Muitas empresas investem em tecnologias pelo hype e não porque sabem exatamente o que estão fazendo. Para desconstruir essa ideia, abordamos aqui algumas situações em que não vale a pena investir em IA.
Apesar de décadas de avanços na pesquisa de Inteligência Artificial e muitas descobertas recentes, as empresas em geral continuam a lutar para adotar a tecnologia.
Uma pesquisa recente da McKinsey revelou que a adoção de IA aumenta 25% a cada ano nas organizações. No entanto, a mesma pesquisa mostra que 63% das empresas tiveram crescimento na receita graças à utilização de IA, enquanto apenas 10% dessas perceberam um aumento superior a 10% nas vendas. Entre as empresas pesquisadas, 40% tiveram redução nos custos por conta da implantação da tecnologia, porém somente 17% delas viram uma redução maior do que 10%.
Em outras palavras: 37% das empresas que empregam IA não veem aumento de receita e 60% não contam com redução de custos. E a maioria das empresas que aumentaram as vendas foi entre 1% e 10%. Situação muito semelhante a reduções de custos.
O fato é que muitas empresas investem em Inteligência Artificial por conta do hype, e não possuem uma estratégia clara para alcançar os resultados desejados. Simplesmente se gasta dinheiro com IA porque parece importante ou porque todo mundo está fazendo isso – não porque deveriam.
Na última década, uma situação semelhante ocorreu quando as empresas correram para criar seus aplicativos móveis. Muitos simplesmente falharam: a estimativa é de que apenas 1 em 10.000 aplicativos foi comercialmente bem-sucedido e viável.
IA, aplicativos móveis, blockchain, e assim por diante, são todas tecnologias com grande potencial e capazes de causar impacto muito positivo quando utilizadas da forma correta. Mas não faz sentido investir simplesmente pelo ‘fator uau’ ou para seguir o rebanho. A dica é: não invista simplesmente porque todo mundo faz. Aqui estão algumas situações em que não vale a pena investir em IA:
Quando soluções mais simples farão o trabalho
Mesmo entre as organizações que usam machine learning atualmente, as técnicas baseadas em regressão simples são as mais populares. Apenas uma parte das empresas realmente precisa de IA. Com a capacidade de IA sendo democratizada, pode ser tentador usá-la para todos os problemas de negócios, mas muita coisa pode ser resolvida por análises mais simples.
Quando não há dados suficientes
As técnicas de análise precisam de dados para descobrir insights acionáveis. Quanto mais poderosa for a técnica, maior será o volume de dados de que ela precisa. A IA precisa de centenas de milhares de pontos de dados para tarefas básicas, como a detecção de imagens. Esses dados devem ser limpos e preparados em um formato específico para ensinar a IA. Infelizmente, um alto volume de dados rotulados de qualidade não é um luxo que toda organização pode pagar.
Por exemplo, a IA pode prever suas vendas nas próximas quatro semanas. Mas apenas se tiver muitos meses de dados históricos granulares. Se tudo o que existe são os dados das últimas semanas, a IA não será capaz de ajudar. Portanto, em vez disso, o melhor é usar uma técnica de previsão simples. Com apenas alguns pontos de dados, ele pode fornecer insights confiáveis para basear suas decisões de negócios.
Quando os custos superam os benefícios
Hoje, existem áreas em que a IA pode fazer bem o trabalho. No entanto, o custo total de propriedade é tão alto que pode não ser economicamente viável ainda. Quando as organizações pensam em IA, geralmente planejam apenas os custos de implementação. Esta é apenas a ponta do iceberg.
Por exemplo, para desenvolver uma plataforma de experiência do cliente baseada em IA, é preciso coletar novos dados que capturem sinais mais profundos do cliente. Os dados deverão ser rotulados manualmente para treinar a IA, mesmo antes de gastar em plataformas de software, hardware de alto nível e equipes de análise. Além disso, há o treinamento dos usuários finais na alfabetização de dados, adaptação dos fluxos de trabalho de negócios e ainda um orçamento para o gerenciamento contínuo de mudanças.
Para escalar a IA, é necessário orçar tanto a adoção quanto a implementação. Mas a grande questão neste caso ainda é se clientes mais felizes vão gerar receita adicional suficiente para cobrir todos esses custos do projeto. É fundamental fazer esse cálculo com antecedência.
Onde precisa de compreensão e empatia
A Inteligência Artificial é muito boa em detectar padrões e pode revelar tendências mais profundas que humanos não têm chance de detectar. No entanto, ela não compreende nada, nem pode criar uma conexão emocional com usuários humanos.
A IA está abrindo caminho na pesquisa do câncer. Está superando os diagnósticos feitos por médicos especialistas. No entanto, você acha que os pacientes estão prontos para ouvir sobre o diagnóstico de câncer pelas máquinas? Elas podem ajudar o médico, mas não dar a palavra final e muito menos entregar o resultado. Inteligência emocional e empatia são habilidades profundamente humanas.
Como saber, então, se a IA é a opção certa para as demandas? O caminho passar por pensar nas necessidades de negócios. Descobrir maneiras em que a tecnologia e os dados podem enfrentar os desafios. Estruturar a melhor solução para abordar um problema de negócios. Avaliar todas as ferramentas disponíveis, começando pelas técnicas mais simples. Conforme sobe em complexidade, equilibrar a simplicidade e a eficácia dos resultados. Se for realmente escolher IA, certificar-se de ter os dados certos, o orçamento necessário e o nível apropriado de intervenção humana para colocá-la em funcionamento.
