27/12/2022 por Nei Grando

A Inteligência Artificial e o Futuro da Tomada de Decisões Estratégicas

“A Inteligência Artificial agrega muito na tomada de decisões. Isso torna o processo mais claro, rápido e mais orientado por dados. Com a IA, pequenas decisões podem ser tomadas em movimento, ela facilita a resolução de problemas complexos, permite iniciar mudanças estratégicas, avaliar riscos e avaliar o desempenho de todo o negócio.”

Ao longo dos últimos anos a Inteligência artificial tem evoluído de forma assustadora, e tem se destacado nas organizações como ferramenta de apoio ou na automação da tomada de decisões específicas e operacionais, em algumas decisões táticas e, em alguns casos, estratégicas.

O texto que segue é uma tradução levemente adaptada do artigo “The Future of Strategic Decision-Making” de Roger Spitz, que está disponível na Internet e a meu ver deve ser conhecido e divulgado amplamente para estudantes dos temas envolvidos e principalmente, para líderes e gestores de nossas organizações.

Como sociedade, devemos adaptar completamente nosso sistema educacional ^[1], priorizando a experimentação e a descoberta, incutindo curiosidade e conforto com a incerteza, começando primeiro no playground e depois se espalhando até nossas salas de reuniões. Se não melhorarmos nossas habilidades de evoluir em um mundo não linear, podemos encontrar a tomada de decisão humana marginalizada por algoritmos à medida que nos tornamos cegos pela complexidade crescente, enquanto as máquinas aprendem gradualmente a subir na cadeia de valor da decisão.

O acrônimo AAA é frequentemente usado para refletir a conquista final. Aqueles com experiência em finanças reconhecerão que AAA é o nível mais alto de merecimento de crédito ou, em ciência, a melhor classificação para escalas de classificação alfabética. O PNUD tem usado “Antecipatory, Adaptive and Agile” no contexto da governança ^[2], assim como estimados colegas em seu recente artigo intitulado “Triple-A Governance: Anticipatory, Agile and Adaptive” ^[3].

Stephen Hawking ^[4] qualificou o século XXI como “o século da complexidade”. Com esse pano de fundo, há algum tempo usamos o AAA como “Antecipatório, Antifrágil e Ágil” (AAA) para definir o que o ser humano deve desenvolver para melhorar suas habilidades à medida que o mundo se torna mais complexo. Essa necessidade de os humanos aprimorarem suas capacidades é muito mais relevante no contexto de aprendizado rápido de máquinas e com funções humanas de nível cada vez mais alto.

Embora o termo antecipatório esteja intimamente relacionado à previsão, para nossa taxonomia AAA, emprestamos a definição de antifrágil de Taleb ^[5]: “A antifragilidade está além da resiliência ou robustez. O resiliente resiste a choques e permanece o mesmo; o antifrágil fica melhor.” E usamos “agilidade” no contexto do framework Cynefin ^[6], olhando para propriedades como nossa capacidade de ser curioso, inovador e experimental, para saber como ampliar ou atenuar nossos comportamentos em evolução dependendo do feedback, permitindo assim o surgimento de padrões instrutivos, especialmente em sistemas adaptativos complexos.

Tomada de decisão: não é mais uma exclusividade humana

Atualmente, a tomada de decisões para tópicos estratégicos importantes (como investimentos, pesquisa e desenvolvimento (P&D) e fusões e aquisições (M&A)) exige envolvimento humano, geralmente por meio de diretores executivos, equipes de liderança, conselhos, acionistas e governos. Olhando para o futuro, a questão não é quanto as máquinas aumentarão a tomada de decisão humana, mas se com o tempo os humanos continuarão envolvidos no processo.

Por meio do aprendizado de máquina (ML) e do processamento de linguagem natural (NLP), as capacidades da inteligência artificial (IA) na tomada de decisões estratégicas estão melhorando rapidamente, enquanto as capacidades humanas nessa área podem não estar necessariamente progredindo. Pode até ser o oposto: enquanto as máquinas são consideradas por muitos como um reforço para os seres humanos de uma forma positiva, o Pew Research Center adverte que a IA pode reduzir as habilidades cognitivas, sociais e de sobrevivência dos indivíduos: “suas habilidades de pensar por si mesmos e agir independentemente de sistemas automatizados” ^[7].

Existem muitos modelos de ciclo de decisão, incluindo o tão admirado loop OODA (Observar, Orientar, Decidir, Agir) ^[8].

Em sua essência, estruturamos a tomada de decisões seguindo um processo simples de três etapas:

Detectar e coletar inteligência.
Interpretar as informações.
Tomar e implementar decisões.

Cada uma dessas etapas é essencial para uma conclusão bem-sucedida. A lista a seguir mostra exemplos de falhas nesse processo. Inteligência pobre (falha na etapa 1) levou à invasão da Baía dos Porcos, enquanto a interpretação ineficaz (falha na etapa 2) contribuiu para a surpresa de Israel na guerra de outubro de 1973.

O passo 3 às vezes é mais difícil de isolar. A tomada e implementação de decisões também podem incluir aquelas que decidem não configurar um sistema para detectar ou coletar inteligência em primeiro lugar, ou que limitam o investimento nos recursos para, em última análise, interpretar essas informações. Pode-se argumentar que a falta de preparação que resultou em respostas governamentais improvisadas para o COVID-19 foi uma falha nas três etapas.

A história corporativa está repleta de exemplos de equipes de liderança com um viés cognitivo para tomar decisões ruins que extrapolaram o passado com previsões lineares. Isso geralmente ocorre porque os humanos acham difícil processar tendências “exponenciais” (que inicialmente não parecem crescer rapidamente) e ignoram as implicações da próxima ordem.

