Como superar as principais barreiras à adoção da GenAI nas empresas
-
-
Data de publicação
Sem as ferramentas e processos certos de gerenciamento de dados, as empresas têm dificuldade para identificar quais casos de uso de IA generativa priorizar, porque não sabem se possuem os dados adequados (nem se contam com os controles de governança e qualidade necessários) para viabilizar os casos considerados. Se sua empresa está com dificuldade para aproveitar o potencial da IA generativa, é bem provável que o problema central esteja na ausência de uma base sólida de gestão de dados.
Essa é a versão resumida do maior obstáculo que vejo as empresas enfrentarem em suas jornadas com IA generativa, com base na minha experiência apoiando organizações a definir e executar estratégias de dados que viabilizam o seu uso. A seguir, explico por que implementar IA generativa no ambiente corporativo pode ser tão desafiador, e o que as empresas precisam fazer para, de fato, extrair valor dessa tecnologia.
Como as empresas pretendem usar a GenAI
Não é segredo que empresas de todos os setores estão ansiosas para explorar o potencial da IA generativa. No final de 2023, 66% das organizações entrevistadas pela IDC afirmaram estar explorando o tema. A Gartner, no mesmo período, apontou que 55% das empresas já estavam conduzindo projetos-piloto ou, em alguns casos, operando iniciativas em produção.
Mas existe uma grande diferença entre experimentar IA generativa em áreas isoladas e incorporá-la de forma ampla e estratégica ao negócio. Falar sobre a tecnologia ou listar possíveis aplicações é fácil, o desafio real está em colocá-las em prática.
Obstáculos na jornada da IA generativa empresarial
Existem várias razões pelas quais adotar IA generativa de forma abrangente pode ser tão difícil. Abaixo, destaco os problemas que mais observei ao ajudar empresas a estruturar suas bases de dados para iniciativas de IA generativa.
Não saber quais casos de uso priorizar
A IA generativa pode servir para muitas finalidades — desde redigir e-mails e relatórios até alimentar chatbots com linguagem natural, gerar documentação de produtos e muito mais.
Mas saber se um caso de uso realmente trará benefício para os negócios — e se ele é viável com os dados disponíveis — depende de fatores que muitas empresas não conseguem mapear. Elas podem não saber se têm os dados certos ou se o retorno sobre o investimento (ROI) será significativo.
Como consequência, acabam paralisadas na decisão sobre quais iniciativas priorizar, travando seus planos de adoção.
Incerteza sobre quais modelos de GenAI utilizar
Hoje, há inúmeros modelos de IA generativa disponíveis. Alguns são proprietários, outros de código aberto. Alguns são mais fáceis de customizar; outros são especializados em tarefas específicas. Uns exigem compartilhamento de dados com terceiros; outros permitem manter os dados internamente.
Diante de tantas opções, definir qual modelo usar, e como, pode ser um grande desafio. Por exemplo, adotar um modelo open source pré-treinado e adaptá-lo com dados próprios traz mais controle, flexibilidade e segurança de dados, mas também exige mais esforço e capacidade técnica. Além disso, você precisa garantir que tem dados suficientes e de qualidade para retreinar o modelo.
Por outro lado, usar um modelo proprietário é geralmente mais fácil, pois ele é oferecido como serviço. Mas isso implica menos personalização e, em muitos casos, o envio de dados confidenciais a terceiros, o que levanta questões de segurança e privacidade.
O ponto principal aqui é que a avaliação de diferentes opções de modelos requer um profundo entendimento da GenAI, tanto do ponto de vista técnico quanto comercial, e pode ser muito difícil reunir os tipos certos de especialização para fornecer insights precisos.
Dificuldade em prever o ROI da IA Generativa
O custo de investir em IA generativa pode variar bastante conforme a abordagem adotada. Criar e treinar um modelo próprio exige mais investimento inicial do que usar um modelo pronto. Mas independentemente do caminho, o investimento não é baixo.
Ao mesmo tempo, prever o retorno financeiro dessas iniciativas é complicado, já que a tecnologia é nova e os casos de uso ainda estão amadurecendo. Por exemplo, pode ser difícil saber se o custo de coleta, transformação e gerenciamento dos dados necessários será compensado pelas economias ou ganhos gerados pela solução.
