Antes, as palavras “inteligência artificial” (IA) nos faziam pensar em um universo distópico comandado por robôs. Podemos agradecer à ficção científica popular por isso. Mas agora, quando pessoas como executivos de negócios ouvem a palavra IA, pensam em oportunidade.
Em novembro de 2022, o lançamento do ChatGPT, um chatbot conversacional de IA, parou a internet. Em dois meses após o lançamento, ele conquistou o título de base de usuários de crescimento mais rápido, com mais de 100 milhões de usuários.
Muitas empresas exploraram seus recursos para simplificar seus fluxos de trabalho. Enquanto algumas o usaram para gerar conteúdo, outras o usaram para automação de processos. E isso é só a ponta do iceberg.
Graças ao surgimento de ferramentas como DALL-E e GitHub’s CoPilot, mais empresas estão percebendo o potencial da IA de ir além do velho bordão “automatize tudo” que temos ouvido.
Para explorar seu verdadeiro potencial em 2023, vamos fazer um mergulho profundo na relevância da IA nos negócios. Neste artigo, vamos abordar o seguinte:
A história da IA nos negócios
Histórias de sucesso e fracasso populares
Casos de uso relevantes
Um mini-guia sobre como adotar IA
Vamos lá.
História da IA nos negócios
Uma pesquisa recente da PwC descobriu que 36% dos líderes já têm processos de negócios habilitados por IA ou estão adotando IA em larga escala. No entanto, nem sempre foi assim.
O termo “inteligência artificial” foi cunhado em 1956 por quatro cientistas: John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Pouco depois, em 1961, Alan Turing, um matemático famoso, escreveu um artigo sobre como os computadores podem simular o processo de pensamento de um ser humano e fazer coisas inteligentes. Esse marco sinalizou o surgimento da área de IA.
Mas, com o tempo, a comunidade científica publicou materiais como o Lighthill Report e Perceptrons, que criticavam fortemente a IA e sua incapacidade de cumprir os objetivos definidos anteriormente. Isso levou à retirada severa de financiamento por agências dos Estados Unidos e do Reino Unido. Depois de quase 20 anos de grande interesse na área, veio o primeiro inverno da IA.
O interesse em IA voltou a crescer nos anos 1970, quando expert systems foram desenvolvidos. Esses sistemas simulavam o julgamento e o comportamento de especialistas humanos ou organizações com conhecimento de domínio. No entanto, limitações tecnológicas resultaram em outro inverno da IA, que durou até meados dos anos 1990.
No fim dos anos 1990, o interesse voltou a surgir por causa de avanços importantes na área. A IBM lançou o Deep Blue, que venceu um campeão humano de xadrez em seu próprio jogo. Ao mesmo tempo, várias instituições de pesquisa estavam trabalhando em robôs, veículos autônomos e muito mais, o que trouxe a primavera da IA — a mais longa até hoje.
Agora, temos chatbots com IA, clonadores de voz, assistentes de reunião e muito mais — tudo isso em apenas duas décadas.
Quais são os casos de uso mais relevantes da IA?
Com mais de sete décadas de evolução, a IA avançou muito.
Danny Pan, Head of Data Science na SetSail, diz: “Com a explosão da IA, algumas ferramentas podem parecer apenas truques. A IA não é moda passageira, mas algumas ferramentas certamente serão. É essencial provar que uma ferramenta agrega valor ao avaliar se ela é um ativo útil para manter no longo prazo.”
A única maneira de descobrir se uma ferramenta realmente agrega valor ao negócio é colocá-la em uso. Aqui estão algumas histórias de sucesso e fracasso da IA nos negócios:
Fabricando o Cheetos perfeito: o Bonsai da Microsoft
Graças ao Project Bonsai da Microsoft, a PepsiCo consegue sempre criar o Cheeto perfeito. Essa poderosa plataforma de IA usa reinforcement learning para aprender com especialistas em Cheetos.
Por sua vez, ela verifica a qualidade de cada chip — garantindo que tenha o tamanho, sabor, formato e ar perfeitos. Ela assegura que o produto atenda aos mais altos padrões de qualidade em cada lote produzido. Esse caso de uso comprovou o valor da IA na manufatura.
Oferecendo as recomendações certas de séries: Netflix
A Netflix usa algoritmos de IA para analisar o tipo de conteúdo que seus clientes assistem. Como resultado, ela oferece recomendações personalizadas, ajustadas aos interesses deles. Isso é feito coletando dados sobre os hábitos de visualização e as preferências de conteúdo dos clientes, permitindo que o algoritmo entenda de quais opções eles gostariam. Isso proporciona uma experiência de usuário agradável — aumentando a retenção. Esse caso de uso comprovou o valor da IA na personalização e no uso dela para reduzir o churn de clientes em produtos de software.