As operadoras de telecomunicações tiveram a opção de inovar em tecnologias over-the-top (OTT) em vez de depender de vacas leiteiras históricas, como mensagens de texto e chamadas internacionais. Esta decisão errada abriu caminho para novas camadas como Skype, WeChat e WhatsApp para liderar com tecnologias exponenciais disruptivas. Na mesma linha, a Verizon adquiriu a plataforma de videoconferência BlueJeans em abril de 2020 como um movimento defensivo tardio devido à pandemia e explosão do Zoom, em vez de antecipar a necessidade estratégica de uma plataforma de videoconferência de nível empresarial para o futuro do trabalho (remoto), saúde (telemedicina) ou educação (ensino online). A pandemia acelerou essa necessidade, enquanto a compreensão adequada de nossas duas primeiras etapas de tomada de decisão deveria significar que a Verizon teria tomado essas decisões estratégicas há muitos anos (em vez de acompanhar o Zoom hoje). Da mesma forma que a Disney só acordou em 2017 quando adquiriu o controle da BAMTech para tecnologia de streaming, deixando a Netflix dominar esse espaço durante muitos e preciosos anos.

Em 2011, Vincent Barabba ^[9] escreveu: “Em essência, alertamos a equipe de gerenciamento de que a mudança na captura de imagens por meio de tecnologias digitais estava chegando e que eles tinham uma década para se preparar para isso”. Apesar das avaliações do mercado-alvo, a Kodak não tomou as decisões estratégicas corretas.

Dada a velocidade e a escala da mudança, a questão de “se e como” podemos aprimorar nossas capacidades de tomada de decisão é legítima.

As máquinas estão subindo na cadeia de valor de tomada de decisão

Hoje, os humanos usam principalmente a IA para obter insights, mas as habilidades da IA poderão superar as habilidades humanas em todas as etapas do processo. A IA já está melhorando na análise preditiva, avançando constantemente para a direita, em direção a resultados prescritivos que recomendam opções específicas.

Isso é em parte alimentado por tecnologias exponenciais, à medida que a IA aprende a subir na cadeia de valor:

As máquinas são arquetipicamente usadas na otimização, automatização de processos e tarefas repetitivas.
Também os encontramos mais presentes em funções de aumento, onde emprestam seus maiores poderes de processamento para perceber e aprender (como na radiologia).
A IA está até abordando o domínio da criatividade anteriormente obrigatória. (O Google Arts recentemente fez parceria com o coreógrafo britânico Wayne MacGregor para treinar uma IA para coreografar danças ^[10]). [O DALL-E 2 da OpenAI é outro exemplo incrível de IA generativa em artes];

Uma vantagem significativa que a IA tem sobre os humanos é impulsionada por plataformas de inovação empilhadas que podem ser dimensionadas rapidamente, em que grandes quantidades de dados em rede fornecem insights cada vez mais profundos por meio da detecção de sinais, interpretação de tendências e reconhecimento de padrões em escala e com dados não estruturados. Isso também permite que informações e conexões não intuitivas sejam descobertas por meio de ML, enquanto o NLP é eficaz para extração não estruturada.

Superioridade atual da IA na detecção e coleta, com escala ajudando na interpretação

A IA já supera a capacidade humana na detecção de tendências, reconhecimento de sinais e padrões para dados não estruturados em escala:

Uma empresa, a Blue Dot, usou NLP e ML para detectar o vírus COVID-19 antes do Centro de Controle de Doenças dos EUA.
Outra empresa, a Social Standards, vasculha o Instagram e o Twitter para detectar marcas e concorrentes locais emergentes antes que atinjam o pico de visibilidade.
A empresa de análise geoespacial Orbital Insight extrai imagens digitais para prever o rendimento das colheitas ou as taxas de construção de edifícios chineses.

Insights preditivos aprimorados por algoritmo impulsionam a tomada de decisões

Um passo além do suporte à decisão orientado por análises, a IA acelera simulações, avaliações e desenvolvimentos “infinitos”, reduzindo o custo de testes para realizar grandes descobertas de P&D e medicamentos:

Halicina foi o primeiro antibiótico descoberto usando IA. A IA encontrou moléculas que até ajudam a tratar cepas bacterianas anteriormente intratáveis.
O medicamento para TOC DSP-1181 é a primeira molécula de medicamento não produzida por humanos a entrar na fase 1 dos ensaios clínicos. Graças à inteligência de ML do DSP-1181, os pesquisadores concluíram em 1 ano o que normalmente levaria vários anos.

No futuro, a IA realizará tomadas de decisão estratégicas prescritivas e autônomas?

Atualmente, a IA é encarregada da assistência à decisão, não da tomada de decisões estratégicas autônomas. Porque? A situação é mais do que “complicada”.

Nem os humanos nem a IA acham que a tomada de decisões em situações complexas é o seu ponto forte. Usando o Cynefin Framework de Dave Snowden ^[6], o domínio complexo envolve incógnitas desconhecidas, onde não há respostas certas e é apenas retrospectivamente que se pode estabelecer causa e efeito. Portanto, se há consolo a ser encontrado no fraco desempenho da humanidade aqui, é que as máquinas atualmente não são capazes de fazer melhor (a zona de conforto da IA está no domínio complicado, onde há uma variedade de respostas certas, incógnitas conhecidas e causalidade pode ser analisado, então joga bem com os dados).

A maioria das aplicações de interpretação preditiva envolve um projeto conjunto (aumento) entre humanos e IA. Como a IA é exponencial, com o tempo o papel dos humanos pode diminuir em várias áreas.

Ao analisar a tendência de envolvimento da máquina, uma coisa fica clara: a IA está desempenhando um papel maior em cada etapa do processo de decisão. Está começando a dominar áreas que antes pensávamos serem importantes demais para serem confiadas a máquinas ou exigiam muito julgamento humano:

Em 2017, o software do J.P. Morgan completou 360.000 horas de trabalho de due diligence legal em segundos.
Apenas dois anos depois, no final de 2019, a Seal Software (adquirida no início de 2020 pela DocuSign) demonstrou um software que ajuda a automatizar o lado criativo do trabalho jurídico, sugerindo pontos de negociação e até preparando as próprias negociações.
A plataforma de ML proprietária da EQT Ventures, Motherbrain, fez mais de US$ 100 milhões em investimentos de empresas de portfólio monitorando mais de 10 milhões de empresas, seus algoritmos coletando dados de dezenas de fontes estruturadas e não estruturadas para identificar padrões.
Uma startup alemã chamada intuitive.ai fornece soluções de IA para promover decisões estratégicas de gerenciamento informadas, enquanto a startup 9Q.ai, sediada no Reino Unido, está desenvolvendo “Complex AI” para otimizar a tomada de decisões estratégicas com múltiplos objetivos em tempo real, inclusive para o setor de consultoria de gestão.

