5 Fatores Críticos para Mobilizar a IA Generativa da Maneira

A ascensão meteórica da inteligência artificial generativa (IA) está transformando todos os aspectos de fazer negócios. Embora a tecnologia tenha desbloqueado oportunidades para impulsionar maior eficiência e estimular a inovação, ela também traz um conjunto único de desafios e riscos, que vão desde privacidade e cibersegurança até alucinação de dados e confiabilidade. Além disso, governos ao redor do mundo estão intensificando a fiscalização e a regulamentação da IA generativa, segundo um relatório do Oliver Wyman Forum.

Navegar por esse equilíbrio exige uma abordagem abrangente e em toda a empresa. Os líderes precisam garantir que a IA generativa esteja vinculada a casos de uso que aumentem o valor para a organização e seus clientes. Isso requer um exame cuidadoso de como a IA generativa é implantada em diversas funções, desde o atendimento ao cliente até risco e conformidade, assegurando que a organização possa gerenciar os riscos potenciais.

Cinco fatores-chave para o sucesso na implantação de IA generativa nas organizações

Com muita frequência, constatamos que as organizações adotam uma abordagem isolada na implantação de ferramentas avançadas de IA, em parte para acompanhar a corrida tecnológica. No entanto, isso resulta em resultados inconsistentes ou subótimos. Para alcançar resultados melhores e duradouros, identificamos cinco fatores críticos e interconectados de sucesso que os executivos devem dominar, seja para aqueles que foram adotantes precoces em 2022 ou para aqueles que estão adotando uma abordagem mais conservadora.

1. Priorize pelo valor medindo o impacto da IA generativa

Os executivos estão sob pressão para comprovar o retorno sobre os investimentos em IA generativa, mas estão enfrentando dificuldades para capturar impactos financeiros mensuráveis em iniciativas como chatbots. As organizações precisam de um framework robusto de mensuração de valor para garantir que os investimentos se traduzam em valor real para o negócio, clientes e acionistas.

Desenvolvemos um framework que os líderes podem utilizar para construir métricas objetivas e estabelecer uma ligação tangível entre os investimentos em IA generativa e o valor para os acionistas. Esse framework promove a responsabilização, ao mesmo tempo em que cria uma tolerância organizacional para falhas e experimentação.

Outra área em que as empresas estão enfrentando dificuldades é integrar a IA generativa com as capacidades tradicionais de IA e análises, e então incorporar os resultados em sistemas e processos. A intenção é encontrar a solução técnica adequada para cada tarefa e criar uma bancada de trabalho com widgets e agentes de IA utilizáveis para automatizar tarefas repetitivas e otimizar a eficiência e consistência dos processos usando tecnologias de suporte.

Considere instituições financeiras onde a IA pode reforçar o suporte à decisão ao longo de todo o processo de crédito. A gestão de crédito não varejista é altamente manual e complexa. Por exemplo, redigir e revisar um memorando de crédito exige conhecimento especializado tanto do setor quanto do crédito. Ao empregar fluxos de trabalho agentes, os bancos podem utilizar agentes de IA para raciocinar, executar tarefas e automatizar etapas manuais e demoradas, com a intervenção humana quando necessário.  

Isso não apenas economiza tempo, mas também permite uma análise mais abrangente da capacidade de crédito por meio de múltiplas tarefas, como coleta de documentos de diversas fontes, verificação e validação de dados, e avaliações de risco assistidas por IA. Importante destacar que não se trata apenas de automação de fluxos de trabalho; a IA pode realizar tarefas de raciocínio complexo — por exemplo, identificar os principais fatores de risco que um gerente de relacionamento deve avaliar ao conceder crédito a uma concessionária de automóveis, entre outros aspectos.

Uma variedade de aplicações está surgindo em outros setores. Na saúde, por exemplo, a IA generativa tem mostrado potencial para avançar na medicina personalizada e melhorar a experiência do paciente. Companhias de seguros estão utilizando a IA generativa para analisar grandes volumes de dados, reduzir pagamentos excessivos e ajudar os líderes a tomar decisões mais informadas. E os fabricantes de automóveis estão a empregá-la para acelerar a pesquisa e o desenvolvimento.

2. Garanta uma governança que acelere a IA

As organizações devem definir estruturas internas de governança que estabeleçam papéis e responsabilidades claros.

Uma estrutura de governança centralizada com um conselho fortalecido de stakeholders seniores é um modelo para o sucesso. Tal conselho de alta administração ou comitê diretor deve abranger toda a empresa e pode desempenhar um papel vital na priorização e aprovação de casos de uso para orientar os investimentos corretos. Ele também pode gerenciar os processos de gerenciamento de riscos, garantir o alinhamento com os objetivos organizacionais, fornecer direção estratégica e focar as decisões com base no verdadeiro potencial de valor, acompanhando-o por meio de indicadores-chave de desempenho acordados. 

3. Implemente salvaguardas e controles de risco apropriados

As salvaguardas de gerenciamento de risco são essenciais para amplificar os desafios operacionais, reputacionais e regulatórios. No entanto, controles excessivos podem paralisar a inovação. As equipes de risco líderes estão implementando matrizes de classificação de risco para IA generativa, a fim de distinguir modelos de alto impacto voltados ao cliente de copilotos internos de baixo risco.

Um framework abrangente de gerenciamento de riscos deve abranger vários elementos críticos, incluindo como avaliar riscos, classificação de risco dos casos de uso, diretrizes para validação e testes, e controles proporcionais ao risco. A classificação de risco dos casos de uso, por exemplo, envolve categorizar as aplicações de IA generativa com base em seu potencial impacto e riscos associados. Casos de uso de alto risco podem exigir protocolos mais rigorosos de validação e teste, enquanto aplicações de menor risco podem seguir processos simplificados.

