O que é inteligência artificial?

Segundo a Gartner, inteligência artificial pode ser definida como a aplicacão de análises avançadas e técnicas baseadas em lógica, incluindo machine learning, para interpretar eventos, apoiar e automatizar decisões e realizar ações. 

Essa definição está de acordo com o estado atual e emergente das tecnologias e recursos de IA e reconhece que a atual inteligência artificial geralmente envolve análise probabilística, ou seja,  a probabilidade é combinada com a lógica para atribuir valor à incerteza. 

Contudo, outras organizações e indivíduos podem usar definições diferentes. Não há uma descrição única para inteligência artificial porque existem inúmeras maneiras nas quais a IA pode apoiar e automatizar atividades humanas, aprender e agir independentemente (veja “O que é machine learning?”).

No entanto, para sua organização aproveitar as oportunidades de IA, será necessário concordar com uma definição globalmente aceita, focada no que se deseja que a IA alcance. (Veja “O que é estratégia de IA empresarial?”).

Portanto, permita diferenças de opinião, mas garanta que os líderes de negócios, de TI e de análise de dados não discordem totalmente sobre o significado de IA para a organização. Do contrário, não será possível elaborar uma estratégia que capture os benefícios.

Observe que os fornecedores de tecnologia de IA provavelmente têm suas próprias definições do termo. Por isso, peça para que eles expliquem como as suas ofertas atendem às expectativas sobre como a inteligência artificial pode agregar valor.

O machine learning é uma técnica essencial que permite à inteligência artificial solucionar problemas. Apesar de equívocos comuns e termos errôneos na cultura popular, as máquinas não possuem a capacidade de aprender. Na realidade, elas armazenam e computam, reconhecidamente de formas cada vez mais complexas. 

Além disso, o machine learning é uma disciplina puramente analítica, que aplica modelos matemáticos aos dados, para extrair conhecimento e encontrar padrões que os humanos provavelmente não notariam. Além disso, o ML recomenda ações, mas não direciona sistemas a tomarem medidas sem a intervenção humana. 

Mais especificamente, o machine learning cria um algoritmo ou fórmula estatística, chamada de “modelo”, que converte uma série de pontos de dados em um único resultado. Algoritmos de ML “aprendem” por meio de “treinamento,” no qual eles identificam padrões e correlações em dados e os utilizam para fornecer novos insights e previsões, sem serem explicitamente programados para isso.

Por outro lado, deep learning (aprendizagem profunda), uma variante dos algoritmos de machine learning, usa várias camadas de algoritmos para solucionar problemas, extraindo conhecimento de dados brutos e transformando-os em todos os níveis.

Ainda, o deep learning pode superar o ML tradicional, ou técnicas de aprendizagem superficiais, trabalhando com dados complexos e, muitas vezes, dimensionais, como imagens, fala e texto. Ainda assim, sistemas baseados em regras ou ML tradicional podem solucionar muitos problemas de IA de forma eficaz.

Na maioria das organizações, as soluções de deep learning ainda não são uma parte significativa do plano de ação do produto – sistemas baseados em regras ou ML tradicional podem capacitar a maioria dos casos de uso de IA atuais com sucesso. Contudo, seu uso está crescendo rapidamente ao lado de avanços no processamento de dados e inovações em técnicas computacionais.

Usar ML, incluindo deep learning, para fazer previsões capacita um processo orientado à IA para automatizar a seleção do resultado mais favorável, eliminando a necessidade de um responsável humano pela tomada de decisões.