Como estamos vendo com a crise atual, a extensão das falhas internacionais na preparação (como ignorar completamente os avisos da própria inteligência dos EUA, de Bill Gates ou do Fórum Econômico Mundial) é apenas a ponta do iceberg em nossas falhas em respostas ao framework de resolução de problemas necessários. Portanto, atualmente, nem os humanos nem a IA têm um bom desempenho em sistemas complexos. E poucos líderes adotam o modelo experimental, que exige curiosidade, criatividade e diversas perspectivas para permitir o surgimento de padrões instrutivos imprevisíveis.

Estaremos à altura do desafio de tempos complexos acelerados, disruptivos e imprevisíveis? Porque a IA certamente continuará aprendendo – mesmo além do complicado – já que os algoritmos não dependerão mais apenas de uma série de respostas certas:

Matthew Cobb ^[11] fornece um exame detalhado sobre se nosso cérebro é um computador, abrangendo as visões de Gary Marcus (“Computadores são, em poucas palavras, arquiteturas sistemáticas que recebem entradas, codificam e manipulam informações e transformam suas entradas em saídas. Os cérebros são, até onde podemos dizer, exatamente isso.”) e os neurocientistas que consideram que, mesmo que isso fosse verdade, a “engenharia reversa” do cérebro pode não ser um dado adquirido.
A IA está se desenvolvendo rapidamente ao lidar com a complexidade com progresso em áreas-chave, como redes neurais artificiais (amplamente inspiradas em redes neurais biológicas que constituem cérebros e são boas em reconhecimento de padrões). Russell, em seus livros seminais sobre IA, reconhece as opiniões de vários filósofos que acreditam que a IA nunca terá sucesso enquanto expande como agentes inteligentes raciocinam logicamente com conhecimento, incluindo a tomada de decisões em ambientes incertos e a importância de redes neurais artificiais para gerar o conhecimento necessário para que os agentes inteligentes tenham os componentes necessários para tomar decisões ^[12].
É claro que existem limitações para o que a IA pode fazer hoje, em parte devido aos próprios dados, ainda mais em sistemas complexos (“Dados significam mais informações, mas também significam mais informações falsas” ^[13]). Em Black Swan^[14], Taleb adverte contra o uso indevido de big data, incluindo o “espelho retrovisor” (confirmação vs. causalidade), uma instância de raciocínio pobre à medida que a narrativa está sendo construída em torno dos dados que acabam com uma história mais clara do que a realidade empírica. Ele também sinaliza “evidência silenciosa”, pois não se pode confiar em observações experimentais para desenvolver uma conclusão válida (a possibilidade de dados ausentes, correlações espúrias e o risco de eventos não observados anteriormente têm um impacto tremendo).
No início deste ano, Ragnar Fjelland ^[15] escreveu “Por que a inteligência artificial geral não será realizada” e, embora reconheça os principais marcos na pesquisa de IA (incluindo o DeepMind AlphaGo no aprendizado de reforço profundo), sua visão é que os sistemas carecem de flexibilidade e encontram dificuldade de se adaptar às mudanças no ambiente. Como Taleb, ele se concentra na correlação e causalidade e na falta de compreensão da IA, uma grande limitação hoje.

À medida que a IA continua a se desenvolver, as máquinas podem se tornar cada vez mais legítimas na tomada de decisões estratégicas de forma autônoma, onde hoje os humanos têm vantagem. Se os humanos não conseguirem se tornar suficientemente AAA, as máquinas de aprendizado rápido poderão superar nossa capacidade. Elas não precisam atingir a inteligência artificial geral nem se tornar excepcionais no manuseio de sistemas complexos, precisam ser apenas melhores do que nós. [O lançamento recente do incrível ChatGPT da OpenAI conseguiu um milhão de usuários em 5 dias, pela facilidade e habilidade desta aplicação Web para responder questões e até mesmo código em linguagem de computador.]

Como os seres humanos podem permanecer relevantes

Para permanecer relevante, o ser humano deve se tornar cada vez mais antecipatório e antifrágil, com agilidade.

Antecipatório

Taleb ^[14] usa o famoso exemplo dos Cisnes Negros para descrever eventos imprevisíveis com grandes impactos. Em muitos casos, no entanto, a metáfora mais adequada é o Rinoceronte Cinzento ^[16].

Os eventos do Rinoceronte Cinzento são altamente prováveis e claros, mas ainda não respondemos. Talvez estejamos em negação ou passando a responsabilidade. Podemos diagnosticar o perigo sem entusiasmo… e então entrar em pânico quando é tarde demais. COVID-19 era um rinoceronte cinza.

A liderança de empresas, países e organizações geralmente não é pega de surpresa pelos Cisnes Negros, mas é incapaz ou não quer se preparar para os Rinocerontes Cinzentos. Saber distinguir seus Cisnes Negros de seus Rinocerontes Cinzentos é a chave para se tornar mais antecipado e parar de ser pisoteado. Além disso, a liderança deve:

Aprender a qualificar sinais flexíveis e interpretar os efeitos da próxima ordem da mudança, conectando os pontos de mudança com gatilhos de ação.
Ter cuidado ao confiar em riscos estatísticos que aceitaram um mundo estável e previsível.
Entender as ramificações da mudança exponencial (que se move “gradualmente e depois repentinamente”), pois o mundo não é uma evolução linear do passado. Lembre-se da lei de Amara: “Temos a tendência de superestimar o efeito de uma tecnologia no curto prazo e subestimar o efeito no longo prazo”.
Ter visão: mapear futuros plausíveis, com a agência para concretizar nossa opção futura preferida. Tanto a tomada de decisões estratégicas de curto quanto de longo prazo são necessárias simultaneamente hoje, priorizando a inovação, bem como a tentativa e erro.
Adotar uma análise “pré-morte” para identificar ameaças e fraquezas por meio da presunção hipotética de falha em um futuro próximo.

