Arrisco dizer que esta é a pergunta mais relevante que circula atualmente pelo meio corporativo. Natural, pois sua resposta vale trilhões de dólares. A estimativa é de um estudo publicado em 2017 pela consultoria PwC. Eles calculam que a IA vai crescer o PIB mundial em quase 16 trilhões de dólares em uma década.
Ao contrário do que parece, a inteligência artificial não é coisa do futuro. Esse campo de estudo está entre nós desde os anos 1950 e, desde os anos 1990, existem evidências sólidas do seu potencial de aplicação prática, com o amadurecimento das técnicas de machine learning, em especial das redes neurais.
E hoje em dia qualquer empresa consegue aportar a um custo relativamente baixo todos os recursos de tecnologia necessários para que IAs sejam desenvolvidas: capacidade de armazenamento de dados e poder de processamento computacional.
Pouco importam, entretanto, o tempo de existência e acessibilidade da tecnologia, já que apenas 5% dos projetos de inteligência artificial falham por razões técnicas, segundo dados de 2019 da New Vantage Partners.
Tratar tecnologia como fim, e não como meio;
Aversão ao risco da inovação.
Tratar tecnologia como fim, e não como meio
Certa vez um dos líderes da área de projetos aqui da Cognitivo.ai resolveu conduzir uma pesquisa de mercado para descobrir quais usos práticos algumas empresas estavam dando para seus data lakes – estruturas de centralização e armazenamento de dados brutos que se tornaram populares nos anos 2000.
Havia um subconjunto das empresas entrevistadas que não definiram durante a concepção do projeto para qual finalidade de negócio seu data lake serviria, ou pelo menos não a detalharam. Por que fizeram isso? Porque fala-se muito por aí de arquiteturas de big data como condição sine qua non para o sucesso na era dos dados. “Ora, se mais cedo ou mais tarde vou precisar disso, por que já não começo a construir agora?”
Apenas 8% das empresas desse subconjunto relataram ter mantido a estrutura de pé um ano após sua implementação. Mesmo que tecnologicamente todos os projetos tenham atingido o sucesso junto aos seus respectivos fornecedores, na maior parte dos casos as estruturas caras e de altíssima complexidade de manutenção foram desligadas porque não geraram nenhum tipo de valor para o negócio.
Na minha visão, o pior estrago nesses casos não foi nem o dinheiro jogado fora, e sim a impressão que se deixou na empresa de que investir em dados é furada… Simplesmente porque o projeto foi focado no meio (tecnologia) e não no fim (negócio).
Aversão ao risco da inovação
Inovar, por definição, é fazer algo que não foi feito antes. Ou seja, não existe um caminho determinístico e documentado sobre como sair de A e chegar em B (se é que vai se chegar em B – a realidade, às vezes, pode ser tão dura quanto isso). Sendo cada negócio único, construir um produto de dados é sempre um projeto de inovação. Lidar com as incertezas é parte do jogo e existe método para isso.
Em 2001, 17 profissionais de desenvolvimento de software se reuniram em Utah (EUA) para compilar os principais pontos em comum que avaliaram ter sido determinantes para o sucesso de seus projetos. Foi desse encontro que nasceu o “Manifesto Ágil”, que tem como um de seus princípios a flexibilidade: “Responder às mudanças é mais importante do que seguir um cronograma cheio de premissas”.
Não é por acaso que adotamos uma metodologia baseada no agile em nossos projetos aqui na Cognitivo.ai. Entretanto, uma das coisas que mais observo quando acompanho o time comercial em negociações são potenciais clientes exigindo um cronograma totalmente fechado e com termos contratuais que garantam uma performance de X% nos modelos criados… Mentalidade inadequada! Inovar é correr riscos em prol de errar e aprender ou acertar de primeira e ganhar muito dinheiro por isso.
Enquanto você busca garantias, seu concorrente está colocando a mão na massa, testando rapidamente e passando à sua frente.
Até hoje, todos os casos de sucesso que conheci entre empresas que construíram produtos de dados que lhes renderam milhões foram em organizações que iteraram nos seguintes passos, dentro de seus respectivos contextos:
Determinar um problema de negócio;
Determinar quais produtos de dados podem ajudar a agir para resolver o problema;
Investir rapidamente em prototipação (mínimos entregáveis dos produtos de dados que validem seus potenciais);
Investir na construção das estruturas de tecnologia mais robustas que sustentem e encapsulem os protótipos, para que eles se provem.
Estudando a história de organizações bem sucedidas nesse objetivo, é possível perceber que a melhor estratégia é repetir esses quatro passos indefinidamente, priorizando as oportunidades de negócio com maior potencial de sustentar vantagens competitivas, trilhando o caminho com foco na resolução de problemas dos fins para os meios e aceitando os riscos de inovar.
Comments