• Ao usar a linguagem humana, o processamento de linguagem natural (PLN) permite uma forma de comunicação intuitiva entre pessoas e sistemas inteligentes. O PLN impulsiona sistemas modernos de resposta interativa de voz (Interactive Voice Response, IVR), processando linguagem para melhorar a comunicação. Os chatbots são a aplicação mais comum de PLN nos negócios.
• Os assistentes virtuais avançados, às vezes chamados de agentes de IA conversacional, são alimentados por interfaces de usuário conversacionais, PLN e técnicas de semântica e deep learning. Explorando além dos chatbots, os assistentes virtuais avançados ouvem e observam comportamentos, criam e mantêm modelos de dados, além de prever e recomendar ações para auxiliar pessoas e automatizar tarefas que, anteriormente, eram realizadas apenas por humanos.
• A visão computacional (VC) é um processo que pode capturar, processar e analisar imagens do mundo real para permitir que máquinas extraiam informações contextuais e significativas do mundo físico. As técnicas de VC têm requisitos de tecnologia e infraestrutura que diferem das abordagens tradicionais de ML. A VC, que está se tornando mais precisa para identificar objetos orgânicos, apoia o desenvolvimento de aplicações como carros e drones autônomos e verificações de estoque de varejo automatizadas.
• Edge AI se refere às técnicas de IA integradas ao ponto de contato em que os dispositivos físicos se encontram com o mundo digital. Como exemplo, podemos citar um sensor no chão de fábrica que se conecta à internet e pode, de forma autônoma, enviar dados para fazer uma solicitação de serviço. A edge AI, ou inteligência artificial na borda, apoia a Internet das Coisas (Internet of Things, IoT).
• A Internet das Coisas (IoT) compreende a rede objetos físicos (“coisas”) que contêm tecnologia integrada para sentir ou interagir com seus funcionamentos internos e o ambiente externo. Isso não inclui dispositivos para fins gerais, como smartphones. Exemplos de IoT em ação incluem plugs inteligentes e veículos autônomos. A IoT depende de uma ampla variedade de endpoints de TI e gateways para funcionar e dados para impulsionar a inteligência artificial, especialmente para respostas em tempo real (por exemplo, para veículos autônomos).
• A IA generativa (generative AI) aprende sobre artefatos a partir de dados e gera novos produtos inovadores, semelhantes ao original. A IA generativa tem o potencial de criar novas formas de conteúdo criativo, como vídeo, e acelerar ciclos de pesquisa e desenvolvimento (P&D) em áreas que vão da medicina ao desenvolvimento de produtos.
• Os dados sintéticos são gerados artificialmente por meio de machine learning e refletem as propriedades estatísticas de dados reais, mas sem utilizar as informações de identificação pessoal, como nomes e outros detalhes. Para gerar resultados úteis, a IA precisa de uma quantidade considerável de informações, e esses dados sintéticos se tornam uma fonte essencial para grandes conjuntos de dados que podem simular cenários remotos, protegendo ao mesmo tempo informações sensíveis e pessoais.

Veja também “Qual é o futuro da inteligência artificial e das tecnologias de IA?”

Líderes de TI e de análise de dados podem usar técnicas de IA para solucionar uma ampla variedade de problemas de negócios e gerar retornos do investimento significativos. No entanto, o problema para a maioria das organizações é como usar a inteligência artificial para criar ou acelerar o crescimento do negócio digital.

As principais oportunidades da inteligência artificial residem em sua capacidade de: 

1. Revelar melhores maneiras de agir por meio da análise probabilística avançada dos resultados.
2. Interagir diretamente com sistemas que atuam, permitindo a remoção de etapas de integração e cálculos com uso intenso de pessoas.

A pesquisa da Gartner mostra consistentemente que os diretores de tecnologia da informação observam uma enorme oportunidade nos benefícios da IA, mas ainda têm dificuldade para capturar essas vantagens na prática.

No entanto, a IA remodelará como o trabalho é feito à medida que a tecnologia substitui algumas tarefas geralmente desempenhadas por funcionários e muda como as decisões do dia a dia são tomadas. De modo geral, os casos de uso se dividem em três categorias: automatizar e otimizar, gerar insight e criar interações mais humanas (por exemplo, chatbots e assistentes virtuais). (Veja “Quais são os exemplos de aplicações de inteligência artificial nos negócios?”).

No momento, há muitos rumores sobre IA, dificultando para algumas organizações definir as expectativas certas sobre os resultados de negócios. Esses rumores dão origem a projetos que não têm chance de sucesso. Quando isso acontece, os líderes de negócios, com expectativas não realistas, culpam a tecnologia e a ciência por sua incapacidade de criar as transformações que eles desejam. 

Certifique-se de estabelecer uma estratégia empresarial para que a IA identifique casos de usos e métricas de sucesso desde o início. Formas comuns de medir os benefícios incluem redução de riscos, velocidade do processo, melhoria das vendas, aumento da satisfação do cliente e redução das necessidades ou custos de mão de obra. Muitos estudos de viabilidade dependem de uma combinação de benefícios tangíveis e intangíveis. (Veja “O que é estratégia de IA empresarial?”).

Por ser uma tecnologia emergente, ainda não sabemos quais são os benefícios e o impacto da IA. A inovação de IA é uma das várias forças que influenciam os mercados existentes e permitem novas iniciativas de negócio digital, por exemplo. Além disso, a IA também está sendo aplicada a setores, organizações e funções de diversas maneiras.