Antifrágil

Continuando com o framework Cynefin de Snowden, os sistemas complexos que estão sendo criados devem pelo menos ser resistentes a choques e mudanças, ou até mesmo se beneficiar deles, ou podemos encontrá-los esmagados.

Fazendo analogias com o Antifrágil de Taleb ^[5], os sistemas frágeis são danificados pela desordem. Eles recebem mais desvantagens do que vantagens dos choques. O endividamento excessivo é uma estratégia frágil. As recompras de ações também são, embora sejam comuns. A teoria financeira – baseada em um mundo estável e ordenado – diz a uma empresa para não acumular dinheiro, mas o dinheiro pode ser um salva-vidas em tempos imprevisíveis.

Os sistemas antifrágeis se fortalecem a partir da desordem. Os choques e erros os fazem fortalecer, não quebrar. O Vale do Silício, por exemplo, responde bem à pressão. Sua mentalidade experimental e fluida permite que eles encontrem rapidamente novas soluções. Eles inovam e evoluem, fortalecendo-se pela pressão da seleção natural.

Muitos de nossos sistemas econômicos e empresas são frágeis por terem seguido o “manual estratégico” estereotipado de otimização e hipereficiência em um mundo que presumiam ser linear e previsível. Quando choques ou caos ocorrem, eles se dobram. Se quisermos permanecer relevantes (ou seja, não ver nossa tomada de decisão estratégica ser substituída por máquinas), devemos criar ecossistemas sociais e econômicos inovadores em rede que se fortalecem sob estresse.

Ágil

Como Sue Siegel, da GE, disse em 2018: “O ritmo da mudança nunca será tão lento quanto hoje”, portanto, à medida que o mundo acelera exponencialmente, devemos desenvolver a agilidade:

Nossas organizações centralizadas e hierárquicas não são ágeis. A maioria se move lentamente, continuando nas mesmas ações que sempre realizou. Essas estratégias não respondem bem a circunstâncias em constante mudança.

Compreender melhor todo o sistema, dada a imprevisibilidade e interdependências das partes móveis onde o todo é mais do que a soma das partes.
Desenvolver comportamentos emergentes (amplificados ou atenuados para mover a pessoa na direção certa), experimentando e consertando para falhar rapidamente e permitir que surjam padrões instrutivos.
Aproveitar a liminaridade para a transformação: use os espaços liminares intermediários da incerteza para impulsionar a destruição criativa ^[17] e a inovação disruptiva ^[18].
Descentralizar, permitindo que redundâncias funcionais sejam usadas como substituições dentro de um ecossistema, substituindo falhas.
Aproveitar a curiosidade, a criatividade e as diversas perspectivas para ir na contramão, porque o conhecimento padrão de hoje nunca resolverá as surpresas de amanhã. A fertilização cruzada com perfis em forma de T que combinam profundo conhecimento com ampla experiência pode se mover naturalmente entre as disciplinas, criando novas combinações em um mundo onde os padrões são difíceis de interpretar e os generalistas florescem ^[19].

Devemos criar células enxutas e ágeis que ataquem os problemas influenciando independentemente os pontos de alavancagem para criar atratores para a emergência. Inspiradas na própria natureza, essas estratégias ágeis surgiram em todos os tipos de áreas, de startups enxutas a guerrilheiros.

Olhando para o futuro

Até agora, os humanos se destacaram na tomada de decisões, mas nossa vantagem comparativa pode não necessariamente continuar.

Nossas estruturas mentais atuais podem não ser versáteis o suficiente para navegar e gerenciar mudanças constantes e imprevisíveis à medida que a IA evolui rapidamente, inclusive no campo da Emotion AI (também conhecida como Computação Afetiva ou Inteligência Emocional Artificial), onde startups como a Affectiva reconhecem, interpretam, simulam e reagem à emoção humana.

À medida que o mundo e seus sistemas se tornam mais complexos, há várias opções para o futuro da tomada de decisões estratégicas, incluindo:

Os seres humanos são capazes de se adaptar e melhorar nossa tomada de decisão – tornando-se mais AAA – para que possamos continuar agregando valor ao fazer parceria com máquinas. Aqui, a IA está fornecendo insights para aumentar e tomar decisões mais informadas, descobrir novas oportunidades sem necessariamente substituir os humanos.
Os humanos falham em se adaptar ao nosso mundo cada vez mais complexo, encontrando-se, em vez disso, marginalizados ou substituídos no processo-chave de tomada de decisão, que poderia estar totalmente fora de nossas mãos.

Pode haver virtudes em um futuro em que sejamos liberados não apenas das tarefas repetitivas mais mundanas, mas também das pressões e responsabilidades da tomada de decisão. No entanto, isso levanta a questão da escolha: decidimos proativamente sobre nossa posição na cadeia de valor ou nos vemos sendo impostos em um determinado local.

Em última análise, é uma questão existencialista em torno da agência, pois a pressão evolutiva dita que os melhores tomadores de decisão serão os que sobreviverem. Se não redesenharmos fundamentalmente nossa educação e estruturas estratégicas para criar mais líderes AAA, poderemos ver essa escolha feita por nós.

A alternativa distópica: do C-Suite ao A-Suite?

Eu preferiria um mundo onde as decisões humanas continuassem a impulsionar nossa espécie, onde consideramos o que é preciso para ter mais chances de construir este mundo. Se não o fizermos, nosso atual C-suite de líderes pode ser substituído por um A-suite (de algoritmos).

