Antes, as palavras “inteligência artificial” (AI) nos faziam pensar em um universo distópico dominado por robôs. Podemos agradecer à ficção científica popular por isso. Mas agora, quando pessoas como executivos de negócios ouvem a palavra AI, elas pensam em oportunidade.
Em novembro de 2022, o lançamento do ChatGPT, um chatbot conversacional de AI, abalou a internet. Em dois meses após o lançamento, ele conquistou o título de base de usuários que mais cresceu, com mais de 100 milhões de usuários.
Muitas empresas exploraram suas capacidades para simplificar os 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 vendo o potencial que a AI tem para ir além do bordão usual “automatize tudo” que temos ouvido.
Para explorar seu verdadeiro potencial em 2023, vamos fazer uma análise profunda da importância da AI nos negócios. Neste artigo, vamos falar sobre o seguinte:
A história da AI nos negócios
Histórias populares de sucesso e fracasso
Principais casos de uso
Um mini guia sobre como adotar AI
Vamos começar.
História da AI nos negócios
Uma pesquisa recente da PwC descobriu que 36% dos líderes já têm processos de negócios habilitados por AI ou estão adotando AI em grande escala. No entanto, nem sempre foi assim.
O termo “artificial intelligence” foi cunhado em 1956 por quatro cientistas: John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Logo 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 AI.
Mas, com o passar do tempo, a comunidade científica publicou trabalhos como o Lighthill Report e Perceptrons, que criticavam fortemente a AI e sua incapacidade de cumprir os objetivos definidos anteriormente. Isso levou a uma forte retirada de financiamento por parte de entidades financiadoras nos Estados Unidos e no Reino Unido. Depois de quase 20 anos de grande interesse na área, surgiu o primeiro AI winter.
O interesse em AI voltou a crescer nos anos 1970, quando os 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 AI winter, que durou até meados dos anos 1990.
No fim dos anos 1990, o interesse ressurgiu por causa de avanços significativos na área. A IBM lançou o Deep Blue, que derrotou um campeão humano de xadrez no próprio jogo. Ao mesmo tempo, várias instituições de pesquisa trabalhavam em robôs, veículos autônomos e muito mais, o que trouxe a AI spring — a mais longa de todas.
Agora, temos chatbots com AI, clonadores de voz, assistentes de reuniões e muito mais — tudo isso em apenas duas décadas.
Quais são os casos de uso de AI mais relevantes?
Com mais de sete décadas de avanço, a AI percorreu um longo caminho.
Danny Pan, Head of Data Science na SetSail, diz: “Com a explosão da AI, algumas ferramentas podem parecer apenas truques. Embora a AI não seja uma moda passageira, 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 colocando-a em uso. Aqui estão algumas histórias de sucessos e fracassos da AI nos negócios:
Fabricando os Cheetos perfeitos: Bonsai da Microsoft
Graças ao Project Bonsai da Microsoft, a PepsiCo pode criar sempre o Cheeto perfeito. Essa poderosa plataforma de AI usa reinforcement learning para aprender com especialistas em Cheetos.
Em troca, ela verifica a qualidade de cada chip — garantindo que ele tenha o tamanho, o sabor, o formato e o 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 AI na manufatura.
Entregando as recomendações certas de séries: Netflix
A Netflix usa AI algorithms para analisar o tipo de conteúdo que seus clientes assistem. Como resultado, ela oferece recomendações personalizadas e adaptadas aos interesses deles. Isso acontece ao coletar dados sobre os hábitos de visualização e as preferências de conteúdo dos clientes, permitindo que o algoritmo entenda de quais opções eles vão gostar. Isso proporciona uma experiência agradável ao usuário — aumentando a retenção. Esse caso de uso comprovou o valor da AI na personalização e no uso dela para manter mais clientes em produtos de software.
