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:

  1. Detectar e coletar inteligência.
  2. Interpretar as informações.
  3. 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:

  1. 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.
  2. 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.

Artigos relacionados

Data Driven Marketing

Recentemente tive o privilégio de participar como um dos autores do livro “Trends MKT na Era Digital: o Futuro do Marketing“, com o capítulo 4 sobre Data Driven Marketing, organizado por Martha Grabriel, Rafael Kiso e Luciano Kalil. E ainda este mês aceitei o convite da minha amiga Martha para ministrar uma palestra sobre este tema no evento Digitalks Executive que aconteceu presencialmente no auditório da Unibes Cultural em São Paulo e que foi simultaneamente transmitido online, aberto para todos os interessados. Neste post quero fornecer alguns insigths introdutórios esperando contribuir com todos os que estudam ou praticam marketing digital em agências e em empresas.

Introdução

Em 2021 dos quase 20 bilhões foram investidos em publicidade no Brasil pelas grandes agências, 33,5% foram em mídias digitais. Percentual maior que os 26,7% de 2020. Ou seja, o marketing digital cresceu consideravelmente desde seu início de atuação, quando muitas destas agências quase não acreditavam no seu poder.

A evolução do marketing digital

Esta linha do tempo que segue, mostra claramente a evolução do marketing digital e tecnologias relacionadas, ele acompanhou a mudança do comportamento do consumidor e sua relação com as mídias e as marcas. A realidade é que a concorrência aumentou, o consumidor ficou mais exigente e o marketing precisou evoluir para atendê-lo melhor em sua jornada e experiência de consumo.

A evolução dos sistemas de marketing

A partir de 2003 (nos estados unidos e poucos anos depois por outros países, que incluem o Brasil), o marketing digital começou com o envio de e-mails e SMS em lote.

A partir de 2007 surgiram os canais digitais, ou seja, a Web, seguido das Mídias sociais e Mobile, cujo foco do marketing era a personalização.

Em 2010 iniciou uma visão unificada mapeando a jornada do cliente com foco numa análise preditiva, ou seja, mais orientada a dados.

A partir de 2013 a experiência do cliente ganhou relevância, com uma visão omnicanal, buscando maior interação com o cliente.

E de 2016 para cá a orientação a dados, junto com a inteligência artificial possibilitou um engajamento em tempo real, com chatbots, notificações via Apps e outros recursos que permitiram um marketing mais ágil e iterativo, com melhor relação causa-efeito, ROI mais preciso, menos desperdício de chumbo nas campanhas, e como consequência clientes mais satisfeitos e engajados.

O diagrama que segue mostra esta evolução.

Mas afinal o que é data driven marketing?

Data Driven Marketing (DDM), ou Marketing orientado a dados, consiste no uso de estratégias e táticas de marketing, obtidos a partir de insights baseados em grande volume e/ou variedade de dados de consumidores e do mercado, coletados a partir de diversas origens e formatos e analisados apropriadamente via algoritmos adequados.

O desafio de alta complexidade do data driven aos profissionais de marketing tem o potencial incrível de: alcançar o usuário certo, na hora certa, com a mensagem certa, no lugar certo e motivá-lo para uma ação adequada.

Além disso, o DDM fornece ao gestor melhor atribuição de causa-efeito dos resultados das campanhas publicitárias.

A distância entre o desejo e a capacidade de ter um DDM

Uma pesquisa recente da Leap (KPMG & Distrito) aponta que 98% dos executivos brasileiros consideram o uso de dados uma ferramenta essencial para o setor de marketing de crescimento.

Porém vemos que ainda há uma lacuna entre desejo e capacidade, pois ao consultar nas estatísticas de registro.br o número de domínios Internet registrados até 21 de junho de 2022 no Brasil, obtivemos 4.965.192 (aproximadamente 5 milhões). Por outro lado, ao consultar o número de sites que tem o google analytics instalado e operante nesta mesma data, obtivemos apenas 847.681 sites (menos de 1 milhão), ou seja, temos apenas aproximadamente 17% das organizações brasileiras com domínio registrado usando o Google Analytics atualmente. Usou-se o Google Analytis para comparação por saber-se que se trata de uma ferramenta básica, utilizada pela maioria dos profissionais de marketing digital que acompanham as estatísticas (métricas) de acesso e uso dos sites que acompanham. Comparações similares poderiam ser feitas com ferramentas focadas em análises de perfis de mídia social e mobile das empresas.