Usando o modelo de três horizontes de Curry e Hodgson ^[20], nossos futuros possíveis são:

Agora: nosso presente incorporado com “bolsos de futuro”.
Hyper-Augmentation: a tomada de decisão preditiva aumentada por algoritmo inteligente é combinada com nossos humanos AAA, criando uma parceria simbiótica homem-máquina.
Futuro da IA: a IA prescritiva avalia autonomamente o leque de opções potenciais (consequências, retornos…), avaliando decisões preferenciais com base em retornos otimizados (qualidade dos resultados, velocidade, custo, risco…) sem necessariamente ter envolvimento humano.

Este terceiro horizonte do futuro da IA abre caminho para novos modelos prescritivos de tomada de decisão:

Organizações Autônomas Descentralizadas (DAO): coletivos auto-organizados determinam e executam contratos inteligentes, capacitando a cooperação automatizada sem atrito em um nível coletivo. Armado com dados inteligentes, insights de análises e recursos preditivos de ML, o DAO toma decisões otimizadas.
Swarm AI: grupos infinitos aumentam sua inteligência formando enxames em tempo real.

Adotar o AAA pode garantir mais agência sobre nossos futuros. Quanto mais esperarmos, maior o risco de sermos levados adiante na cadeia de valor do que nosso futuro preferido teria previsto.

Sobre o autor

Roger Spitz é o fundador e CEO da Techistential (Foresight Strategy & Futures Intelligence) e presidente fundador do Disruptive Futures Institute. É consultor e palestrante sobre Inteligência Artificial. Roger tem duas décadas liderando negócios de banco de investimento, como chefe de fusões e aquisições de tecnologia, ele aconselhou CEOs, fundadores, conselhos, acionistas e tomadores de decisão de empresas em todo o mundo.

Concluindo

A Inteligência Artificial é uma fantástica criação humana, porém será necessário sabedoria em sua governança.

Se gostou, por favor, compartilhe. Sobre mim: aqui. Contato: aqui. Um abraço, @neigrando

Referências

[1] Spitz, R. (2020, March 17). Innovation starts when you fall off the edge of the playground. MIT Technology Review. https://insights.techreview.com/innovation-starts-when-you-fall-off-the-edge-of-the-playground/

[2] Wiesen, C. (2020, May 14). Anticipatory, Adaptive and Agile Governance is key to the response to COVID-19. UNDP. https://www.asia-pacific.undp.org/content/rbap/en/home/presscenter/articles/2020/anticipatory–adaptive-and-agile-governance-is-key-to-the-respon.html

[3] Ramos, J., Uusikyla, I., & Tuan Luong, N. (2020, April 3). Triple-A Governance: Anticipatory, Agile and Adaptive. Journal of Futures Studies. https://jfsdigital.org/2020/04/03/triple-a-governance-anticipatory-agile-and-adaptive/

[4] Hawking, S. (2000, January 23). Interview. San Jose Mercury News.

[5] Taleb, N. N. (2012). Incerto: Vol. 4. Antifragile: Things That Gain From Disorder. Random House.

[6] Snowden, D. J., & Boone, M. E. (2007). A leader’s framework for decision making. Harvard Business Review, (November).

[7] Anderson, J., Cohn, S., & Rainie, L. (2018, December 10). Artificial intelligence and the future of humans. Pew Research Center.

[8] Boid, John. (1995). Developed by USAF colonel and military strategic.

[9] Barabba, V. P. (2011). The Decision Loom: A Design for Interactive Decision-making in Organizations. Triarchy Press.

[10] Leprince-Ringuet, D. (2018, December 17). Google’s latest experiment teaches AI to dance like a human. Wired, UK. https://www.wired.co.uk/article/google-ai-wayne-mcgregor-dance-choreography

[11] Cobb, M. (2020). The idea of the brain: The past and future of neuroscience. Basic Books.

[12] Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Prentice Hall.

[13] Taleb, N. N. (2013, February 8). Beware the Big Errors of ‘Big Data’. https://www.wired.com/2013/02/big-data-means-big-errors-people/

[14] Taleb, N. N. (2007). Incerto: Vol. 2. The Black Swan: The Impact of the Highly Improbable. Random House.

[15] Fjelland, R. (2020). Why general artificial intelligence will not be realized. Humanities & Social Sciences Communications, (10), 1-9. https://doi.org/10.1057/s41599-020-0494-4

[16] Wucker, M. (2016). The Gray Rhino: how to recognize and act on the obvious dangers we ignore. St Martin’s Press.

[17] Schumpeter, J. A. (1942). Capitalism, Socialism and Democracy. Harper & Brothers.

[18] Christensen, C. (1997). The Innovator’s Dilemma. Harvard Business Review Press.

[19] Epstein, D. (2019). RANGE: Why generalists triumph in a specialized world. Macmillan.

[20] Curry, A., & Hodgson, A. (2008). Seeing in multiple horizons: Connecting futures to strategy. Journal of Futures Studies, 13(1), 1-20.

Como é a Tomada de Decisão orientada pela IA

Dando sequência a série de artigos que decidi compartilhar sobre a importância do uso da Inteligência Artificial (IA) na transformação digital das organizações, preparei este post com base em um conteúdo que acho extremamente relevante sobre o tema. As informações que seguem consideram a importância do uso dos dados abundantes que atualmente temos disponíveis (Big Data) para que os líderes e gestores das organizações possam tomar decisões de qualidade que vão além de poucas variáveis e a intuição, bem como o uso do poder da IA como parceira nessas questões estratégicas e táticas, pois como vimos em artigos anteriores, nas questões operacionais ela pode até decidir por si só.

Um número mais que considerável de empresas se adaptaram a uma abordagem “orientada a dados” para a tomada de decisões operacionais. Os dados podem melhorar as decisões, mas requer o processador certo para obter o máximo destes dados. Aqui, a maioria das pessoas ainda assumem que o processador é humano, onde o termo “orientado a dados” implica até que os dados sejam selecionados e resumidos para as pessoas processarem.

