transformação digital

por

IA Generativa, um relatório de pesquisa, abril 2023

Fonte: Midjourney: in the middle of the universe and multiverse of AI imagination

“Os próximos 2 a 3 anos de IA definitivamente definirão as próximas 2 a 3 décadas do mundo. Para aqueles em tecnologia: você vive uma vida inteira por um momento como este – não o desperdice. Há décadas em que nada acontece, e semanas quando décadas acontecem.” – Alexandr Wang (Fundador e CEO, SCALE)

Acabou de sair o resultado de uma pesquisa sobre inteligência artificial generativa, 2023 AI Readiness Report da Scale, uma survey com mais de 1.600 executivos e profissionais de aprendizado de máquina (ML) para descobrir o que está funcionando, o que não está e as melhores práticas para as organizações implantarem IA para um impacto real nos negócios. Segue abaixo um texto sobre a parte inicial do relatório, visite o site da Scale para mais informações.

IA generativa dá um salto gigantesco

Grandes saltos nas capacidades da IA Generativa definiram 2022. Em meados de 2022, os modelos de difusão de imagem Dall-E 2 (OpenAI) e Stable Diffusion (Stability AI) conquistaram as manchetes. Muitas novas startups correram para construir seus negócios com base nessas poderosas ferramentas de criação de imagens.

Fonte: Sequoia Capital, via CBinsights

No final de novembro, a OpenAI lançou o modelo de linguagem grande GPT-3.5 e a interface de bate-papo ChatGPT, que rapidamente se tornou um dos lançamentos de tecnologia de maior impacto de todos os tempos. A chave para o impacto desse modelo foi o uso do Aprendizado por Reforço com Feedback Humano (RLHF), uma técnica para alinhar o desempenho do modelo com a intenção humana.

Em março de 2023, a OpenAI lançou o GPT-4, o modelo de linguagem grande mais capaz já criado.

Também alinhado com o RLHF, o GPT-4 passou de forma impressionante em muitos exames projetados para testar a capacidade humana no percentil 90 ou superior, incluindo vários exames AP e o exame da barra. Em dezembro de 2022, a Anthropic anunciou um beta fechado de Claude, um LLM com recursos de bate-papo semelhantes ao ChatGPT e uma abordagem de alinhamento humano baseada em “IA Constitucional”, em que a supervisão humana é fornecida por meio de uma lista de regras ou princípios. Em março de 2023, o Google lançou o Bard, sua IA de conversação baseada no modelo LaMDA do Google. Várias outras empresas também estão construindo grandes modelos de linguagem, incluindo AI21 labs, Carper AI, Stability AI e Cohere. Modelos específicos de domínio também serão desenvolvidos no próximo ano, como o BloombergGPT, um modelo desenvolvido especificamente para casos de uso financeiro. Um número cada vez maior desses modelos será treinado e lançado no próximo ano.

Fonte: Momentum Works report – The future by ChatGPT

Os modelos generativos estão sendo integrados ao Google Workspace e ao Microsoft Office, permitindo grandes ganhos de produtividade para usuários corporativos. Essas ferramentas ajudam você a escrever o primeiro rascunho de um documento, gerar apresentações completas a partir de um único prompt ou analisar e visualizar automaticamente os dados financeiros em uma planilha.

Plataformas de software corporativo como Salesforce estão permitindo que analistas e executivos obtenham novas perspectivas sobre dados usando IA Generativa.

O que é IA generativa?
– Grandes quantidades de dados são coletadas de várias fontes, principalmente dados da Internet. Um modelo é treinado em GPUs, produzindo um modelo básico altamente capaz, mas não alinhado às preferências humanas.
– O modelo básico é então ajustado por meio do Aprendizado por Reforço de Feedback Humano (RLHF) para alinhá-los mais de perto com as preferências humanas e, no caso de LLMs, interagir em um formato de conversação ou “chat”.
– Os modelos generativos são então capazes de produzir imagens ilimitadas e infinitamente criativas, envolver-se em conversas com usuários, resumir documentos e escrevem código.

As capacidades significativamente aprimoradas dos modelos generativos em 2022 impactaram enormemente as estratégias de IA das empresas, com 65% acelerando suas estratégias existentes ou criando uma estratégia de IA pela primeira vez.

Enquanto a maioria dos entrevistados (60%) está experimentando modelos generativos ou planeja trabalhar com eles no próximo ano, apenas 21% têm esses modelos em produção.

As empresas veem o potencial dos modelos generativos para melhorar seus negócios, mas colocá-los em produção é um desafio.

Para liberar o poder de seus dados e aproveitar ao máximo esses modelos, as empresas precisam de experiência em aprendizado de máquina, infraestrutura de ajuste fino e recursos para executar RLHF em escala.