Recomendações inseguras de tratamento para câncer: IBM Watson
O Watson for Oncology da IBM foi um fracasso de vários milhões de dólares. Ele foi treinado apenas com um pequeno conjunto de dados hipotéticos de pacientes, em vez de informações reais. Essa falha levou a consequências desastrosas, com vários exemplos de recomendações perigosas e incorretas de tratamento sendo identificados. Por não conseguir cumprir o caso de uso previsto, o projeto de US$ 62 milhões acabou sendo abandonado. Esse caso de uso mostrou a importância de fornecer um grande conjunto de dados imparcial para os modelos de AI para obter a saída correta. Conjuntos de dados pequenos não oferecem dados fundamentais suficientes para o modelo de AI tomar decisões precisas.
Chatbot do Twitter corrompido: Tay da Microsoft
O fracasso do chatbot Tay da Microsoft (Thinking About You) acabou se tornando uma 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 cheias de ódio por causa das interações com trolls da internet. Isso expôs uma falha fundamental no design do Tay: a falta de sistemas de filtragem. A Microsoft precisou desligá-lo imediatamente para evitar mais danos à sua reputação. Esse caso de uso provou que os modelos de AI devem ser treinados com dados moderados para evitar esse tipo de problema. O modelo só é tão bom quanto os dados com os quais foi treinado.
Casos de uso de AI para pequenas empresas
As aplicações reais da inteligência artificial são amplas. Vamos ver como pequenas empresas podem aproveitar AI:
Automatize a qualificação e o gerenciamento de leads
Pequenas empresas podem usar chatbots conversacionais de AI para capturar informações de leads e adicioná-las ao software de customer relationship management (CRM). Essa tecnologia pode economizar tempo, aumentar a eficiência e melhorar a satisfação do cliente.
Você pode programá-la para fazer perguntas como nome, endereço de e-mail, número de telefone ou outros pontos de dados desejados. Você também pode adicionar perguntas de qualificação de leads, como tipo de negócio, orçamento e muito mais. Depois, as respostas podem ser transferidas automaticamente para o CRM da empresa — eliminando a necessidade de inserção manual de dados.
Além disso, você pode integrar ferramentas de AI para negócios, como o ChatGPT, ao seu sistema de gerenciamento 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 os leads e determinar quais têm mais chance de converter melhor.
Capture notas de reunião automaticamente
Muitas pessoas passam tempo demais em reuniões. Ainda assim, elas ficam alternando o contexto o tempo todo entre fazer anotações e tentar ouvir os outros participantes. Para evitar isso, você pode usar soluções com AI como Supernormal para aproveitar ao máximo suas reuniões.
Por exemplo, ele pode gravar a reunião inteira e capturar destaques curtos que refletem os pontos importantes da sua chamada. Além disso, você pode transcrever a chamada, criar notas detalhadas e enviá-las aos participantes relevantes.
Simplifique os fluxos de trabalho de conteúdo
Pequenas empresas muitas vezes têm recursos e equipe limitados. Isso torna difícil criar conteúdo em escala para campanhas de marketing digital. Felizmente, as ferramentas de AI podem gerar rapidamente conteúdo de alta qualidade, envolvente e persuasivo.
Da escrita à edição e à otimização, há várias ferramentas de AI para negócios disponíveis para cada etapa do seu fluxo de trabalho de conteúdo. Você pode gerar posts de blog usando ferramentas de escrita com AI que tenham modelos ou fluxos de trabalho para ajudar você a começar.
Depois de gerar o texto, você pode passá-lo por um editor com AI que analisa o conteúdo em busca de erros gramaticais, aderência às diretrizes de estilo e muito mais. O objetivo é reduzir o tempo necessário para produzir uma peça de conteúdo — mantendo a qualidade e os custos baixos.