Mas, para alavancar totalmente o valor contido nos dados, as empresas precisam trazer a Inteligência Artificial (IA) para seus fluxos de trabalho e, às vezes, até mesmo, tirar os humanos do caminho, precisamos evoluir de fluxos de trabalho orientados a dados para orientados por IA.

A distinção entre “orientado a dados” e “orientado a IA” não é apenas semântica. Cada termo reflete ativos diferentes, o primeiro com foco em dados e o segundo com capacidade de processamento. Os dados contêm os insights que podem permitir melhores decisões; o processamento é a maneira de extrair essas ideias e executar ações. Humanos e IA são processadores, com habilidades muito diferentes. Para entender a melhor forma de alavancar cada um, é útil revisar nossa própria evolução biológica e como a tomada de decisões evoluiu na indústria.

Entre cinquenta a setenta e cinco anos atrás, o julgamento humano era o processador central da tomada de decisões de negócios. Os profissionais confiaram em suas intuições altamente ajustadas, desenvolvidas a partir de anos de experiência e uma quantidade relativamente pequena de dados em seu domínio, para, por exemplo, escolher as ideias criativas certas para uma campanha publicitária, determinar os níveis de estoque certos para estocar ou aprovar os investimentos financeiros certos. A experiência e o instinto eram a maior parte do que estava disponível para discernir o bem do mal, o alto do baixo e o arriscado versus o seguro.

Talvez fosse humano demais. Nossas intuições estão longe de serem os instrumentos ideais para a tomada de decisão. Nossos cérebros são infligidos por muitos vieses cognitivos que prejudicam nosso julgamento de maneiras previsíveis. Este é o resultado de centenas de milhares de anos de evolução em que, como primeiros caçadores-coletores, desenvolvemos um sistema de raciocínio que se baseia em heurísticas simples – atalhos ou regras práticas que contornam o alto custo do processamento de muitas informações. Isso permitiu decisões rápidas (intuitivas), quase inconscientes, para nos livrar de situações potencialmente perigosas. No entanto, “rápido e quase inconsciente” nem sempre significava o ideal ou mesmo a precisão.

Imagine um grupo de nossos ancestrais caçadores-coletores amontoados em volta de uma fogueira quando um arbusto próximo sussurra de repente. É necessário tomar uma decisão do tipo “rápido e quase inconsciente”: concluir que é um predador perigoso e fugir, ou solicitar mais informações para ver se é uma presa em potencial – digamos, um coelho que possa fornecer nutrientes ricos. Nossos ancestrais mais impulsivos – aqueles que decidiram fugir – sobreviveram a uma taxa mais alta do que seus pares mais curiosos. O custo do voo e a perda de um coelho era muito menor do que o custo de ficar por perto e arriscar perder a vida para um predador. Com tal assimetria nos resultados, a evolução favorece a característica que leva a consequências menos dispendiosas, mesmo com o sacrifício da precisão. Portanto, a característica de tomada de decisão mais impulsiva e menos processamento de informações se tornou predominante na população descendente.

No contexto moderno, as heurísticas de sobrevivência tornam-se inúmeros vieses cognitivos pré-carregados em nossos cérebros herdados. Esses vieses influenciam nosso julgamento e tomada de decisão de maneiras que se afastam da objetividade racional. Damos mais peso do que deveríamos a eventos vívidos ou recentes. Classificamos grosseiramente os sujeitos com estereótipos amplos que não explicam suficientemente suas diferenças. Ancoramos na experiência anterior, mesmo quando é completamente irrelevante. Tendemos a invocar explicações ilusórias para eventos que são realmente apenas ruídos aleatórios. Essas são apenas algumas das dezenas de maneiras pelas quais o viés cognitivo atormenta o julgamento humano e, por muitas décadas, foi o processador central da tomada de decisões de negócios. Agora sabemos que confiar apenas na intuição humana é ineficiente, caprichoso, falível e limita a capacidade da organização.

Tomada de decisão com suporte de dados

Graças então, pelos dados. Os dispositivos conectados agora capturam volumes impensáveis de dados: toda transação, todo gesto do cliente, todo indicador micro e macroeconômico, todas as informações que podem fundamentar melhores decisões. Em resposta a esse novo ambiente rico em dados, adaptamos nossos fluxos de trabalho. Os departamentos de TI dão suporte ao fluxo de informações usando máquinas (bancos de dados, sistemas de arquivos distribuídos e similares) para reduzir os volumes incontroláveis de dados em resumos digeríveis para consumo humano. Os resumos são posteriormente processados por humanos, usando ferramentas como planilhas, painéis e aplicativos de análise. Eventualmente, os dados altamente processados e agora gerenciáveis e pequenos são apresentados para a tomada de decisões. Este é o fluxo de trabalho “orientado a dados”. O julgamento humano ainda é o processador central, mas agora usa dados resumidos como uma nova entrada.

Embora seja indubitavelmente melhor do que confiar apenas na intuição, os humanos que desempenham o papel de processador central ainda criam várias limitações.