A maioria das empresas não possui os recursos necessários ou mandato para criar seus próprios modelos generativos, portanto, deve depender de terceiros. Das empresas que planejam trabalhar com modelos generativos, a grande maioria procura alavancar modelos generativos de código aberto (41%) ou modelos generativos de API de nuvem (37%), enquanto muito poucas procuram construir seus próprios modelos generativos (22%).

Além disso, 28% estão usando exclusivamente modelos de código aberto, enquanto 26% usam APIs de nuvem (modelos disponíveis comercialmente, como Claude da Anthropic, GPT-4 da OpenAI e Command da Cohere) e apenas 15% estão construindo seus próprios exclusivamente.

Existem vários fatores que as empresas devem considerar ao decidir sobre sua infraestrutura de IA generativa, incluindo sua experiência interna em aprendizado de máquina, orçamento, requisitos de segurança e necessidade de recursos específicos de domínio. Aproveitar um provedor de nuvem é o caminho mais fácil e rápido para obter recursos generativos, mas apresenta maior risco de segurança, menos controle sobre os modelos subjacentes, desempenho de qualidade inferior em tarefas específicas do domínio e pode ser caro.

Os modelos de código aberto fornecem mais controle e são mais baratos, mas exigem mais experiência interna para implantar e ajustar. Empresas que buscam construir seus próprios modelos geradores se beneficiam de maior controle, mas incorrem em maiores custos de coleta de dados, computação e contratação de especialistas em aprendizado de máquina para treiná-los e implantá-los.

61% das empresas estão buscando a IA para ajudar a melhorar a experiência do cliente, 56% para melhorar a eficiência operacional e 50% para aumentar a lucratividade. O foco no foco no cliente beneficia imensamente as organizações, com maior boa vontade do cliente no curto prazo e maior lucratividade no longo prazo.

89% das empresas que adotam IA se beneficiam da capacidade de desenvolver novos produtos ou serviços, 78% delas buscam experiências aprimoradas do cliente e 76% de melhor colaboração entre as funções de negócios. Essas empresas também obtêm maior eficiência e lucratividade nos processos organizacionais. Apesar dos resultados positivos para os adotantes de IA, resultados ainda maiores são possíveis à medida que as empresas aceleram suas estratégias de IA e aumentam seus investimentos em IA.

Os objetivos de uma organização também moldam a eficácia de sua implementação de IA.

As empresas que listam a demanda dos acionistas/investidores como o principal objetivo para a adoção da IA também apresentam os piores resultados em experiência do cliente, receita e lucratividade. Para garantir o sucesso de uma implementação de IA, as organizações devem evitar a implementação de IA apenas para implementar a IA, mas, em vez disso, garantir que os objetivos de uma implementação de IA estejam alinhados com as prioridades da empresa e que a IA seja uma boa solução para um determinado problema.

Uma nova era

Os modelos generativos já estão transformando a forma como criamos arte, entendemos nosso mundo e conduzimos negócios.

Modelos de linguagem grandes nos ajudam a escrever conteúdo como blogs, e-mails ou textos de anúncios de forma mais rápida e criativa. Eles resumem o conteúdo de formato longo para que possamos entender rapidamente as informações mais críticas de relatórios e artigos de notícias. Os modelos de difusão simplificam os fluxos de trabalho de marketing, permitindo que os profissionais de marketing gerem imagens de produtos ilimitadas e infinitamente criativas. Os desenvolvedores usam LLMs para escrever código com mais eficiência e ajudá-los a identificar e corrigir bugs rapidamente. Os chatbots avançados permitem que as empresas melhorem o atendimento ao cliente a um custo menor. Por fim, as organizações estão liberando o poder de suas bases de conhecimento personalizando LLMs com seus dados proprietários para melhor desempenho em tarefas exclusivas de seus negócios.

Agora, veremos alguns termos e tendências importantes para entender essa nova era da IA generativa.

Modelos estão aumentando de tamanho

Com o tempo, os modelos generativos tornaram-se mais capazes à medida que aumentaram de tamanho. O tamanho do modelo geralmente é determinado pelo tamanho do conjunto de dados de treinamento medido em tokens (partes de palavras) ou pelo número de parâmetros (o número de valores que o modelo pode alterar à medida que aprende).

  • BERT (2018) foi de 3,7 bilhões de tokens e 240 milhões de parâmetros.
  • GPT-2 (2019) foi de 9,5 bilhões de tokens e 1,5 bilhão de parâmetros.
  • GPT-3 (2020) tem 499B tokens e 175 bilhões de parâmetros.
  • PaLM (2022) foi de 780B de tokens e 540 bilhões de parâmetros.

À medida que esses modelos aumentam de tamanho, eles se tornam cada vez mais capazes, fornecendo mais incentivo para as empresas criarem aplicativos de ponta.

