Sem as ferramentas e os processos adequados de gestão de dados, as empresas têm dificuldade para definir quais casos de uso de IA generativa devem priorizar. O motivo é simples: muitas vezes, elas não sabem se têm os dados certos e os controles necessários de governança e qualidade para viabilizar o que estão avaliando. Se você enfrenta dificuldades para tirar valor dessa tecnologia no seu negócio, o problema central provavelmente é a falta de maturidade em gestão de dados, tanto em ferramentas quanto em processos.
Em resumo, esse é o principal obstáculo que vejo nas jornadas corporativas, com base na minha experiência apoiando organizações a definir e executar estratégias de dados para colocar essas iniciativas de pé. Ao longo deste artigo, vou explicar por que levar IA generativa para o ambiente empresarial pode ser tão desafiador e o que as empresas precisam fazer para aproveitar todo o seu potencial.
Como as empresas querem usar IA Generativa
Não é segredo que empresas de todos os tipos estão ansiosas para aproveitar a IA generativa. No final de 2023, 66% das organizações pesquisadas pela IDC relataram que estavam explorando essa tecnologia. Da mesma forma, a Gartner identificou que, no mesmo período, 55% das empresas conduziam projetos-piloto ou (em casos limitados) já tinham iniciativas em produção.
Ainda assim, há uma grande diferença entre experimentar ou aplicar a IA generativa em algumas áreas e capturar todo o seu potencial em toda a organização. É fácil falar sobre o tema ou apontar possíveis casos de uso; o verdadeiro desafio é transformar isso em prática.
Obstáculos na jornada de IA Generativa nas empresas
Existem diversos motivos pelos quais adotar plenamente a IA Generativa no ambiente corporativo pode ser tão difícil. A seguir, apresento os principais desafios que observei ao ajudar empresas a estabelecer a base de dados necessária para iniciativas bem-sucedidas.
Não saber quais casos de uso priorizar
A IA generativa pode realizar uma ampla variedade de tarefas, desde ajudar colaboradores a redigir e-mails e relatórios até viabilizar chatbots para atendimento ao cliente, gerar documentação de produtos e muito mais.
No entanto, o fato de um negócio realmente se beneficiar de um caso de uso específico — e conseguir implementá-lo com sucesso — depende de fatores que nem sempre são fáceis de avaliar. Muitas empresas não sabem, por exemplo, se têm os dados adequados para sustentar determinada iniciativa. Também podem ter dúvidas sobre quais casos de uso trarão o maior retorno sobre o investimento (ROI).
Como consequência, acabam enfrentando dificuldades para definir prioridades, o que limita o avanço dos planos de implementação.
Incerteza sobre quais modelos de IA Generativa utilizar
Hoje existem muitos modelos de IA Generativa disponíveis. Alguns são proprietários, outros são open source. Alguns são mais fáceis de personalizar do que outros, e alguns se destacam em determinadas tarefas enquanto outros apresentam limitações. Alguns exigem o compartilhamento de dados sensíveis com terceiros, enquanto outros permitem manter tudo internamente.
Com tantas opções, pode ser difícil decidir quais modelos usar e como utilizá-los. Por exemplo, você pode se ver avaliando os prós e contras de adotar um modelo open source pré-treinado e treiná-lo novamente com seus próprios dados. Essa abordagem oferece mais controle sobre o funcionamento do modelo, maior capacidade de personalização e a tranquilidade de não precisar compartilhar dados com um fornecedor. Por outro lado, exige mais esforço do que utilizar um modelo oferecido como serviço. Além disso, ao optar por um modelo open source, é preciso garantir que haja dados suficientes — e com qualidade adequada — para realizar o novo treinamento.
Por outro lado, talvez você identifique um ROI melhor ao utilizar um modelo proprietário. Esses modelos costumam ser mais simples de usar, pois não exigem que você opere o modelo por conta própria. A desvantagem é que modelos proprietários são mais difíceis de personalizar e, em geral, exigem o envio de dados proprietários da empresa para um fornecedor externo – o que pode trazer questões relevantes de segurança e privacidade de dados.