Recomendações inseguras de tratamento de câncer: IBM Watson
O Watson for Oncology da IBM foi um fracasso multimilionário. Ele foi treinado apenas com um pequeno conjunto de dados hipotéticos de pacientes, em vez de informações reais de pacientes. Essa falha levou a consequências desastrosas, com vários exemplos de orientações de tratamento perigosas e incorretas sendo identificados. Devido à sua incapacidade de atender ao caso de uso pretendido, o projeto de US$ 62 milhões acabou sendo descartado. Esse caso de uso mostrou a importância de fornecer um grande conjunto de dados imparcial para os modelos de IA obterem a resposta certa. Pequenos conjuntos de dados não fornecem informação de base suficiente para o modelo de IA tomar decisões precisas.
Chatbot corrompido do Twitter: Tay da Microsoft
O fracasso do chatbot Tay da Microsoft (Thinking About You) serviu de lição sobre a importância de oferecer dados de treinamento corretos. Os algoritmos que alimentavam o bot foram projetados para aprender com as conversas que ele tinha com pessoas no Twitter.
Menos de 24 horas após o lançamento, ele começou a publicar mensagens ofensivas e de ódio por causa de suas interações com trolls da internet. Isso expôs uma falha fundamental no design do Tay: a falta de sistemas de filtragem. A Microsoft teve de desligá-lo imediatamente para evitar mais danos à sua reputação. Esse caso de uso provou que os modelos de IA devem ser treinados com dados moderados para evitar problemas assim. O modelo é tão bom quanto os dados com os quais foi treinado.
Casos de uso de IA para pequenas empresas
As aplicações da inteligência artificial no mundo real são muitas. Vamos ver como pequenas empresas podem aproveitar a IA:
Automatize a pontuação e a gestão de leads
Pequenas empresas podem usar chatbots conversacionais de IA para captar informações de leads e adicioná-las ao software de gestão de relacionamento com o cliente (CRM). Essa tecnologia pode economizar tempo, aumentar a eficiência e melhorar a satisfação do cliente.
Você pode programá-la para fazer perguntas como nome, email, número de telefone ou outros dados desejados. Você também pode adicionar perguntas de qualificação de leads, como tipo de empresa, orçamento e muito mais. Essas respostas podem então ser transferidas automaticamente para o CRM da empresa — eliminando a necessidade de inserir dados manualmente.
Além disso, você pode integrar ferramentas de IA para negócios, como ChatGPT, ao seu sistema de gestão de leads. Você pode treinar o modelo de ML com base em dados internos, como tempo médio na página, número de cliques, interações nas redes sociais, tipo de dispositivo e dados demográficos. Com base nisso, ele pode pontuar leads e determinar quais têm mais chances de converter.
Capture anotações de reuniões automaticamente
Muitas pessoas passam tempo demais em reuniões. Ainda assim, estão sempre alternando o contexto entre fazer anotações e tentar ouvir os outros participantes. Para evitar isso, você pode usar soluções com IA como Supernormal para aproveitar ao máximo suas reuniões.
Por exemplo, ele pode gravar a reunião inteira e capturar destaques curtos que resumem os pontos importantes da sua chamada. Além disso, você pode transcrever a chamada, criar anotações detalhadas e enviá-las aos participantes relevantes.
Simplifique os fluxos de trabalho de conteúdo
Pequenas empresas geralmente têm recursos e equipe limitados. Isso torna difícil criar conteúdo em escala para campanhas de marketing digital. Felizmente, ferramentas de IA podem gerar rapidamente conteúdo de alta qualidade, envolvente e persuasivo.
Da redação à edição e à otimização, existem várias ferramentas de IA para empresas disponíveis para cada etapa do seu fluxo de trabalho de conteúdo. Você pode gerar posts de blog usando ferramentas de escrita com IA que têm templates ou workflows para ajudar você a começar.
Depois de gerar o texto, você pode passá-lo por um editor com IA que analisa erros gramaticais, aderência às diretrizes de estilo e muito mais. O objetivo é reduzir o tempo necessário para produzir um conteúdo — mantendo a qualidade e reduzindo custos.
Redija emails e linhas de assunto para várias finalidades
Com ferramentas de IA como ChatGPT, equipes de vendas e marketing podem escrever cold emails persuasivos e linhas de assunto otimizadas em minutos. Tudo o que você precisa fazer é fornecer um prompt com os seguintes detalhes:
Destinatário pretendido
Objetivo do email
Informações de personalização
Principais dores
Chamada para ação
Com base nessas informações, ele pode gerar um cold email e uma linha de assunto que você ajusta depois conforme suas preferências. Isso permite que as equipes de vendas e marketing foquem na pesquisa e na construção de relacionamentos, em vez de escrever o email. Também é útil para criar respostas prontas para tarefas administrativas e de suporte.