Alguns exemplos de operações de negócios são:

• Machine learning como um pilar para comunicações mais humanas. O ML impulsiona aplicações de IA comuns como chatbots, veículos autônomos e robôs inteligentes. 
• As técnicas de deep learning fornecem soluções biométricas usando reconhecimento facial, reconhecimento de voz e redes neurais que superpersonalizam o conteúdo com base em mineração de dados e reconhecimento de padrões em conjuntos de dados enormes.
• IA nas operações de TI/service desk. Os agentes virtuais de suporte fornecem suporte de TI em um cenário de gestão de serviços de TI (IT Service Management, ITSM) ao lado do service desk de TI. A IA também pode ser útil para roteamento de tickets, extração de informações de fontes de gestão de conhecimento e como ferramenta de ITSM para fornecer respostas a perguntas comuns.
• IA na gestão da cadeia de suprimento. Casos de uso incluem manutenção preditiva, gestão de riscos, compra, atendimento de pedidos, planejamento da cadeia de suprimento e gestão de promoção. A IA também pode ser útil para automação da tomada de decisões porque, em tarefas específicas, ela é muito mais consistente e rápida do que pessoas.
• IA em vendas e capacitação de vendas. Identifique novas oportunidades e clientes potenciais, com base em clientes existentes similares, cultive clientes potenciais, estabelecendo relacionamentos por meio do rastreamento de atividade inteligente e mensagens, e use vendas guiadas para melhorar a execução e aumentar a receita de vendas.
• IA no marketing pode ajudar na personalização em tempo real, conteúdo e otimização de mídia e orquestração de campanha para aumentar, simplificar e automatizar tarefas e processos de marketing que, de outro modo, ficariam limitados por recursos e custos humanos. A proposta de valor mais atraente é a capacidade que a IA tem de revelar novos insights do cliente e acelerar a capacidade dos profissionais de marketing de implementá-los em escala.
• IA no atendimento ao cliente pode prever o que os clientes solicitarão e evitar de forma proativa consultas recebidas. Assistentes virtuais do cliente com reconhecimento de fala, análise de sentimentos, garantia de qualidade automatizada/aumentada e outras tecnologias proporcionam opções de autoatendimento e atendimento assistido 24 horas por dia, 7 dias por semana, em todos os canais.
• IA em recursos humanos. Casos de uso incluem recrutamento (combinar suprimento de talento e demanda ou prever sucesso de recrutamento) e habilidades (usar PLN para estabelecer descrições consistentes de habilidades e cargos para pesquisa e correspondência de última geração). O RH também está aproveitando ferramentas de recomendação para conteúdo de aprendizagem, mentores, trajetórias de carreira e aprendizagem adaptativa.
• IA em finanças. Os melhores candidatos para capacitação de IA no curto prazo são processos dinâmicos que exigem julgamento e envolvem dados não estruturados, voláteis e de alta velocidade. Os exemplos incluem o cumprimento de novos padrões contábeis, a revisão de relatórios de despesas e o processamento de faturas de fornecedores.
• IA em compras, aquisição e gestão de fornecedores (Sourcing, Procurement and Vendor Management, SPVM). Tecnologias básicas de ML estão sendo implementadas para análise de contratos e classificação de gastos, mas casos de uso mais sofisticados estão surgindo em áreas como gestão de riscos, correspondência de candidatos (dentro da gestão da força de trabalho contingente), automação de compras, assistência virtual de compras e reconhecimento de voz.
• IA no jurídico. Aplicações comuns incluem contratos (montagem, negociação, devida diligência, classificação de risco e gestão do ciclo de vida), descoberta eletrônica (classificação de documentos, extração de dados e análise de texto) e gastos (classificação de faturas).

Para um negócio aproveitar os benefícios da IA, líderes executivos devem estabelecer uma estratégia de IA em toda a empresa que identifique casos de uso, quantifique benefícios e riscos, alinhe equipes de negócios e tecnologia e mude as competências organizacionais para apoiar a adoção de IA.

Para garantir a extração de valor da IA, escolha iniciativas de forma estratégica, focando no que a organização está tentando realizar e nos problemas de negócios que gostaria de solucionar. Para que a IA tenha sucesso, será necessário empregá-la como parte da sua família de aplicativos existentes – e isso inclui ter dados de cada área do negócio para alimentar os recursos que ela oferece.

Organizações nos estágios mais iniciais de maturidade de IA costumam buscar casos de uso sobre controle de custo antes de avançar para elementos essenciais da proposta de valor, como experiência do cliente. A pesquisa da Gartner mostra que, à medida que a maturidade aumenta, a IA é aplicada mais amplamente e causa mais impacto.

