, por favor, compartilhe. Comentários são bem vindos.

Sobre mim: aqui, Contato: aqui.

Abraço, @neigrando

Referência

Este artigo trata-se da continuidade do artigo anterior aqui postado, que foi traduzido, reduzido e adaptado do original, em inglês: “Artificial Intelligence Maturity Model”, por Gartner (2020).

Artigos relacionados