Além disso, temos uma diferença crescente no tempo entre a coleta de dados e o entendimento sobre eles nas organizações. Nos dois gráficos da imagem que segue, podemos ver claramente esta diferenças. A esquerda vemos uma grande lacuna, cada vez maior na linha do tempo em empresas típicas, e a direita vemos que organizações orientadas a dados e IA, com maior entendimento e por consequência maior e melhor uso dos dados em suas decisões organizacionais.

Marketing tradicional versus orientado a dados

Nas empresas tradicionais os poucos critérios de segmentação usados, geralmente demográficos, são selecionados pelos gestores com base em opinião e dados superficiais.

Em DDM, os critérios de segmentação são muitos, derivados de inteligência baseada em dados, podendo ser qualquer comportamento, característica ou interação, desde que indique um segmento com semelhanças comportamentais específicas e seja preditivo nos resultados. A classificação e priorização dos clientes ocorre em tempo real.

As diferenças podem ser melhor vistas nas linhas e colunas da tabela que segue.

Benefícios e desafios do DDM

Entre os benefícios destaca-se:

  1. Personalização (melhores campanhas e CX)
  2. Clareza (mais e melhores dados e entendimento sobre os clientes)
  3. Experiência do cliente
  4. Experiência multicanal (facilitada pela integração dos dados dos canais)
  5. Integração com vendas e TI (colaboração)
  6. Desenvolvimento de produto (entendendo melhor o cliente e suas necessidades)
  7. Facilitação de testes A/B

E como desafios destaca-se:

  1. Equipe (mentalidade e habilidades data driven, treinamento no uso de plataformas e ferramentas, conexão com cientistas e engenheiros de dados, …)
  2. Compromisso (de todo o pessoal de Marketing em todos os níveis)
  3. Integração (dados integrados de alta qualidade)
  4. Disponibilidade de Dados (nem sempre facilmente acessíveis, principalmente em B2B)
  5. Ferramentas e Plataformas adequadas

Aplicações de IA de uso no marketing

Dados são fundamentais para aplicações que se utilizam de algoritmos de aprendizado de máquina (machine learning), aprendizado profundo (deep learning) e outros facilitadores da inteligência artificial (IA) treinados para gerar modelos que são testados. Estes modelos permitem que as aplicações processem novos dados realizando classificações, agrupamentos, predições, etc. Segue uma lista das aplicações mais comuns de DDM que se utilizam da IA no marketing:

  • Chatbots para desenvolvimento de leads, suporte ao cliente e venda cruzada ou upselling.
  • Análise e encaminhamento de chamadas de entrada (inbound call).
  • Comentários do cliente e análise, classificação e resposta de e-mail.
  • Automação de campanha de marketing (incluindo e-mails, geração de página de destino e segmentação de clientes).
  • Análise do mix de marketing.
  • Merchandising de produtos on-line.
  • Precificação
  • Recomendações de produtos ou serviços e ofertas altamente personalizadas.
  • Compra de anúncios digitais programáticos.
  • Pontuação de leads de vendas.
  • Planejamento, compra e execução em mídia social.
  • Análise de sentimento na mídia social.
  • Posicionamento de anúncio de televisão (parcial).
  • Geração de narrativa de análise da web.
  • Operação e otimização do site (incluindo testes A/B e outros).

Considerações finais

O marketing tradicional evoluiu para incluir o digital e ampliar os canais para atender os usuários, clientes e consumidores de forma mais interativa e personalizada. O marketing digital evoluiu para orientado a dados, incluindo as estratégias, técnicas, plataformas e ferramentas, além é claro de pessoas habilitadas para fazer o trabalho com mais agilidade, precisão e métricas. Isso permitiu aos gestores de marketing gerenciarem melhor e explicarem melhor os resultados mais bem sucedidos obtidos em suas campanhas publicitarias. Para conseguir isso é preciso criar uma cultura corporativa e mentalidade de gestão orientada a dados.

