Do piloto à produção: como empresas em crescimento estão implementando IA
A inteligência artificial generativa está saindo de sua fase de lua de mel. As organizações agora deixam para trás o período experimental e se preparam para fazer comprometimentos significativos. Contudo, transformar o uso inicial de IA em uma implantação ampla é onde muitas startups encontram obstáculos. Os maiores desafios enfrentados são de natureza operacional: aumento de custos, questões de governança e confiança, além da transição do uso individual de IA para a gestão de "trabalhadores digitais" autônomos. Estes foram os principais tópicos discutidos no mais recente evento Sifted Talks, realizado em parceria com a plataforma de gestão de conteúdo inteligente Box, onde especialistas desempacotaram estratégias para que fundadores consigam sair da fase piloto e construir operações resilientes e nativas em IA.
Ao trabalhar com organizações na adoção de IA, a Box busca primeiro determinar onde elas estão obtendo mais valor, segundo Davison. "Eles estão buscando melhorar a produtividade individual? Estão olhando para a eficácia departamental? Ou estão buscando eficiências organizacionais?", questiona. Para organizações menos nativas em IA, o valor inicial obtido frequentemente vem da produtividade individual. "Como ainda possuem guardrails e processos que precisam seguir, as vitórias mais rápidas frequentemente vêm de economizar 30 minutos do dia de seu time. É então uma curva crescente a partir daquele ponto", acrescenta.
Quando a Naboo foi lançada e começou a usar IA, a empresa presumiu que seus clientes se importavam com o modelo de IA subjacente e como funcionava, mas na realidade eles se importavam mais com os resultados que produzia. Em vez de construir um chatbot genérico, a Naboo treinou seus agentes com quatro anos de dados, tom de voz e comunicações passadas de reservas, desenvolvendo seu "AI Twin" (Gêmeo de IA). "Diariamente, o gêmeo de IA está gerenciando cerca de 80% da organização de um evento que hospedamos e 20% é gerenciado pelo gerente de conta para manter essa confiança", afirma Bredin.
Quando implantações de IA estacionam na fase de escalabilidade, raramente é devido à tecnologia em si, segundo Martin. O time de liderança de uma empresa opera sob incentivos diferentes. Sem um framework claro delineando segurança de IA e alocação orçamentária, as implantações ficam presas em um loop, explica. "Dentro das empresas, você tem funcionários de tempo integral e funcionários terceirizados. IA é uma nova forma de recurso para o qual você está realocando parte do trabalho", adiciona Martin. "Você quer garantir que líderes de negócios sejam responsabilizados por alocar IA onde é mais necessário e que se sintam empoderados para fazer isso."
Enquanto programas piloto de IA podem ser tratados como experimentos de P&D, o lançamento de fluxos de trabalho baseados em agentes pode resultar em custos de tokens imprevisíveis — as despesas financeiras e computacionais que ocorrem ao usar modelos de IA. Segundo Rajan, empresas que anteriormente desfrutavam de margens brutas de 80% a 90% agora estão vendo margens caírem para 50% a 60% ao incorporar IA em seus fluxos de trabalho principais. Para enfrentar essa mudança, as empresas estão implementando práticas específicas de operações financeiras e estão reprecificando seu software. Em vez de rotear cada solicitação interna através de modelos, as organizações devem construir um portfólio de mecanismos de IA e parear modelos leves e altamente direcionados com dados internos proprietários. "Isso é muito similar à onda de multi-cloud que tivemos nos anos 2010", diz Rajan. "O princípio é exatamente o mesmo: não se tranque inteiramente com um único fornecedor, mas diversifique e escolha o gasto certo."
"Operações Financeiras é essencial para ajudar a gerenciar esses tipos de custos", acrescenta. "Não estamos longe de ter funcionários especialistas que se focam unicamente em gasto com tokens e gasto com modelos."
Entrevistas tradicionais frequentemente são inadequadas ao contratar talento em IA, e muitas organizações estão substituindo questões comportamentais padrão por avaliações de IA. Candidatos recebem acesso a ferramentas de IA e são solicitados a desenhar um sistema de fluxos de trabalho para resolver problemas reais de negócios. "Uma coisa que procuramos nas pessoas é adaptabilidade", diz Martin. "Conseguem enxergar como seu trabalho atual será diferente em seis meses e estão se preparando para essa nova onda? Dois anos atrás você não tinha agentes de código. A capacidade de se reinventar é uma habilidade que era menos importante anteriormente porque você tinha mais tempo para se ajustar."
Encorajar uma força de trabalho inteira a adotar IA não pode ser inteiramente responsabilidade de esforços individuais. Na Naboo, a adoção de IA não é opcional — 10% da avaliação de desempenho anual de um funcionário está diretamente vinculado a como eles constroem, gerenciam e usam agentes de IA. "Deveria ser o mesmo em toda empresa e quanto mais jovem você é, mais fácil é", diz Bredin. "Nem sempre concordo com muitas empresas de tecnologia que param de contratar juniores. Eles estão acostumados com esse tipo de mudança."
Segundo Martin, há similaridades entre gerenciar subordinados diretos e gerenciar agentes de IA. Um gerente não faz o trabalho para seus funcionários, mas define como o sucesso se parece e fornece feedback. "Com IA, você precisa ser claro sobre o que é esperado. Isso é tipicamente o que você obteria de gerentes", diz. "Eles estabelecem as fundações para os funcionários terem sucesso. Se o agente está produzindo algo que não é útil, frequentemente é culpa dos humanos que trabalharam com esses agentes e não explicaram completamente suas expectativas."
Investidores estão cada vez mais procurando por fundadores que possuem expertise na indústria e estão usando IA para resolver desafios específicos. "As empresas que mais me excitam são aquelas que têm um entendimento claro de um domínio particular", diz Rajan. "Podem ter uma solução para um problema muito específico em tributação internacional, por exemplo, ou em direito ou em industriais. Quando encontro alguém com expertise genuína de domínio que coletou dados que você não viu antes e constroem a inteligência em cima disso — para mim isso é absolutamente mágico."
Clientes não querem apenas uma resposta rápida — querem se sentir ouvidos e respeitados, diz Martin. "Humanos são muito melhores nisso. Você raramente vai convencer alguém de algo apenas porque a resposta está correta", diz. "Às vezes leva mais e esse é um bom princípio norteador."
Confiança é conquistada através de supervisão human-in-the-loop, dados proprietários fortes e treinamento até que o output da IA se alinhe com padrões humanos, segundo Davison. "Aplicar governança, treinamento e gerenciamento de mudança são formas de reduzir o 'princípio da menor surpresa' e garantir que os outputs dos modelos de IA sejam confiáveis e corretos", acrescenta.
Conteúdo reescrito pelo Pense Mercado com base nas fontes acima. Não constitui recomendação de investimento.