25 DE JUN DE 2024

Estratégias para Líderes de TI na Implementação de Projetos de IA

Conseguir uma aprovação para implementar IA não tem sido tarefa simples, porém, aprender quem já fez, pode ser o caminho para construir um ótimo caso de negócios para projetos de IA e mostrar um ROI positivo.

Inúmeras empresas hoje estão explorando tecnologias e ferramentas de IA para automação de processos e melhoria da produtividade dentro de suas organizações. Uma pesquisa da Gartner mostrou um aumento na porcentagem de organizações que implementaram IA para 19% em 2020 e 24% em 2021.

As implementações mais bem-sucedidas resultam em benefícios claros, seja uma aplicação visual, como uma solução alimentada por Visão Computacional que pode reconhecer rostos, ou uma onipresente, como um assistente virtual habilitado para PLN (Processamento de Linguagem Natural) que pode automatizar conversas com clientes.

Mas a adoção de IA é muito mais do que apenas essas tecnologias e técnicas de modelagem. Muitas vezes, as organizações iniciam grandes exercícios de implementação de IA apenas para parar na fase piloto, chamá-lo de fracasso e abandonar o caso de uso prematuramente antes de perceber o enorme potencial a longo prazo. Portanto, é natural que os líderes empresariais tenham algum nível de ceticismo saudável quando se trata de investimentos em IA.

Por que é desafiador fazer um forte caso de negócios para projetos de IA e o que pode ser feito para abordá-los? Vamos olhar para três fatores-chave que complicam as coisas.

O Dilema do ROI

Projetos de IA geralmente levam tempo para realizar o ROI. Então, pode ser difícil iniciar um caso de negócios quando as organizações não podem prever os custos ou benefícios, principalmente para uma cultura com baixa maturidade em transformação digital como o Brasil.

Para algumas aplicações de IA, pode ser mais fácil calcular o ROI. Por exemplo, um produtor de energia que adota uma ferramenta de manutenção preditiva alimentada por IA poderia rastrear o tempo de atividade do equipamento e os custos de manutenção como uma maneira de medir os retornos sobre o investimento.

Outras aplicações podem ser mais complexas e imprevisíveis. Por exemplo, a redução nos tempos de espera dos pacientes em um hospital pode ser devido a vários fatores, como melhor triagem, disseminação de informações, aumento da satisfação do paciente, suporte ao cliente mais rápido e alocação correta.

O Dilema da Escassez de talentos em IA

Uma das razões pelas quais as organizações hesitam em avançar a todo vapor com soluções de IA é a falta de disponibilidade de talentos. Uma pesquisa recente da Gartner mostrou que cerca de 20% das organizações consideram a disponibilidade de habilidades como um dos maiores obstáculos para a implantação de IA.

Se os líderes empresariais não estão confiantes de que terão o talento necessário para gerenciar projetos de IA até que ele gere valor significativo para os negócios, eles não estão propensos a fazer o investimento.

O Dilema da Preparação de Dados

Outro grande fator é o volume e a complexidade dos dados. Os algoritmos e modelos usados em projetos de IA fazem uma grande diferença com certeza, mas quase igualmente importante, senão mais, são as interações entre os dados e algoritmos. A quantidade de esforço necessária para coletar, analisar e aperfeiçoar dados para IA não é insignificante, e como você aborda isso terá um efeito duradouro por ser utilizável para construir muitos modelos e para vários casos de uso em toda a organização.

De fato, mesmo que sua equipe não tenha experiência com algoritmos, você ainda pode fazer uso de aplicações e ferramentas pré-concebidas ou fazer o uso de APIs, mas se você não tem os dados e a expertise no domínio, você não estará pronto para iniciar quaisquer aplicações significativas de IA, e portanto é necessário buscar a maturidade digital antes.

Então, como os líderes de mudança e impulsionadores da transformação digital podem superar esses obstáculos e articular um caso de negócios claro e racional para investir em tecnologias de IA para a alta administração e tomadores de decisão? Aqui estão algumas sugestões para um ponto de partida.

Seja franco sobre os custos esperados

É importante abordar projetos de IA com uma visão de longo prazo. Cálculos de ROI devem levar em consideração o estágio da sua organização na jornada de adoção digital, cultura de gestão e a seriedade no investimento. Considere o investimento como Estratégico.

Nas fases iniciais, o projeto pode parecer caro sem quaisquer ganhos imediatos, especialmente se o caso de uso é totalmente novo e você não está acostumado a reservar um orçamento para estes.