Autor

Nei Grando – diretor executivo da STRATEGIUS, é consultor e palestrante em estratégia, inovação, transformação digital, organizações exponenciais e cidades inteligentes; pesquisador em inteligência artificial; conselheiro de empresas e mentor de startups. Autor do blog neigrando.com – Mestre em ciências pela FEA-USP, graduado em TI pela UEM, com MBA em Administração pela FGV e cursos de extensão em Estratégia e Gestão do Conhecimento (FGV) e Inovação e Redes Sociais (ESPM). Teve duas empresas de software e soluções de TI, onde conduziu o desenvolvimento de portais e plataformas digitais de negócios, internet-banking, home broker, CRM, GED, GC e outros. É o organizador e um dos autores do livro “Empreendedorismo inovador”, e autor em outros três. Como professor, ministrou as disciplinas de “Strategic Thinking” e “Planejamento Estratégico” em curso MBA da FIAP, “Intelligence Driven Decision” e “Fundamentos de Inteligência Artificial” em curso MBA da ESPM e como prof. convidado, no curso “Laboratório de Startups” do CIC-ESPM. .

Referências

  • Capítulo 4 do livro “Trends MKT na Era Digital: o Futuro do Marketing“.
  • Estudos do autor para a disciplina Fundamentos de Inteligência Artificial da ESPM.
  • Estudos do autor para a palestra ministrada no evento Digitalks Executive.

Artigos relacionados

Planejando a Inteligência Artificial em Marketing

As empresas devem adotar decisões mais automatizadas sempre que possível. É aqui que se encontram os maiores retornos do marketing de IA.”

Mais um post sobre Inteligência Artificial (IA) aplicada aos negócios, desta vez com foco em Marketing, fornecendo um framework que facilita o entendimento do planejamento aos gestores de marketing e outros interessados em IA.

Os diretores de marketing estão adotando cada vez mais a Inteligência Artificial:

  • Uma análise de 2018 da McKinsey de mais de 400 casos de uso avançados mostrou que o marketing era o domínio em que a IA contribuiria com o maior valor.
  • Uma pesquisa de agosto de 2019 da American Marketing Association revelou que a implementação de IA havia aumentado 27% no ano e meio anterior.
  • E uma pesquisa global da Deloitte em 2020 com os primeiros a adotar a IA mostrou que três dos cinco principais objetivos da IA eram orientados para o mercado: aprimorar produtos e serviços existentes, criar novos produtos e serviços e aprimorar os relacionamentos com os clientes.

Muitas empresas agora usam IA para lidar com tarefas restritas, como:

  • publicação de anúncios digitais (também conhecido como “compra programática”);
  • auxiliar em tarefas amplas, como aumentar a precisão das previsões (pense nas previsões de vendas); e
  • aumentar os esforços humanos em tarefas estruturadas, como atendimento ao cliente.

As empresas também empregam IA em todas as fases da jornada do cliente

Quando os clientes em potencial estão na fase de “consideração” e pesquisando um produto, a IA direcionará os anúncios para eles e pode ajudar a orientá-los na pesquisa.

Vê-se isso acontecer no varejista online de móveis Wayfair, que usa IA para determinar quais clientes têm maior probabilidade de ser persuadidos e, com base em seus históricos de navegação, escolhe produtos para mostrá-los.

E bots habilitados para IA de empresas como a Vee24 podem ajudar os profissionais de marketing a entender as necessidades dos clientes, aumentar seu envolvimento em uma pesquisa, empurrá-los na direção desejada, como uma página da web específica e, se necessário, conectá-los a um humano agente de vendas por chat, telefone, vídeo ou mesmo “co-navegação” – permitindo que um agente ajude o cliente a navegar em uma tela compartilhada.

A IA pode agilizar o processo de vendas usando dados extremamente detalhados sobre os indivíduos, incluindo dados de geolocalização em tempo real, para criar ofertas de produtos ou serviços altamente personalizadas. Mais tarde na jornada, a IA auxilia no upsell e na venda cruzada e pode reduzir a probabilidade de os clientes abandonarem seus carrinhos de compras digitais. Por exemplo, depois que um cliente preenche um carrinho, os bots de IA podem fornecer um depoimento motivador para ajudar a fechar a venda, como “Excelente compra! James de Vermont comprou o mesmo colchão”. Essas iniciativas podem aumentar as taxas de conversão cinco vezes ou mais.

Após a venda, os agentes de serviço habilitados para IA de empresas como Amelia (anteriormente IPsoft) e Interactions estão disponíveis 24 horas por dia, 7 dias por semana para fazer a triagem das solicitações dos clientes – e são capazes de lidar com volumes flutuantes de solicitações de serviço melhores do que os agentes humanos. Eles podem lidar com questões simples sobre, digamos, tempo de entrega ou agendamento de uma consulta e podem escalar questões mais complexas para um agente humano.