Os modelos generativos estão agora mais amplamente disponíveis, pois muitos desenvolvedores de modelos grandes fornecem APIs ou os tornam de código aberto, e as empresas estão adotando rapidamente esses modelos grandes para seus casos de uso de negócios específicos.

Os modelos generativos são treinados em uma grande quantidade de dados da Internet, tornando-os generalistas competentes. Esses modelos podem escrever poesia, resolver quebra-cabeças lógicos e identificar bugs no código.

Embora os modelos generativos sejam ótimos generalistas, eles são péssimos especialistas ao resolver problemas fora de sua distribuição de dados. Como uma parte significativa dos dados é proprietária de organizações individuais, os modelos de linguagem de base ampla não são bem adaptados a esses domínios específicos.

Para melhorar o desempenho nas tarefas específicas de, digamos, uma seguradora, uma empresa de comércio eletrônico ou uma empresa de logística, esses modelos devem ser ajustados e alinhados para se destacar nessas tarefas específicas e fornecer respostas úteis para clientes e funcionários.

Fonte: Sequoia Capital

Aprendizagem por Reforço com Feedback Humano (RLHF) – Embora o Aprendizado por Reforço com Feedback Humano (RLHF) não seja novo para a comunidade de pesquisa, em 2022, ele ganhou popularidade, pois foi um ingrediente crítico para o sucesso do ChatGPT. Em vez de tentar escrever uma função de perda com a qual treinar um modelo, o RLHF envolve solicitar feedback de usuários humanos e treinar um modelo de recompensa nesse feedback. Esse modelo de recompensa definido por humanos é então usado para treinar um modelo básico. Isso também permite o treinamento com muito mais dados, pois o feedback humano é imitado pelo modelo de recompensa, portanto, o tamanho do conjunto de dados agora é limitado apenas por quantos prompts você pode criar. O ajuste de RLHF resulta em modelos mais bem alinhados às preferências humanas, produzindo respostas mais detalhadas e factuais. RLHF também define a “personalidade” e o “humor” do modelo, tornando-o mais útil, amigável e factual do que o modelo base seria de outra forma. Isso significa que obtemos respostas do modelo que parecem mais humanas e menos como falar com uma máquina. O RLHF é um componente crítico para o sucesso dos LLMs recentes e também é fundamental para garantir que as empresas que usam IA generativa obtenham respostas de modelo alinhadas com suas políticas e marcas.
ChatGPT – ChatGPT é uma aplicação que usa um grande modelo de linguagem que foi ajustado especificamente para a tarefa de geração de texto conversacional. O ChatGPT foi treinado com RLHF e dados em formatos de diálogo para permitir que ele atue como um chatbot conversacional. O ChatGPT rapidamente se tornou um dos lançamentos de produtos mais impactantes de todos os tempos, alcançando 1 milhão de usuários em apenas cinco dias e atualmente com mais de 100 milhões de usuários. O ChatGPT foi lançado inicialmente com GPT-3.5, mas agora também inclui GPT-4 para assinantes do ChatGPT plus. Esses modelos são altamente capazes de responder perguntas, gerar conteúdo e resumir. Embora esses modelos forneçam respostas mais robustas, informativas e criativas do que seus antecessores, o verdadeiro avanço para a adoção foi sua capacidade de manter conversas com humanos. A capacidade de interagir com os modelos de forma intuitiva aumentou a acessibilidade dos modelos para que qualquer pessoa possa utilizá-los.
Engenharia de Prompt – 2022 também viu a proliferação de uma nova função para as equipes de aprendizado de máquina, o “engenheiro de Prompt”. Embora os modelos generativos sejam competentes em gerar a saída desejada para casos de uso de negócios, o prompt certo é necessário para otimizar a eficácia do modelo. Os engenheiros de prompt criam cuidadosamente as entradas de linguagem natural para obter respostas mais consistentes e confiáveis dos modelos, para que as saídas do modelo possam ser usadas em aplicativos de negócios. Em vez de escrever uma consulta SQL, esses engenheiros elaboram prompts de linguagem natural refinados. Por exemplo, ao integrar aplicativos com LLMs, as respostas variadas do modelo podem interromper a integração se não forem formatadas corretamente. Digamos que você esteja criando um aplicativo que lida com dados financeiros. A entrada de um usuário pode estar relacionada aos ganhos do quarto trimestre de uma determinada empresa. Os engenheiros de prompt ajudam a modelar respostas para resolver desafios de negócios com maior precisão, eficiência e qualidade. Eles também garantem que as respostas estejam alinhadas com as diretrizes e a voz da marca de uma organização. Eles também são essenciais para encontrar vulnerabilidades em modelos usando técnicas de injeção imediata e ajudando a resolver essas vulnerabilidades antes que um funcionário ou cliente o faça. Essa função é altamente valiosa para garantir a implementação bem-sucedida de modelos generativos nas organizações.