Diretrizes claras de validação e testes são cruciais para garantir a confiabilidade e precisão dos modelos de IA generativa, o que inclui a definição de metodologias para avaliar o desempenho do modelo e realizar testes de estresse. 

Implementar controles, salvaguardas e filtros proporcionais ao risco também é vital, mas eles não devem sufocar a inovação — devem escalar conforme o risco e ser projetados para prevenir mau uso ou consequências não intencionais, como vieses na tomada de decisão ou violações da privacidade do cliente. Ao definir um framework robusto de gerenciamento de riscos, as organizações podem não apenas aprimorar seu modelo de governança, mas também construir confiança com as partes interessadas ao demonstrar um compromisso com a implantação responsável da IA.

4. Desenvolva um modelo operacional centralizado para eliminar silos

Implementar práticas de gestão de mudanças para preparar a organização para a mudança cultural que acompanha a adoção da IA generativa é essencial. Um dos pontos de atrito mais comuns e custosos que observamos é a tensão entre as equipes de tecnologia (CIO/CTO) e as equipes de risco e dados. Os CIOs querem avançar rapidamente, implantar plataformas em toda a empresa e entregar IA generativa em escala, enquanto as equipes de risco de modelos e dados, com razão, buscam garantir conformidade, explicabilidade e responsabilidade.

Frequentemente, esse desalinhamento decorre de um modelo operacional pouco claro — onde a responsabilidade pelo risco dos modelos, propriedade dos dados ou monitoramento dos modelos está confusa. Como resultado, a inovação desacelera, a implantação estagna e os pilotos nunca são ampliados. Clarificar as responsabilidades entre tecnologia, risco e dados não é apenas uma boa governança — é essencial para a agilidade nos modelos operacionais. 

Um centro de excelência (CoE) centralizado, especialmente nas fases iniciais de adoção, oferece diversas vantagens e tem se mostrado bem-sucedido com vários clientes. Um CoE bem projetado pode garantir uma supervisão adequada, avaliar projetos quanto à escalabilidade e reduzir esforços duplicados entre unidades isoladas.

O CoE deve trabalhar em conjunto com o framework de governança centralizada e agir como o braço de execução do conselho de alta administração. CoEs bem-sucedidos possuem:

• Recursos suficientes, incluindo pessoal qualificado. Isso pode envolver a contratação de cientistas de dados, especialistas em IA e especialistas no domínio
• Um orçamento dedicado para impulsionar a inovação e apoiar diversos departamentos em seus esforços, além de desenvolver playbooks, kits de ferramentas e ativos reutilizáveis
• A capacidade de oferecer suporte à gestão de mudanças para as unidades de negócio, como promover uma cultura de colaboração e compartilhamento de conhecimento, fornecer treinamento em novas tecnologias e fomentar uma mentalidade de inovação e adaptabilidade
• Clareza em relação aos papéis e responsabilidades, especialmente no que diz respeito à escalabilidade das aplicações entre as equipes de tecnologia, dados, ciência de dados e riscos

Por fim, estabelecer KPIs para monitorar a eficácia do CoE e suas iniciativas pode ajudar a acompanhar o número de projetos bem-sucedidos de IA generativa lançados, o tempo necessário para implantar as soluções e o impacto geral nos resultados do negócio.

5. Invista na pilha tecnológica fundamental adequada

Uma pilha tecnológica moderna é necessária para escalar soluções de IA. Ela deve incluir uma gestão de dados robusta que facilite a coleta, o armazenamento e o processamento de grandes volumes de dados, garantindo entradas de alta qualidade, além de integração com fluxos de trabalho para assegurar que a IA possa escalar. Além disso, as organizações devem investir em ferramentas e frameworks que apoiem o desenvolvimento e a implantação de aplicações de IA generativa, como plataformas baseadas em nuvem que permitam escalabilidade.

Selecionar o modelo de linguagem grande (LLM) adequado é essencial para garantir que a IA generativa entregue resultados confiáveis e eficazes em ambientes de produção de missão crítica. Nem todos os LLMs estão prontos para uso empresarial em produção, especialmente quando o caso de uso envolve conhecimento específico do domínio, janelas de contexto longas ou tomada de decisão com implicações de risco ou conformidade. Ao usar um modelo de propósito geral quando um modelo ajustado ou adaptado ao domínio é necessário, o desempenho será prejudicado, assim como os resultados do negócio. É importante que a pilha tecnológica e a plataforma permitam a escolha do modelo, além de oferecer capacidades para testar e monitorar os modelos fundamentais.

As capacidades de integração também são cruciais, pois as soluções de IA generativa devem se integrar perfeitamente aos sistemas existentes para aprimorar a funcionalidade e a experiência do usuário. Essa integração é vital para manter a eficiência operacional e garantir que a IA faça parte do fluxo de trabalho normal, desbloqueando ganhos para a organização. Além disso, medidas de segurança e ferramentas de conformidade devem ser implementadas para proteger dados sensíveis e assegurar a aderência aos requisitos regulatórios, incluindo criptografia, controles de acesso e ferramentas de monitoramento para detectar e responder a possíveis incidentes de segurança.

Por que as organizações precisam escalar a IA generativa agora

As organizações devem adotar uma abordagem holística que aborde tanto os desafios estratégicos quanto operacionais da IA generativa. Uma abordagem fragmentada corre o risco de perder oportunidades e acumular dívida técnica. Aquelas que integrarem risco, valor e execução desde o primeiro dia construirão uma vantagem competitiva duradoura. Integrar a IA generativa às operações do dia a dia não apenas posiciona as organizações para prosperar no ambiente atual, mas também garante que elas permaneçam competitivas em um cenário cada vez mais digital.