Em alguns casos, a IA auxilia os representantes humanos analisando o tom dos clientes e sugerindo respostas com diferenciais, orientando os agentes sobre a melhor forma de satisfazer as necessidades dos clientes ou sugerindo a intervenção de um supervisor.

O Framework

A IA de marketing pode ser categorizada de acordo com duas dimensões: nível de inteligência e se é autônomo ou parte de uma plataforma mais ampla. Algumas tecnologias, como chatbots ou motores de recomendação, podem cair em qualquer uma das categorias; é como eles são implementados em um aplicativo específico que determina sua classificação.

Vamos examinar os dois tipos de inteligência primeiro

Automação de tarefas. Esses aplicativos executam tarefas repetitivas e estruturadas que requerem níveis relativamente baixos de inteligência.

Eles são projetados para seguir um conjunto de regras ou executar uma determinada sequência de operações com base em uma determinada entrada, mas eles não podem lidar com problemas complexos, como solicitações de clientes diferenciadas. Um exemplo seria um sistema que envia automaticamente um e-mail de boas-vindas a cada novo cliente. Chatbots mais simples, como aqueles disponíveis através do Facebook Messenger e outros provedores de mídia social, também se enquadram esta categoria. Eles podem fornecer alguma ajuda aos clientes durante as interações básicas, levando os clientes a uma determinada árvore de decisão, mas eles não conseguem discernir a intenção dos clientes, oferecer respostas personalizadas ou aprender com as interações ao longo do tempo.

Aprendizado de máquina. Esses algoritmos são treinados usando grandes quantidades de dados para fazer previsões e decisões relativamente complexas, gerando modelos. Esses modelos podem reconhecer imagens, decifrar textos, segmentar clientes e antecipar como os clientes responderão a várias iniciativas, como promoções. O aprendizado de máquina já impulsiona a compra programática em publicidade online, mecanismos de recomendação de e-commerce e modelos de propensão de vendas em sistemas de gerenciamento de relacionamento com o cliente (CRM). Ele e sua variante mais sofisticada, aprendizado profundo, são as tecnologias mais avançadas em IA e estão rapidamente se tornando ferramentas poderosas de marketing. Dito isso, é importante esclarecer que os aplicativos de aprendizado de máquina existentes ainda executam tarefas restritas e precisam ser treinados com grandes quantidades de dados.

Agora, vamos considerar a IA independente versus a IA integrada

Aplicativos independentes. Esses são mais bem compreendidos como programas de IA claramente demarcados ou isolados. Eles são separados dos canais principais por meio dos quais os clientes aprendem, compram ou obtêm suporte para usar as ofertas de uma empresa ou os canais que os funcionários usam para comercializar, vender ou prestar serviços a essas ofertas. Simplificando, os clientes ou funcionários precisam fazer uma viagem especial além desses canais para usar a IA.

Considere o aplicativo de descoberta de cores criado por Behr, a empresa de tintas. Usando o processamento de linguagem natural do IBM Watson e os recursos do Tone Analyzer (que detectam emoções no texto), a O aplicativo oferece várias recomendações de cores de pintura personalizadas da Behr que são baseadas no humor que os consumidores desejam para seu espaço. Os clientes usam o aplicativo para selecionar duas ou três cores para o cômodo que pretendem pintar. A venda real de tinta é então executada fora do aplicativo, embora permita uma conexão para fazer o pedido da Home Depot.

Aplicativos integrados. Incorporado em sistemas existentes, estas aplicações IA geralmente são menos visíveis aos clientes, profissionais de marketing e vendedores que os utilizam do que os aplicativos independentes. Por exemplo, o aprendizado de máquina que toma decisões em fração de segundo sobre quais anúncios digitais oferecer aos usuários é integrado a plataformas que lidam com todo o processo de compra e colocação de anúncios.

O aprendizado de máquina integrado da Netflix oferece recomendações de vídeo aos clientes há mais de uma década; suas seleções simplesmente aparecem no menu de ofertas que os usuários veem quando acessam o site. Se o mecanismo de recomendação fosse independente, eles precisariam acessar um aplicativo dedicado e solicitar sugestões.