O que esperar em 2023

Maior investimento em IA

Como a IA generativa agora é mais capaz e amplamente disponível, as empresas a estão incorporando rapidamente em suas operações. 72% das empresas aumentarão significativamente seus investimentos em IA a cada ano nos próximos três anos.

Capacidades crescentes de modelos generativos

Muitas organizações agora estão construindo seus próprios grandes modelos generativos. Esses modelos estão sendo incorporados aos mecanismos de pesquisa e combinados com outras ferramentas, incluindo bases de conhecimento internas, para se tornarem poderosas ferramentas de negócios. Esses modelos também se tornarão multimodais, o que significa que poderão consumir e gerar textos, imagens e vídeos, tornando-os ainda mais úteis do que são hoje.

Você pode fazer upload de um catálogo de produtos com imagens e texto para um modelo multimodal, e ele reconhecerá produtos específicos, escreverá descrições de produtos, preencherá atributos ausentes e gerará novas imagens para enriquecer seu catálogo de produtos automaticamente.

Acessibilidade generalizada de modelos generativos

Assim como a nuvem, os modelos generativos amplamente acessíveis representam uma mudança de paradigma para as empresas.

Incorporar esse tipo de IA rapidamente se tornará o status quo, e aqueles que demoram a adotar serão deixados para trás.

Dados proprietários revelarão o poder dos modelos generativos

Por si só, os modelos generativos básicos são ferramentas valiosas. Emparelhados com os dados proprietários de uma empresa, eles se tornam fortes diferenciadores, melhorando a experiência do cliente, o desenvolvimento de produtos e a lucratividade.

Tendências de adoção

Os líderes empresariais identificaram que a IA é fundamental para o futuro de suas empresas e procuram adotá-la o mais rápido e com o maior impacto possível. Examinamos essa tendência e fornecemos insights sobre as melhores práticas.

59% das empresas consideram a IA crítica ou altamente crítica para seus negócios no próximo ano e 69% nos próximos três anos. Os recursos e a disponibilidade crescentes da IA generativa acelerarão a adoção da IA.

Como as empresas veem a IA como mais crítica para o sucesso futuro de seus negócios, elas estão aumentando os investimentos em IA nos próximos três anos. 72% das empresas planejam aumentar seus investimentos em IA a cada ano nos próximos três anos.

As empresas estão gastando menos tempo e esforço em aplicativos tradicionais de visão computacional e, em vez disso, concentrando-se em LLMs e IA generativa. Das empresas que fazem investimentos significativos em IA, 52% estão investindo pesadamente em LLMs, 36% em modelos visuais generativos e 30% em aplicativos de visão computacional.

Com os recursos recentemente popularizados dos LLMs, as empresas mudaram rapidamente suas estratégias de IA para aproveitar o poder da IA generativa.

Conforme mencionado anteriormente, as empresas que adotam a IA estão obtendo resultados positivos de experiências aprimoradas do cliente, a capacidade de desenvolver novos produtos ou serviços e melhorar os produtos existentes e a colaboração aprimorada entre as funções de negócios.

Em geral, as empresas que adotam a IA estão alcançando resultados positivos em quase todas as categorias. Como qualquer programa de tecnologia, o sucesso dos programas de IA depende da capacidade de implementar IA e alinhar os esforços de implementação com metas organizacionais mensuráveis.

Quais recursos as empresas acham que têm o suficiente para implementar com sucesso suas estratégias de IA? Quais recursos estão faltando?

As empresas que consideram a IA crítica para seus negócios indicam que têm o suporte executivo, a estratégia, a visão e o orçamento necessários para implementar com sucesso a estratégia de IA de sua empresa. No entanto, essas empresas geralmente carecem do conhecimento, software e ferramentas necessárias para alcançar o sucesso.

Embora os líderes tenham identificado a necessidade de adotar a IA, a execução dessas estratégias é difícil, sutil e fortemente dependente de experiência. O campo está se movendo tão rapidamente que é difícil acompanhar o ritmo do avanço. Pessoas altamente talentosas com experiência em IA generativa simplesmente não estão disponíveis para a maioria das organizações. Da mesma forma, selecionar, padronizar e atualizar o software e as ferramentas associadas à IA generativa, MLOps e até DevOps é um desafio para empresas sem equipes dedicadas para acompanhar essas mudanças, pois as pilhas de tecnologia necessárias estão em constante evolução.

Considerações finais

O relatório mostra claramente a importância da IA para as organizações, apresenta um panorama da situação atual e do que nos espera em 2023 e nos próximos anos. Além do que foi apresentado aqui, o relatório completo mostra diversos casos de uso por setor econômico e o ciclo de vida de aprendizado de máquina nas empresas.

Sobre mim: aqui. Contato: aqui.

Abraços, @neigrando

Artigos relacionados

por

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

por

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