Faça a triagem de candidatos em potencial
Você pode automatizar o processo de contratação, desde a triagem de currículos e o acompanhamento de candidatos até o agendamento de entrevistas. Ferramentas de IA podem automatizar tarefas manuais de recursos humanos, como a classificação de currículos. Além disso, elas podem analisar as respostas e recomendar quem contratar, se forem treinadas com dados imparciais.
Na etapa de entrevista, você pode automatizar tarefas como o envio de email de agendamento, um email de acompanhamento e a análise de gravações de chamadas. Essa abordagem economiza tempo dos gestores de contratação, acelera o processo e permite que eles foquem em trabalhos de nível mais alto.
Casos de uso de IA para grandes empresas
Em seu livro recente, Henry A. Kissinger (Chairman da Kissinger Associates), Eric Schmidt (ex-CEO do Google) e Daniel Huttenlocher (reitor do MIT Schwarzman College of Computing) dizem: “Por causa da expertise e dos recursos computacionais necessários para treinar modelos de machine learning, criar uma IA exige os recursos de grandes empresas ou de Estados-nação.”
Isso é verdade porque grandes corporações têm acesso a inúmeros recursos, o que torna mais fácil aproveitar o verdadeiro potencial da IA. Também por isso, seus casos de uso são mais amplos em escopo e personalizados às suas necessidades. Veja alguns exemplos:
Personalização no ecommerce
Grandes corporações já usam IA para personalizar recomendações aos clientes e aumentar seu resultado final. Empresas como a Alibaba usam algoritmos internos de personalização para analisar dados de clientes e gerar recomendações sob medida. Esse nível de personalização faz com que os clientes voltem, o que fica evidente pelo fato de a empresa ter faturado US$ 129,98 bilhões em 2022.
Processamento de sinistros de seguro
Quando o assunto são casos de uso mais sérios da IA, o processamento de sinistros de seguro é um dos principais. Antes, os clientes precisavam esperar dias ou até semanas para processar seus sinistros de seguro. Em alguns casos, eles não recebiam nem metade do que esperavam, o que gerava desconfiança na empresa.
Empresas como Bdeo resolvem esse problema usando IA. O produto dela pode fazer uma avaliação completa por meio de imagens e arquivos de vídeo para coletar evidências, avaliar danos e fornecer estimativas precisas de custo de reparo em minutos. Ele também pode ser usado para detecção de fraudes. Isso gera uma situação vantajosa para a seguradora e o cliente — levando a processos melhores.
Ecossistemas baseados em IA para múltiplos casos de uso
Empresas como a Airbus criaram seu próprio ecossistema baseado em IA para impulsionar suas operações. Alguns dos casos de uso incluem:
Otimização das rotas de voo de suas aeronaves
Redução do uso de combustível
Manutenção preditiva em seus aviões
Uso de sistemas de voo autônomos
Assistentes robóticos para astronautas
Otimização dos serviços de catering para impulsionar a sustentabilidade
Isso é possível por meio de fluxos de dados em tempo real da aeronave enquanto ela está no ar. Esses modelos analisam seus sistemas e aceleram o processo de tomada de decisão. Por exemplo, a manutenção preditiva ajuda a identificar possíveis problemas antes que aconteçam, reduzindo custos operacionais.
Como adotar IA gradualmente em toda a sua empresa
Agora que você já conhece os vários casos de uso, dependendo do tamanho da empresa, vamos ver como você pode começar a adotar IA na sua organização:
Etapa 1: Determine quais problemas você precisa resolver
Para começar com IA, você precisa primeiro entender o que sua empresa precisa. Muitas vezes, as empresas tendem a pensar nisso ao contrário. Elas querem que a IA resolva problemas — mesmo sem ter certeza de qual problema ela precisa resolver.
Em seu livro Smart Until It’s Dumb, Emmanuel Maggiori, engenheiro de software freelancer, diz: "Em um mundo ideal, primeiro você tem um problema e depois encontra a melhor solução para ele. No entanto, no mundo da IA, muitas vezes as pessoas primeiro levam a solução à mesa — IA — sem nem saber o que farão com ela."
Pense em quais problemas você precisa resolver. Você quer automatizar seus fluxos de trabalho? Ou está buscando uma saída de nível mais alto com dados existentes? Com base nisso, reduza as opções e escolha um produto que realmente agregue valor ao seu negócio.