Os fabricantes de sistemas de CRM incorporam cada vez mais recursos de aprendizado de máquina em seus produtos. Na Salesforce, o pacote Sales Cloud Einstein tem vários recursos, incluindo um sistema de pontuação de leads baseado em IA que classifica automaticamente os leads de clientes B2B pela probabilidade de compra.

Fornecedores como a Cogito, que vende IA que treina vendedores de call center, também integram seus aplicativos ao sistema CRM da Salesforce.

Combinando os dois tipos de inteligência

Combinar os dois tipos de inteligência e dois tipos de estrutura produz os quatro quadrantes do framework: aplicativos autônomos de aprendizado de máquina, aplicativos integrados de aprendizado de máquina, aplicativos autônomos de automação de tarefas e aplicativos integrados de automação de tarefas.

Entender em quais quadrantes os aplicativos se enquadram pode ajudar os profissionais de marketing a planejar e sequenciar a introdução de novos usos.

Uma abordagem escalonada

Acredita-se que os profissionais de marketing verão o maior valor ao buscar aplicativos integrados de aprendizado de máquina, embora sistemas simples baseados em regras e de automação de tarefas possam aprimorar processos altamente estruturados e oferecer potencial razoável para retornos comerciais.

Observe, no entanto, que hoje em dia a automação de tarefas está cada vez mais combinada com aprendizado de máquina – para extrair dados-chave de mensagens, tomar decisões mais complexas e personalizar comunicações – um híbrido que abrange quadrantes.

Os aplicativos independentes continuam a ter seu lugar onde a integração é difícil ou impossível, embora haja limites para seus benefícios. Portanto, recomenda-se os profissionais de marketing a, com o tempo, integrar a IA aos sistemas de marketing atuais, em vez de continuar com os aplicativos independentes. E, de fato, muitas empresas estão caminhando nessa direção geral; na pesquisa Deloitte de 2020, 74% dos executivos globais de IA concordaram que “a IA será integrada a todos os aplicativos corporativos dentro de três anos”.

Começando

Para empresas com experiência limitada em IA, uma boa maneira de começar é construindo ou comprando aplicativos simples baseados em regras.

Muitas empresas buscam uma abordagem “rastejar-caminhar-correr”, começando com um aplicativo independente de automação de tarefas não voltado para o cliente, como aquele que orienta os agentes de serviço humano que se envolvem com os clientes.

Depois que as empresas adquirem habilidades básicas de IA e uma abundância de dados de mercado e clientes, elas podem começar a mudar da automação de tarefas para o aprendizado de máquina. Um bom exemplo do último é a IA de seleção de roupas da Stitch Fix, que ajuda seus estilistas a selecionar ofertas para os clientes e se baseia em suas preferências de estilo autorrelatadas, os itens que mantêm e devolvem, e os comentários que fizeram.

Esses modelos se tornaram ainda mais eficazes quando a empresa começou a pedir aos clientes que escolhessem entre as fotos do Style Shuffle, criando uma fonte valiosa de novos dados.

Novas fontes de dados – como transações internas, fornecedores externos e até aquisições em potencial – são algo que os profissionais de marketing devem procurar constantemente, uma vez que a maioria dos aplicativos de IA, especialmente o aprendizado de máquina, exige grandes quantidades de dados de alta qualidade. Considere o modelo de precificação baseado em aprendizado de máquina que a empresa de fretamento de jato XO usou para aumentar seu EBITDA em 5%: A chave era acessar fontes externas para dados sobre o fornecimento de jatos particulares e fatores que afetam a demanda, como grandes eventos, a macroeconomia, a atividade sazonal e o clima. Os dados que o XO usa estão disponíveis publicamente, mas é uma boa ideia também buscar fontes proprietárias sempre que possível, porque os modelos que usam dados públicos podem ser copiados pelos concorrentes.

À medida que as empresas se tornam mais sofisticadas no uso da IA ​​de marketing, muitas automatizam totalmente certos tipos de decisões, tirando totalmente os humanos do circuito. Com decisões repetitivas e de alta velocidade, como as exigidas para a compra de anúncios programáticos (em que os anúncios digitais são veiculados quase instantaneamente aos usuários), essa abordagem é essencial.

Em outros domínios, a IA só pode apresentar recomendações a uma pessoa diante de uma escolha – por exemplo, sugerir um filme a um consumidor ou uma estratégia a um executivo de marketing. Tomada de decisão humana é normalmente reservado para as questões mais importantes, como se deve continuar uma campanha ou aprovar um anúncio de TV caro.

