Inteligência artificial só serve se gerar valor para a empresa

Entrevista
Considerada a inventora mais produtiva da consultoria Accenture, com 225 patentes e registros, a PhD em ciência da computação pela Universidade da Califórnia afirma que a má qualidade dos dados e a dificuldade de gerar receitas com a tecnologia são os principais gargalos na adoção da inteligência artificial (IA) por companhias mundo afora. A americana veio ao Brasil para visitar executivos nos setores bancário, de telecomunicações e recursos naturais.
Como vem evoluindo a relação entre empresas e a IA?
É muito diferente do que se fazia há dois anos, por exemplo. Dizia-se que o engenheiro de prompts era a parte mais importante. Nem sabíamos da existência de agentes. Logo, todo mundo está no mesmo ponto de partida. Nenhuma empresa faz isso há dez anos.
Quais são os obstáculos?
Há dois grandes: a qualidade dos dados e a realização de valor. No geral, vemos uma baixa qualidade dos dados corporativos. Se você não tem dados sobre seu negócio " o que seus clientes estão fazendo etc.", a IA não pode automatizar muita coisa. Os modelos e os agentes são praticamente os mesmos para todas as empresas. Logo, o diferencial está nos seus dados.
E quanto ao segundo gargalo?
É a dificuldade de realização de valor. Só porque consigo fazer algo, não necessariamente isso vai me tornar mais produtivo ou gera novas fontes de receita. Vou ganhar dinheiro com isso? É isso que todo mundo quer saber, independentemente da tecnologia. É preciso enxergar retorno.
Falando do primeiro ponto, como as empresas podem melhorar suas bases de dados?
Um dos pontos principais é se perguntar: quais dados posso usar legal e eticamente com a IA generativa? Até porque muitos dos termos de uso sobre esses dados são anteriores a essa tecnologia. Quando falamos de dados não estruturados (capturados, mas não classificados em categorias tradicionais), isso é muito importante. As empresas devem entender como cuidar melhor deles. Como poucas empresas prestavam atenção a isso, vejo oportunidades para todos.
O problema é que o empresário olha para o lado e vê gigantes do Vale do Silício…
Há pioneiros, como Google e Amazon, apostando alto e reinventando seus setores. Mas vemos muitas empresas com a estratégia de ser o "seguidor rápido". Nem todas têm recursos ou talento para dar o primeiro grande salto, mas querem garantir que seus dados e sistemas estejam prontos para adotar rapidamente as inovações quando elas forem comprovadas.
Mas a tecnologia traz os ganhos de produtividade que promete?
Em alguns domínios, sim. Certamente em áreas como TI e outras que envolvem alguma entrega de tecnologia, como implementação de projetos, finanças, marketing e varejo. Temos evidências disso tanto em nossos próprios casos de uso internos quanto no trabalho com empresas globalmente. Mas voltamos ao ponto da realização de valor. Se você não consegue demonstrar valor, nada disso é sustentável ou mesmo relevante.
Como a senhora avalia a adoção de IA por empresas brasileiras?
Fiquei muito impressionada. As firmas brasileiras entendem claramente a mudança. Os bancos, por exemplo, não mostram uma grande diferença em relação aos pares globais. Os empresários brasileiros estão fazendo as mesmas perguntas.
A senhora já disse que as empresas precisam operar em duas velocidades. O que significa?
Voltamos à questão dos dados como principal gargalo. Não podemos mais dizer que levará meses ou anos para preparar os dados antes de começar a usar IA. Mesmo que parte dos dados precise estar organizada para algumas tarefas, em outras, há outros tipos de dados que podemos usar. Dados sintéticos (criados em simulações) ou "gêmeos digitais", por exemplo. A ideia é prototipar rapidamente, mostrar que funciona e só depois modernizar todo o ambiente de dados.
Reduzir a força de trabalho tem sido uma prioridade na adoção de IA?
Isso mudou. Em vez de focar apenas em produtividade, muitas empresas estão olhando para a realização de valor, que mencionei. É integrar um cliente mais rápido, oferecer melhores propostas etc. Crescimento tem sido o principal motor de investimento em IA, não apenas extrair mais com os mesmos recursos. E isso cria novos tipos de empregos que não existiam. A anotação de dados é um exemplo; outro é o de engenheiro de conhecimento. Para o indivíduo, o ponto de partida também foi reiniciado. Para quem está disposto a aprender, há oportunidades.
Quão longe estamos da adoção de agentes 100% autônomos nas empresas?
Depende da definição. Se pensamos em agentes fazendo pesquisas por mim, já estão sendo usados. Por exemplo: chega uma fatura e um agente de IA se comunica com outro para entender quem é o fornecedor etc. Mas o humano continua no circuito. O agente faz o trabalho e depois um humano valida: "Está correto?". E então aprova. Eu acredito que os humanos continuarão participando. Talvez não precisemos mais de alguém escrevendo código para o caminho dos dados, mas certamente precisaremos de pessoas para a curadoria da informação.
Teresa Tung, líder global de capacitação de dados da Accenture