Essa incerteza faz com que muitas empresas hesitem em investir, simplesmente porque não conseguem ter certeza se o esforço valerá a pena.
Foco em ferramentas, mas não em processos
Existe um ecossistema cada vez maior de ferramentas disponíveis para ajudar as empresas a gerenciar a IA generativa, assim como os dados dos quais esses modelos dependem. No entanto, ferramentas sozinhas não são suficientes para tirar as estratégias de IA generativa do papel. As empresas também precisam de processos que acompanhem essas ferramentas.
Por exemplo, imagine que você é uma empresa que está tentando descobrir se tem os tipos certos de dados para desenvolver um chatbot GenAI. Você poderia comprar uma ferramenta de descoberta de dados que cria um inventário de todos os seus dados. Esse é um passo em direção à criação do seu chatbot, mas não o levará até o fim. Você também precisa de processos que lhe permitam coletar os dados, gerenciar sua qualidade, realizar quaisquer transformações relevantes e assim por diante, antes de poder alimentar os dados no modelo de GenAI que alimenta o seu chatbot.
O que quero dizer com isso é que é fácil se concentrar nas ferramentas, mas elas sozinhas não são uma solução completa para a implementação de GenAI.
Corrija os dados, desbloqueie o valor
Se você ler nas entrelinhas, perceberá que há um tema comum em todos os desafios de GenAI empresarial que acabei de descrever: Gerenciamento de dados. Sem as ferramentas e os processos adequados, as empresas têm dificuldade para descobrir quais casos de uso de GenAI devem ser direcionados, porque não sabem se têm os dados certos - e a governança de dados e os controles de gerenciamento de qualidade certos - para habilitar os casos de uso que estão considerando.
Elas também não conseguem decidir quais modelos usar ou como treiná-los ou personalizá-los. Tambem não conseguem prever com precisão o custo do investimento em GenAI porque não sabem o quão caro será implementar os processos de gerenciamento de dados necessários.
É por isso que a implementação de uma plataforma de dados eficaz é a etapa mais importante que as empresas podem adotar para habilitar a IA Generativa. Uma plataforma de dados significa um conjunto holístico de ferramentas que permite às empresas descobrir, monitorar, controlar, proteger e transformar todos os dados que possuem. Com base nesse alicerce, elas podem habilitar os processos de DataOps e MLOps que lhes permitem coletar os dados necessários para dar suporte a um determinado caso de uso de GenAI, alimentar os dados em seus modelos e implementá-los na produção.
Sem dúvida, há outros desafios a serem superados também. Por exemplo, as empresas precisam contar com o talento necessário para criar e treinar serviços de GenAI e/ou integrar-se a fornecedores terceirizadospara implementar as soluções de que precisam. Elas também precisam investir em infraestrutura para potencializar o treinamento e a inferência de modelos de GenAI.
Mas tudo isso depende de ter as soluções corretas de gerenciamento de dados implementadas. É aí que as empresas muitas vezes tropeçam - e é aí que elas devem se concentrar se quiserem parar de simplesmente falar sobre a GenAI e começar a realmente colocá-la em uso.
Este artigo foi publicado originalmente no RTInsights em 13 de dezembro de 2024, com o título 'Overcoming the Top Barriers to GenAI Adoption In the Enterprise’.
Sobre a Indicium
A Indicium é líder global em serviços de dados e inteligência artificial, criada para ajudar empresas a resolver o que importa agora e se preparar para o que vem depois. Com um investimento de 40 milhões de dólares e um time com mais de 400 profissionais certificados, entregamos soluções ponta a ponta ao longo de todo o ciclo de vida dos dados. Nosso framework proprietário, o IndiMesh, impulsionado por inteligência artificial, orienta cada entrega com inteligência coletiva, expertise comprovada e controle de qualidade rigoroso. Líderes de mercado como PepsiCo e Bayer confiam na Indicium para transformar desafios complexos de dados em resultados duradouros.
Mantenha-se conectado
Receba as últimas atualizações e notícias diretamente em sua caixa de entrada.
Artigos relacionados