Escreva e-mails e linhas de assunto para diferentes finalidades
Usando ferramentas de AI como o ChatGPT, equipes de vendas e marketing podem escrever e-mails frios convincentes 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 e-mail
Informações de personalização
Pontos de dor
Chamada para ação
Com base nisso, ele pode gerar um e-mail frio e uma linha de assunto que você ajusta ainda mais de acordo com suas preferências. Isso permite que as equipes de vendas e marketing foquem em pesquisa e construção de relacionamentos, em vez de escrever o e-mail. Isso também é útil para criar respostas prontas para tarefas administrativas e de suporte.
Filtre candidatos potenciais
Você pode automatizar o processo de contratação, desde a triagem de currículos e o acompanhamento de candidatos até o agendamento de entrevistas. As ferramentas de AI 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 um e-mail de agendamento, um e-mail de acompanhamento e a análise das gravações das chamadas. Essa abordagem economiza tempo dos gerentes de contratação, acelera o processo de contratação e permite que eles se concentrem em trabalhos de alto nível.
Casos de uso de AI para corporações
Em seu livro recente, Henry A. Kissinger (Chairman da Kissinger Associates), Eric Schmidt (ex-CEO do Google) e Daniel Huttenlocher (dean of the MIT Schwarzman College of Computing) dizem: “Por causa da experiência e dos recursos computacionais necessários para treinar modelos de machine learning, criar uma AI exige os recursos de grandes empresas ou de estados-nação.”
Isso é verdade, porque corporações maiores têm acesso a inúmeros recursos, o que facilita aproveitar o verdadeiro potencial da AI. Também por isso seus casos de uso têm escopo mais amplo e são personalizados de acordo com suas necessidades. Veja alguns exemplos:
Personalização de ecommerce
Grandes corporações já usam AI para personalizar recomendações aos clientes e aumentar seus resultados. Empresas como a Alibaba usam algoritmos de personalização internos para analisar dados de clientes e gerar recomendações sob medida. Esse nível de personalização faz os clientes voltarem, o que fica evidente pelo fato de a empresa ter faturado US$ 129,98 bilhões em 2022.
Processamento de sinistros de seguros
Quando o assunto é casos de uso mais sérios de AI, o processamento de sinistros de seguros é um dos mais importantes. Antes, os clientes precisavam esperar dias ou até semanas para processar seus sinistros. Em alguns casos, eles não recebiam de volta nem metade do que esperavam, o que gerava desconfiança na empresa.
Empresas como Bdeo resolvem esse problema usando AI. O produto pode fazer uma análise 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 para o cliente — levando a processos melhores.
Ecossistemas baseados em AI para vários casos de uso
Empresas como a Airbus criaram seu próprio ecossistema baseado em AI para impulsionar suas operações. Alguns dos casos de uso incluem:
Otimização das rotas de voo de suas aeronaves
Redução do consumo de combustível
Realização de manutenção preditiva em seus aviões
Uso de sistemas de voo autônomos
Assistentes robóticos para astronautas
Otimização dos serviços de alimentação para promover 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 problemas potenciais antes que eles aconteçam, reduzindo os custos operacionais.
Como adotar AI gradualmente em toda a sua empresa
Agora que você conhece os vários casos de uso, dependendo do tamanho da empresa, vamos ver como você pode começar a adotar AI na sua organização:
Etapa 1: Determine quais problemas você precisa resolver
Para começar com AI, você primeiro precisa entender o que o seu negócio precisa. Muitas vezes, as empresas pensam nisso de forma invertida. Elas querem que a AI 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, a pessoa tem primeiro um problema e depois encontra a melhor solução para ele. No entanto, no mundo da AI, muitas vezes as pessoas primeiro levam a solução à mesa — AI — sem nem saber o que vão fazer com ela.”
Pense nos problemas que você precisa resolver. Você quer automatizar seus fluxos de trabalho? Ou está buscando resultados mais estratégicos com os dados que já tem? Com base nisso, restrinja a busca a um produto que realmente vai agregar valor ao seu negócio.