Líderes de mudança devem analisar os investimentos necessários, incluindo aqueles para tecnologia, implementação, integração e manutenção. Também é importante ter em mente que esses custos podem mudar consideravelmente à medida que o escopo da solução é explorado e refinado. Claro, quando projetos experimentais de IA não mostram sinais de benefícios sustentáveis a longo prazo, você também deve estar disposto a encerrá-los.

Comunique os benefícios reais e o valor comercial da IA

Não importa quão sofisticada seja a tecnologia de IA, os tomadores de decisão precisam saber como ela move a agulha quando se trata de objetivos de negócios. Estudos da Gartner mostram que 39% dos projetos de IA implantados com sucesso incluíram uma análise financeira sobre fatores de risco ou realizaram análise de ROI em comparação com 41% que não implantaram projetos de IA e apenas olharam para o número de projetos desenvolvidos.

Para avaliar o valor comercial gerado pela solução, pode ser necessário transcender as métricas financeiras convencionais, enfatizando também as métricas específicas do projeto de IA e seu impacto indireto na rentabilidade.

Por exemplo, no caso de um assistente virtual de IA para uma empresa de seguros, você poderia incluir os benefícios financeiros, como economia de custos ao lidar com consultas gerais e FAQ, aumento de produtividade de novos negócios adquiridos por consultores que usam o assistente virtual. Você também poderia olhar para o total de consultas gerenciadas e resolvidas com sucesso pelo boot sem intervenção humana, a redução nos volumes de chamadas e a duração média das chamadas no call center. Amarre isso de volta à produtividade e horas de homem economizadas quando você preparar o caso de negócios.

Além disso, certifique-se de incluir uma lista de benefícios intangíveis que são muito importantes, como:

Melhores análises de dados sobre o que os clientes estão perguntando para ajudar na elaboração de relatórios e tomada de decisão
Disponibilidade 24/7 para clientes enviarem consultas, especialmente aquelas que são mais urgentes
Mais tempo para o agente do cliente lidar com consultas complexas e trabalho investigativo
Reputação aprimorada na indústria ao mostrar uma experiência do cliente melhorada impulsionada pela transformação digital

Dedique tempo suficiente aos dados, treinamento e algoritmos

Como mencionado acima, ter dados suficientes para treinar a IA é um pré-requisito para o sucesso. Na verdade, a preparação de dados é uma das características fundamentais essenciais para assistentes virtuais e plataformas de IA conversacional. Então, quando você está preparando o caso de negócios, garanta que os problemas e casos de uso que você está abordando tenham dados suficientes disponíveis. Os dados devem conter padrões que os executivos esperam ver no futuro. Por exemplo, se você está esperando um impacto sazonal, seus dados devem abranger vários anos para poder representar considerações de sazonalidade.

Se você não tem os dados prontamente disponíveis, comece a colocar em prática medidas para coletar e rotular ou categorizá-los. Um bom ponto de partida é conversar com as equipes mais voltadas para o cliente em sua organização que interagem com os clientes diariamente.

Invista em treinamento e estabeleça planos claros de BAU

Líderes de mudança devem priorizar o treinamento da equipe em ferramentas de ciência de dados como parte dos planos de negócios. É uma boa prática ter uma boa governança que se desenvolve para se tornar um centro de recursos compartilhados. Esta equipe pode trabalhar com partes interessadas relevantes, incluindo fornecedores no início. Com o tempo, eles também poderiam se transformar em um centro de excelência dentro de sua organização, capaz de construir suas próprias soluções, se necessário.

Também é crítico estabelecer papéis e responsabilidades claros quando se trata de gerenciar projetos de IA. Isso é especialmente verdadeiro para assistentes virtuais, por exemplo, onde o sucesso do boot de IA depende do ajuste e treinamento constantes do bot para melhorar seu desempenho ao longo do tempo. Além do seu pessoal de TI, que será responsável pela manutenção, integrações e atualizações, sua equipe não técnica também deve ser treinada sobre como adicionar, editar ou atualizar intenções e entidades e acompanhar a análise dos assistentes virtuais. No caso de rotatividade de pessoal, também é importante garantir a continuidade desse talento com (Negócios Como de Costume), BAU - Business As Usual.

E ai o que você achou ? Em sua empresa já existe projetos de IA em andamento?

Fonte: LinkedIn