Os elementos essenciais da estratégia empresarial de IA são:

• Visão de IA. Vincule as metas de IA às ambições empresariais. Por exemplo, articule como a IA permitirá objetivos da transformação digital. Resuma abordagens e áreas de foco criadas para incentivar e permitir a fluência e a adoção de IA em toda a organização. Seja específico sobre as métricas de sucesso.
• Riscos de IA. Avalie sua exposição aos riscos e planos de minimização para diferentes áreas fundamentais de risco, incluindo regulatória (leis de privacidade), de reputação (parcialidade de IA) e organizacional (falta de competências ou infraestrutura).
• Plano de ação estratégico de IA. Identifique o impacto sobre modelos de negócios, processos, pessoas e habilidades, e adote uma abordagem de portfólio à oportunidade de IA. Atribua responsabilidade ao desenvolvimento e execução da estratégia de IA. A alfabetização de dados e as equipes interdisciplinares serão fundamentais para o sucesso.
• Adoção de IA. Explique com clareza os casos de uso (interação mais humana, otimização de processos, geração de insight, etc.) e use mapas de valor e modelos de decisão para priorizar a adoção.
• Busque apoio ao programa de IA. Divulgue o lançamento da iniciativa e sucessos subsequentes aos colegas, e dê aos líderes da diretoria a capacidade de contar as histórias da equipe sobre IA.

A disciplina IA está evoluindo rapidamente por meio de novas técnicas, infraestruturas e hardware dedicados. Nos próximos cinco anos, a Gartner espera que as organizações adotem técnicas de ponta para aplicações de inteligência artificial mais seguras, responsáveis, inteligentes e ecologicamente sustentáveis.

A trajetória da IA atual segue o caminho das tecnologias que a precederam. Para empresas e governos, a IA está cada vez mais:

• Familiar: ferramentas de TI e habilidades agora são compatíveis com IA. 
• Escalável: IA é mais econômica e os bons resultados estão mais perto do que se imagina.
• Útil: líderes de negócios e de TI consideram mais frequentemente a IA como forma de melhorar os aplicativos.

No futuro, as organizações continuarão a buscar na IA uma forma de  aprimorar seus processos de tomada de decisões. As empresas bem informadas, que adotam esses métodos rapidamente, poderão se diferenciar ainda mais da concorrência e ganhar agilidade e capacidade de resposta mais rápidas às mudanças do ecossistema.

Executar estratégias de IA continua sendo um desafio para as equipes de infraestrutura e operações. Começar localmente significa investir em infraestrutura e arquitetura que podem ser difíceis de prever, contratar funcionários e financiar, tornando as opções na nuvem atraentes.

Contudo, à medida que a necessidade de IA cresce e o investimento exigido aumenta, a nuvem pode se tornar mais cara – e o compromisso com os provedores de nuvem ser mais preocupante. Por isso, o surgimento de estratégias que equilibram investimento na função de nuvem com investimentos em infraestrutura são tão atraentes, conhecidas como estratégias híbridas na nuvem/no local. 

Entre as suposições de planejamento estratégico da Gartner para IA estão que, até 2025:

• 50% das empresas terão inventado plataformas de orquestração de IA para operacionalizá-la, em comparação com menos de 10% em 2020.
• A IA será a principal categoria, impulsionando decisões de infraestrutura devido à maturação do mercado de IA, resultando em um crescimento 10 vezes maior nos requisitos de computação.
• 10% dos governos usarão uma população sintética com padrões de comportamento realistas para treinar a IA, evitando preocupações com privacidade e segurança.

A maioria das organizações empresariais desconhece ou não compreende o funcionamento intrínseco da inteligência artificial, levando a possíveis preocupações sobre a imparcialidade, segurança e privacidade.

Contudo, a IA não pode prosperar se o negócio não confiar nas técnicas que a tornam possível, por isso, as organizações precisam de controles e medidas adicionais para avaliar e responder às ameaças e danos e para garantir que a IA incorpore critérios de integridade.

Na Gartner, os referimos à nossa estrutura de gerenciamento de risco de IA como “MOST” porque ela é construída sobre os três pilares a seguir:

1. Model Operations (operações de modelo), que garantem a confiabilidade, previsibilidade e a precisão da IA.
2. Security (segurança), para impedir que hackers e funcionários maliciosos manipulem os dados de entrada, os aplicativos e os resultados da IA.
3. Trustworthiness (confiabilidade), para apoiar a imparcialidade de IA, a ética, o bem-estar social e a “IA responsável” de forma geral.

Conforme a IA ganha mais destaque em uma empresa, inevitavelmente surgem ameaças que podem resultar em riscos organizacionais graves. As organizações precisam avaliar as ameaças de forma proativa. Assim, elas podem aumentar a confiança das partes interessadas na IA. 

Até 2025, a Gartner espera que as regulamentações devem estar focadas na ética, transparência e privacidade da IA. Esse foco vai estimular a confiança, o crescimento e o melhor funcionamento de IA no mundo todo.