Aqui está uma estrutura da PwC que mostra como líderes de negócios com visão de futuro em AI escolhem um produto:
Etapa 2: Fale com especialistas em AI antes de implementá-la
Depois de entender suas necessidades de negócio, consulte um especialista em AI. Eles identificam possíveis obstáculos e criam estratégias para evitá-los.
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 AI não impactasse negativamente nossa força de trabalho e que ela ampliasse e aprimorasse as capacidades da nossa equipe.”
Além disso, fornecedores especializados podem recomendar sistemas de AI que melhor atendam às necessidades da empresa, mantendo as implicações éticas no mínimo e proporcionando uma experiência positiva ao cliente.
Etapa 3: Faça uma análise de custo-benefício
Depois que você souber o que procura, 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 AI devem passar pelo mesmo processo de avaliação que qualquer outra ferramenta. Ferramentas de AI, como todas as ferramentas, devem agregar valor mensurável ao negócio.”
Pense também nos impactos de longo prazo de adotar soluções de AI. Você precisa considerar o retorno financeiro imediato e quaisquer economias ou oportunidades futuras que o investimento em AI oferece.
Milosz Krasinski, Managing Director da Chilli Fruit Web Consulting, oferece uma dica útil. Ele diz: “Eu sugiro que donos de pequenas empresas testem o máximo de free trials que puderem. Testar as capacidades deles pode ser um bom ponto de partida para ver o que é útil e importante para a SUA empresa.”
Etapa 4: Implemente ferramentas com AI e acompanhe o progresso
Quando as empresas adotam AI, é crucial que elas não apenas implementem as ferramentas, mas também acompanhem seu progresso.
Giorgio Daher, membro do conselho consultivo da Headline Bulletin, diz que existem vários desafios para adotar AI. Veja alguns exemplos:
Não entender a diferença entre AI estreita e AI ampla
Não ter dados limpos e bem gerenciados para alimentar a AI (não importa quão inteligente a AI seja; se você alimentar o sistema com dados ruins, ele vai gerar insights inadequados)
Questões éticas (por exemplo, se você usar AI para risco e compliance, 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 continuar ajustando, vai conseguir garantir que a ferramenta funcione bem no contexto do seu negócio.
Etapa 5: Analise, itere e amplie o uso
É crucial adotar uma abordagem incremental em vez de esperar um uso amplo desde o início. Quando você faz isso, consegue comprovar o valor da AI testando-a em uma pequena amostra dos seus grandes conjuntos de dados antes de expandir de forma significativa.
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 procura maneiras de otimizar ainda mais o uso da AI.
O futuro da AI nos negócios
Fica claro que, apesar dos AI winters que vimos no passado, a AI está se tornando rapidamente o padrão para empresas de todos os tamanhos. Desde seus primeiros passos em simulações até os poderosos algoritmos de hoje, ela se tornou uma parte crucial das operações de negócios. Seus casos de uso só vão aumentar à medida que mais dados se tornarem disponíveis e melhores ferramentas forem desenvolvidas.
Salva Jovells, Marketing Manager da Hockerty, acredita que o futuro da AI incluirá APIs abertas para que elas possam ser integradas e personalizadas, educação sobre como usá-las e regulamentação sobre seus limites.
Por outro lado, Daher acredita que a AI continuará passando por “winters” e “springs.” Ele diz: “A ideia de que ela vai substituir os humanos está longe da realidade. Acho que a AI vai ampliar as capacidades humanas, permitindo que as pessoas dediquem sua inteligência muito mais refinada a iniciativas de maior valor.”
Este é o período mais longo de interesse sustentado que já vimos na tecnologia de AI. Embora exista muito potencial, ainda precisamos avaliar os riscos da AI em sua totalidade. No entanto, para construir o caso de negócio da AI, o melhor é que você entenda primeiro suas capacidades e depois a aproveite para o seu caso de uso, a fim de ganhar vantagem competitiva.