Em resumo, avaliar as diferentes opções de modelos exige um entendimento profundo de IA Generativa tanto do ponto de vista técnico quanto de negócios, e pode ser bastante difícil reunir os perfis certos de especialistas para fornecer análises precisas.
Dificuldade em prever o ROI de IA Generativa
O custo de investir nessa tecnologia pode variar bastante conforme a abordagem escolhida. Por exemplo, desenvolver e treinar um modelo próprio geralmente exige um investimento inicial maior do que usar um modelo de terceiros. Ainda assim, qualquer caminho envolve custos relevantes.
Ao mesmo tempo, prever quanto essas iniciativas vão economizar ou gerar de retorno, seja por aumento de receita e/ou produtividade, é difícil. A tecnologia ainda é relativamente nova, e estimar o ROI potencial continua sendo um desafio. Uma empresa pode não saber, por exemplo, se o custo de coletar, transformar e gerenciar todos os dados necessários para sustentar soluções personalizadas será compensado pelas economias que elas geram.
Diante dessa incerteza, algumas empresas hesitam em ampliar a adoção, simplesmente porque não têm clareza se o investimento realmente valerá a pena.
Foco em ferramentas, mas não em processos
Existe um ecossistema cada vez maior de ferramentas para ajudar empresas a gerenciar essa tecnologia e os dados dos quais os modelos dependem. No entanto, ferramentas por si só não bastam para transformar a estratégia em execução. As empresas também precisam de processos que deem suporte a essas ferramentas.
Imagine, por exemplo, que sua empresa esteja tentando avaliar se tem os tipos de dados adequados para desenvolver um chatbot. Você pode adquirir uma ferramenta de descoberta de dados que crie um inventário de tudo o que existe. Isso é um passo importante, mas não resolve o problema por completo. Você ainda precisa de processos para coletar os dados, garantir qualidade, aplicar as transformações necessárias e assim por diante, antes de alimentar o modelo que vai sustentar o chatbot.
O ponto é simples: é fácil concentrar esforços em ferramentas, mas elas não formam, sozinhas, uma solução completa para colocar isso em prática.
Organize os dados, libere o valor
Se você observar com atenção, perceberá que há um tema comum em todos os desafios que descrevi: gestão de dados. Sem as ferramentas e os processos adequados, as empresas têm dificuldade para definir quais casos de uso priorizar, porque não sabem se têm os dados certos — e os controles necessários de governança e qualidade — para viabilizar o que estão considerando.
Elas também não conseguem decidir quais modelos usar ou como treiná-los e personalizá-los. Tampouco conseguem prever com precisão o custo do investimento, porque não têm clareza sobre o esforço e o gasto para implementar os processos de gestão de dados exigidos.
Por isso, implementar uma plataforma de dados eficaz é o passo mais importante que as empresas podem dar para viabilizar essa adoção. Uma plataforma de dados representa um conjunto holístico de ferramentas que permite às organizações descobrir, monitorar, governar, proteger e transformar todos os dados que possuem. A partir dessa base, é possível habilitar processos de DataOps e MLOps que permitem coletar os dados necessários para cada caso de uso, alimentar os modelos com esses dados e colocar os modelos em produção.
É claro que existem outros desafios a superar. Por exemplo, as empresas precisam contar com profissionais com as competências necessárias para construir e treinar serviços e/ou integrar fornecedores terceirizados para implementar as soluções desejadas. Também precisam investir em infraestrutura para suportar o treinamento e a inferência dos modelos.
No entanto, tudo isso depende de ter as soluções corretas de gestão de dados em funcionamento. É justamente nesse ponto que muitas empresas tropeçam — e é nele que devem concentrar seus esforços se quiserem deixar de apenas falar sobre o tema e começar a colocá-lo em uso de forma concreta.