As empresas devem tomar decisões mais automatizadas sempre que possível. Acredita-se que é aqui que os maiores retornos da IA ​​de marketing serão encontrados.

Desafios e riscos

A implementação até mesmo dos aplicativos de IA mais simples pode apresentar dificuldades.

A IA de automação de tarefas autônoma, apesar de sua sofisticação técnica inferior, ainda pode ser difícil de configurar para fluxos de trabalho específicos e exige que as empresas adquiram habilidades de IA adequadas. Trazendo qualquer tipo de IA em um fluxo de trabalho exige integração cuidadosa de tarefas humanas e de máquina para que a IA aumente as habilidades das pessoas e não seja implantada de maneiras que criem problemas. Por exemplo, enquanto muitas organizações usam chatbots baseados em regras para automatizar o atendimento ao cliente, bots menos capazes podem irritar os clientes. Pode ser melhor ter esses bots ajudando agentes humanos ou conselheiros em vez de interagir com os clientes.

À medida que as empresas adotam aplicativos mais sofisticados e integrados, surgem outras considerações. Incorporar IA em plataformas de terceiros, em particular, pode ser complicado. Um caso em questão é oferecido pelo Olay Skin Advisor da Procter & Gamble, que usa aprendizado profundo para analisar selfies que os clientes tiraram, avaliar sua idade e tipo de pele e recomendar produtos apropriados. Ele está integrado a uma plataforma de e-commerce e fidelidade, Olay.com, e melhorou as taxas de conversão, taxas de rejeição e tamanhos médios de cesta em algumas geografias.

No entanto, tem sido mais difícil integrá-lo com lojas de varejo e Amazon, terceiros que respondem por uma alta porcentagem das vendas de Olay. O Skin Advisor não está disponível no extenso site da loja de Olay na Amazon, dificultando a capacidade da marca de oferecer uma experiência de cliente assistida por IA integrada.

Finalmente, as empresas devem manter os interesses dos clientes em mente. Quanto mais inteligentes e integrados os aplicativos de IA, mais preocupações os clientes podem ter sobre privacidade, segurança e propriedade de dados. Os clientes podem ficar nervosos com os aplicativos que capturam e compartilham dados de localização sem seu conhecimento ou sobre alto-falantes inteligentes que podem estar espionando. Em geral, os consumidores mostraram disposição (até mesmo ânsia) de trocar alguns dados pessoais e privacidade em troca do valor que aplicativos inovadores podem oferecer.

As preocupações com aplicativos de IA como Alexa parecem ser diminuídas pela apreciação de seus benefícios. Portanto, a chave para os profissionais de marketing, à medida que expandem a inteligência e o alcance de sua IA, é garantir que seus controles de privacidade e segurança sejam transparentes, que os clientes tenham algo a dizer sobre como seus dados são coletados e usados ​​e que obtenham valor justo da empresa em troca. Para garantir essas proteções e manter a confiança dos clientes, os CMOs devem estabelecer conselhos de revisão de ética e privacidade – com especialistas em marketing e jurídicos – para examinar projetos de IA, especialmente aqueles que envolvem dados de clientes ou algoritmos que podem ser tendenciosos, como pontuação de crédito.

Considerações finais

Enquanto marketing, IA é uma grande promessa, pede-se aos CMOs que sejam realistas sobre suas capacidades atuais. Apesar do hype, a IA ainda pode realizar apenas tarefas específicas, não executar uma função ou processo de marketing inteiro. No entanto, já está oferecendo benefícios substanciais aos profissionais de marketing – e de fato é essencial em algumas atividades de marketing – e seus recursos estão crescendo rapidamente.

Acredita-se que a IA acabará transformando o marketing, mas é uma jornada que levará um bom tempo. A função de marketing e as organizações que a suportam, TI em particular, precisarão prestar atenção a longo prazo para construir recursos de IA e abordar quaisquer riscos potenciais. Pede-se aos profissionais de marketing que comecem a desenvolver uma estratégia hoje para aproveitar as vantagens da funcionalidade atual da IA ​​e seu provável futuro.

Planejar o uso da 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, da Harvard Business Review (HBR) “How to Design an AI Marketing Strategy”, de Thomas H. Davenport, Abhijit Guha e Dhruv Grewal (2021)

Artigos relacionados