Aqui está uma estrutura da PwC que mostra como líderes empresariais de IA com visão de futuro escolhem um produto:
Etapa 2: Fale com especialistas em IA antes de implementá-la
Depois de ter uma ideia das necessidades da sua empresa, consulte um especialista em IA. Ele identifica possíveis armadilhas e cria estratégias para evitá-las.
Athina Zisi, Chief Operating Officer da Energy Casino, diz: “Buscamos feedback e orientação de especialistas e de outras organizações que haviam implementado ferramentas semelhantes. Garantimos que a implementação de ferramentas com IA não impactasse negativamente nossa equipe e que ela ampliasse e fortalecesse as capacidades do nosso time.”
Além disso, fornecedores especialistas podem recomendar sistemas de IA que melhor atendam às necessidades da empresa, minimizando as implicações éticas e proporcionando uma experiência positiva ao cliente.
Etapa 3: Faça uma análise de custo-benefício
Depois que você souber o que está procurando, faça uma análise de custo-benefício das suas opções. Isso deve ajudar você a entender se a ferramenta vale o investimento.
Pan diz: “As ferramentas de IA devem passar pelo mesmo processo de avaliação que qualquer outra ferramenta. Ferramentas de IA, como todas as ferramentas, devem agregar valor quantificável ao negócio.”
Pense também nos impactos de longo prazo da adoção de soluções de IA. Você precisa considerar os retornos financeiros imediatos e qualquer economia ou oportunidade futura que o investimento em IA ofereça.
Milosz Krasinski, Managing Director da Chilli Fruit Web Consulting, oferece uma dica útil. Ele diz: "Eu sugiro que os proprietários de pequenas empresas aproveitem o máximo de testes gratuitos que puderem. Testar os recursos pode ser um bom ponto de partida para ver o que é útil e importante para a SUA empresa."
Etapa 4: Implemente ferramentas com IA e monitore o progresso
Quando as empresas adotam IA, é fundamental não apenas implementar as ferramentas, mas também monitorar seu progresso.
Giorgio Daher, membro do conselho consultivo da Headline Bulletin, diz que há vários desafios na adoção de IA. Aqui estão alguns exemplos de desafios:
Não entender a diferença entre IA estreita e IA ampla
Não ter dados limpos e bem gerenciados para alimentar a IA (Não importa quão inteligente a IA seja, se você alimentar dados ruins, ela vai fornecer insights inadequados)
Questões éticas (Ex.: se você usa IA para risco e conformidade, quem é responsável se houver uma violação ou um erro?)
Para evitar isso, avalie o desempenho regularmente, ajuste os modelos e crie ciclos de feedback para melhorar a precisão. À medida que você fizer ajustes, conseguirá garantir que a ferramenta funcione bem no contexto da sua empresa.
Etapa 5: Analise, itere e escale seu uso
É fundamental adotar uma abordagem incremental em vez de esperar uso generalizado. Assim, você pode comprovar o valor da IA testando-a em uma pequena amostra de seus grandes conjuntos de dados antes de expandir significativamente.
Isso permite acompanhar o progresso e fazer melhorias iterativas para maximizar o uso. O segredo é começar pequeno, focar em tarefas ou problemas específicos e monitorar continuamente o desempenho enquanto busca maneiras de otimizar ainda mais o uso da IA.
O futuro da IA nos negócios
Está claro que, apesar dos invernos da IA que vimos no passado, a IA está rapidamente se tornando o padrão para empresas de todos os tamanhos. Desde os primeiros usos em simulações até os algoritmos poderosos de hoje, ela se tornou uma parte crucial das operações de negócios. Seus casos de uso só vão aumentar à medida que mais dados ficarem disponíveis e ferramentas melhores forem desenvolvidas.
Salva Jovells, Marketing Manager da Hockerty, acredita que o futuro da IA incluirá open APIs para que possam ser integradas e personalizadas, educação sobre como usá-las e regulamentação sobre seus limites.
Por outro lado, Daher acredita que a IA continuará passando por "invernos" e "primaveras". Ele diz: “A noção de que ela substituirá os humanos é forçada. Acho que a IA ampliará as capacidades humanas, permitindo que as pessoas dediquem sua inteligência muito mais nuançada a iniciativas de maior valor.”
Este é o período mais longo de interesse sustentado que já vimos na tecnologia de IA. Embora haja muito potencial, ainda precisamos avaliar os riscos da IA em sua totalidade. No entanto, para justificar a IA no negócio, o ideal é que você entenda primeiro suas capacidades e depois a aproveite no seu caso de uso para ganhar vantagem competitiva.