Não aproveitamos todos os dados. Os dados resumidos podem ocultar muitas das ideias, relacionamentos e padrões contidos no conjunto de dados original (grande). A redução de dados é necessária para acomodar a taxa de transferência de processadores humanos. Por mais que sejamos adeptos de digerir nosso ambiente, processando sem esforço grandes quantidades de informações ambientais, somos notavelmente limitados quando se trata de processar os dados estruturados manifestados como milhões ou bilhões de registros. A mente pode lidar com números de vendas e preço médio de venda acumulado até um nível regional. Ele entra em conflito ou é encerrado quando você começa a pensar na distribuição completa de valores e, crucialmente, nos relacionamentos entre elementos de dados – informações perdidas em resumos agregados, mas importantes para a tomada de decisões. (Isso não é para sugerir que os resumos de dados não sejam úteis. Com certeza, eles são ótimos, fornecendo visibilidade básica dos negócios. Mas fornecerão pouco valor para o uso na tomada de decisões. Muito se perde na preparação para seres humanos.) Em outros casos, os dados resumidos podem ser totalmente enganosos. Fatores de confusão podem dar a aparência de um relacionamento positivo quando, na verdade, é o contrário. E uma vez que os dados são agregados, pode ser impossível recuperar os fatores contribuintes para controlá-los adequadamente. (A melhor prática é usar ensaios clínicos randomizados, ou seja, testes A/B. Sem essa prática, mesmo a IA pode não ser capaz de controlar adequadamente fatores de confusão.) Em resumo, usando humanos como processadores centrais de dados, ainda precisamos de negociação para contornar o alto custo do processamento de dados humanos.
Os dados não são suficientes para nos isolar do viés cognitivo. Os resumos de dados são dirigidos por seres humanos de uma maneira que é propensa a todos esses preconceitos cognitivos. Dirigimos a sumarização de uma maneira que é intuitiva para nós. Pedimos que os dados sejam agregados aos segmentos que consideramos serem arquétipos representativos. No entanto, temos essa tendência de classificar de forma grosseira os sujeitos que apresentam estereótipos amplos que não explicam suficientemente suas diferenças. Por exemplo, podemos acumular os dados em atributos como geografia, mesmo quando não há diferença discernível no comportamento entre as regiões. Os resumos também podem ser considerados como um “grão grosso” dos dados. É uma aproximação mais áspera dos dados. Por exemplo, um atributo como geografia precisa ser mantido em um nível de região onde há relativamente poucos valores (ou seja, “leste” versus “oeste”). O que importa pode ser melhor do que isso – cidade, CEP e até dados no nível da rua. É mais difícil agregar e resumir para o cérebro humano processar. Também preferimos relacionamentos simples entre elementos. Nós tendemos a pensar nos relacionamentos como lineares porque é mais fácil para nós processarmos. A relação entre preço e vendas, penetração no mercado e taxa de conversão, risco de crédito e receita – tudo é assumido linear mesmo quando os dados sugerem o contrário. Até gostamos de inventar explicações elaboradas para tendências e variações de dados, mesmo quando elas são explicadas de forma mais adequada por variações naturais ou aleatórias.

Infelizmente, estamos acomodando nossos vieses quando processamos os dados.

Trazendo a IA para o fluxo de trabalho

Precisamos evoluir ainda mais e trazer a IA para o fluxo de trabalho como um processador primário de dados. Para decisões de rotina que dependem apenas de dados estruturados, é melhor delegar as decisões à IA. A IA é menos propensa ao viés cognitivo humano. (Existe um risco muito real de usar dados tendenciosos que podem fazer com que a IA encontre relações ilusórias que são injustas. É necessário entender como os dados são gerados, além de como são usados.) A IA pode ser treinada para encontrar segmentos na população que melhor explica a variação nos níveis de finos de granularidade, mesmo que não sejam intuitivos para nossas percepções humanas. A IA não tem problemas em lidar com milhares ou até milhões de agrupamentos. E a IA é mais do que confortável em trabalhar com relacionamentos não lineares, sejam eles exponenciais, leis de potência, séries geométricas, distribuições binomiais ou outras.

Esse fluxo de trabalho aproveita melhor as informações contidas nos dados e é mais consistente e objetivo em suas decisões. Ele pode determinar melhor qual anúncio criativo é mais eficaz, os níveis ideais de inventário a serem definidos ou quais investimentos financeiros serão feitos.

Embora os humanos sejam removidos desse fluxo de trabalho, é importante observar que a mera automação não é o objetivo de um fluxo de trabalho orientado por IA. Claro, isso pode reduzir custos, mas isso é apenas um benefício incremental. O valor da IA é tomar decisões melhores do que o que os humanos sozinhos podem fazer. Isso cria uma melhoria gradual na eficiência e permite novos recursos.

Aproveitando os processadores IA e Humanos no fluxo de trabalho

Remover humanos de fluxos de trabalho que envolvem apenas o processamento de dados da estrutura não significa que eles sejam obsoletos. Existem muitas decisões de negócios que dependem mais do que apenas dados estruturados. Declarações de visão, estratégias da empresa, valores corporativos, dinâmica de mercado são exemplos de informações disponíveis apenas em nossas mentes e transmitidas através da cultura e de outras formas de comunicação não digital. Essas informações são inacessíveis à IA e extremamente relevantes para as decisões de negócios.

Por exemplo, a IA pode determinar objetivamente os níveis de estoque corretos para maximizar os lucros. No entanto, em um ambiente competitivo, uma empresa pode optar por níveis mais altos de estoque, a fim de proporcionar uma melhor experiência ao cliente, mesmo à custa dos lucros. Em outros casos, a IA pode determinar que investir mais dinheiro em marketing terá o maior ROI entre as opções disponíveis para a empresa. No entanto, uma empresa pode optar por moderar o crescimento para manter os padrões de qualidade. As informações adicionais disponíveis para os seres humanos na forma ou estratégia, valores e condições de mercado podem merecer um afastamento da racionalidade objetiva da IA. Nesses casos, a IA pode ser usada para gerar possibilidades das quais os humanos podem escolher a melhor alternativa, dadas as informações adicionais às quais têm acesso. A ordem de execução desses fluxos de trabalho é específica do caso. Às vezes, a IA é a primeira a reduzir a carga de trabalho em humanos. Em outros casos, o julgamento humano pode ser usado como entrada para o processamento da IA. Em outros casos ainda, pode haver iteração entre a IA e o processamento humano.

A chave é que os humanos não estão interagindo diretamente com os dados, mas com as possibilidades produzidas pelo processamento dos dados pela IA. Valores, estratégia e cultura são a nossa maneira de conciliar nossas decisões com racionalidade objetiva. É melhor fazer isso explicitamente e totalmente informado. Ao alavancar a IA e os seres humanos, podemos tomar melhores decisões do que usar apenas uma delas.

A próxima fase da nossa evolução

Passar de orientado a dados para orientado a IA é a próxima fase de nossa evolução. Adotar a IA em nossos fluxos de trabalho permite um melhor processamento de dados estruturados e possibilita que humanos contribuam de maneiras complementares.

É improvável que essa evolução ocorra dentro da organização individual, assim como a evolução por seleção natural não ocorre dentro dos indivíduos. Pelo contrário, é um processo de seleção que opera em uma população. As organizações mais eficientes sobreviverão a taxas mais altas. Como é difícil para empresas maduras se adaptarem às mudanças no ambiente, suspeito que veremos o surgimento de novas empresas que adotam contribuições de IA e humanas desde o início e as incorporam nativamente em seus fluxos de trabalho.

Para uma visão mais ampla sobre IA, não deixe de ver os artigos relacionados abaixo.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência:

What AI-Driven Decision Making Looks Like, by Eric Colson, Harvard Business Review, 2019.

Delegação da Decisão: Humana e, ou, IA

Um dos pontos fortes da Inteligência Artificial (IA) e seus algoritmos de aprendizado de máquina, aprendizagem profunda, aprendizagem por reforço e outros, é o de apoiar e facilitar a tomada de decisão pelos humanos (decision support systems – DSS) e até mesmo, em alguns casos decidir por si só. Dando sequência aos artigos que postei anteriormente sobre este tema, nesse post, resumo as diversas formas de delegação da tomada de decisão quando a IA está envolvida.

1 – Delegação total da Tomada de Decisão para IA

Os sistemas de recomendação, por exemplo, podem ser projetados para melhorar a si mesmos sem a compreensão de um designer humano do mecanismo subjacente à melhoria. O uso de grandes quantidades de dados em interações granulares do usuário e feedback instantâneo do usuário das plataformas digitais permite que os algoritmos de IA aprendam o comportamento do usuário, de modo que a eficiência e a precisão da tomada de decisão aumentem com o tempo.

Casos de recomendações de produtos da Amazon e de vídeo streaming do Youtube e Netflix

Observação: Nestes três casos: o Nível de Tomada de Decisão é operacional.

2 – Delegação de TD sequencial híbrida

2.1 De IA para Humana

Os concursos de inovação via crowdsourcing, por exemplo, permitem que as empresas envolvam grandes grupos de indivíduos de fora da empresa na busca de soluções para seus problemas. Ao formular um problema e transmiti-lo para a multidão, as empresas podem atrair um conjunto diversificado de soluções.

Ao fazer isso, o custo da solução de problemas muda da geração de soluções para a avaliação e seleção de soluções. Peneirar um grande conjunto de soluções é entediante, demorado e dispendioso. O uso da IA para categorizar soluções, diferenciar entre várias alternativas e sugerir um conjunto de alternativas mais restrito permite que os tomadores de decisão humanos avaliem as soluções com mais eficiência. Além disso, para cada decisão, o algoritmo pode ser configurado para calcular e informar o nível de confiança de suas sugestões.

Observação: Nestes concursos: o Nível de Tomada de Decisão é operacional.

2.2 De Humana para IA

Billy Beane, gerente do time de beisebol profissional Oakland Athletics, adotou essa estrutura de tomada de decisão para escolher seus jogadores.

Os gerentes de times de beisebol tradicionalmente confiam na experiência pessoal, no instinto e no conhecimento de olheiros e agentes profissionais ao escolher jogadores.

Billy Beane adotou uma abordagem orientada a dados e aplicou o poder preditivo dos algoritmos para ajudar na tomada de decisões, primeiro selecionando um pequeno conjunto de jogadores potencialmente adequados e, posteriormente, verificando esses candidatos usando grandes quantidades de dados granulares de desempenho e previsão algorítmica. Essa abordagem se tornou tão bem-sucedida que logo foi adotada em outras equipes e esportes, crescendo em um campo agora conhecido como Análise Esportiva.

Observação: No Exemplo da Oakland: O Nível de Tomada de Decisão é tático.

3 – Delegação de Agregação Humana-IA

Um cenário em que a agregação pode ser útil diz respeito a decisões tomadas por comitês de investimento.

Considere, por exemplo, a Deep Knowledge Ventures (DKV), uma empresa de capital de risco com sede em Hong Kong, focada em medicamentos para doenças relacionadas à idade e em empreendimentos de medicina regenerativa.

A DKV nomeou formalmente um algoritmo chamado VITAL (Validating Investment Tool for Advancing Life Sciences) em seu conselho. Como sexto membro do conselho, VITAL recebeu o direito de votar nas decisões de investimento. Diferentemente dos membros humanos do conselho, a VITAL baseia suas decisões em uma análise computacional de vastas quantidades de dados que cobrem o financiamento de empresas de investimento em potencial, ensaios clínicos, propriedade intelectual e financiamento anterior.

Essa análise envolve observar e identificar o papel de centenas de variáveis e suas interações nos resultados do investimento e pode capturar elementos do espaço de decisão que provavelmente serão ignorados pelos seres humanos. Como exemplo, Dmitry Kaminsky, sócio-gerente da DKV, sugere que a VITAL desempenhou um papel importante ao ajudar o conselho da DKV a evitar decisões irracionais de investimento em projetos “superestimados”.

Observação: No exemplo da DKV: O Nível de Tomada de Decisão é estratégico.

Considerações finais

Cada vez mais a tecnologia, em especial a Inteligência Artificial tem ajudado as empresas na implementação de suas estratégias de transformação digital, indústria 4.0, sociedade 5.0, principalmente no apoio e na tomada de decisões fundamentais para os negócios.

Para uma visão mais ampla sobre o tema, não deixe de ver os artigos relacionados abaixo.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência:

Com base em estudo, tradução e resumo do artigo “Organizational Decision-Making Structures in the Age of Artificial Intelligence” por Yash Raj Shrestha, Shiko M. Ben-Menahem, e Georg von Krogh. California Management Review, 2019.

Blog do Nei