Como transformar o negócio com inteligência artificial

A Inteligência Artificial (IA) tem-se destacado como uma das tecnologias mais transformadoras para os negócios na era digital, oferecendo uma vantagem competitiva significativa para as empresas que a adotam de forma estratégica.

Para os executivos, a IA não é apenas uma ferramenta tecnológica, mas um acelerador de mudanças fundamentais no modelo de negócio, na eficiência operacional e na criação de novos produtos e serviços. A capacidade de analisar grandes volumes de dados, identificar padrões ocultos e tomar decisões mais precisas em tempo real permite às organizações otimizarem as suas operações e melhorarem drasticamente a experiência do cliente.

No entanto, para capitalizar por completo as oportunidades que a inteligência artificial traz, os executivos precisam de estar à frente, guiando uma mudança cultural e tecnológica dentro da organização. A implementação eficaz da IA exige não apenas investimentos em tecnologia, mas também uma reformulação de processos internos e a capacitação da força de trabalho.

Melhorar a experiência do cliente

A inteligência artificial está a revolucionar a forma como as empresas interagem com os seus clientes e permite uma personalização e uma eficiência sem precedentes na experiência do cliente.

Hélder Pinheiro, Data & AI Director da Claranet Portugal, lembra que a IA já é utilizada há vários anos para “melhorar a experiência do utilizador” e que o surgimento da IA generativa “abriu novas oportunidades para casos de uso que os modelos clássicos de machine learning não suportavam facilmente”. Assim, diz, “é possível fornecer interfaces de comunicação”, como chatbots, “interagir com a base de conhecimento presente nas empresas de forma mais natural e explorar diversas aplicações de tradução”.

Adelaide Leitão, AI & Microsoft Alliance Senior Manager da KPMG Portugal, afirma que, de forma geral, as capacidades de IA e de IA generativa “permitem às empresas uma experiência mais personalizada, eficiente e conveniente – o que permite elevar o conceito de serviço ao cliente e fazer do mesmo uma efetiva vantagem competitiva”.

José Fonseca, Diretor da Kyndryl em Portugal, explica que a capacidade de as soluções de IA “analisarem vastas quantidades de dados permite antecipar as necessidades dos clientes, conhecer fácil e rapidamente padrões de consumo e de comportamento de clientes e possibilitar, desta forma, a personalização de conteúdos, ofertas e abordagens que melhorem a visão dos clientes”.

Sabendo que “um cliente ‘encantado’ é muito mais leal e fiel”, a inteligência artificial dá uma ajuda importante na personalização dos tais conteúdos e ofertas, apontando, no entanto, que “esta é uma visão que nada se relaciona com IA, mas sim com satisfação do cliente”.

Para Ricardo Galante, Advanced Analytics & Artificial Intelligence Customer Advisor do SAS, a inteligência artificial “tem uma aplicabilidade enorme” que será capaz de “transformar radicalmente a experiência do cliente”. Dando como exemplo o e-commerce, “ao analisar o histórico de compras e o comportamento de navegação de um cliente, a IA pode sugerir produtos complementares ou ofertas personalizadas” e esta abordagem “não apenas aumenta as chances de venda, mas também demonstra um profundo entendimento das necessidades do cliente”.

Escalar as operações (com eficiência)

A inteligência artificial também está a redefinir a maneira como as empresas podem escalar as suas operações com eficiência através de soluções que aumentam a produtividade e reduzem custos sem comprometer a qualidade.

Adelaide Leitão explica que a IA tem “um enorme potencial para melhorar a eficácia e a eficiência das operações” e, na prática, aplicar “infusing AI na automação de processos, isto é, recorrer à IA para executar ou acelerar atividades como a captura de informação não estruturada, segmentação de casos, decisões automatizadas”, entre outros, que permitem “alavancar a otimização de processos, contribuindo para a redução de custos, para o aumento de produtividade e até para a redução de riscos operacionais”.

José Fonseca defende que as ferramentas de produtividade aceleram “a execução de um conjunto de tarefas e muitas vezes permite automatizá-las”, ainda que permitam “ir muito mais longe do que isso” porque “pode ajudar a acelerar e robustecer os mecanismos de decisão”. Todas estas otimizações, explica, levam “a uma forma completamente diferente de trabalhar, gerando uma transformação organizativa sem a qual se perde uma parte muito importante dessa eficiência”.

Ricardo Galante refere que a IA “pode atuar como um multiplicador de forças para as empresas”, uma vez que automatiza tarefas repetitivas, otimiza processos e permite que as empresas tomem decisões mais precisas e rápidas. O representante do SAS dá como exemplo uma empresa que deseja testar um novo sistema de recomendação de produtos: “em vez de reunir dados reais de milhões de clientes, a IA pode gerar dados sintéticos que simulam o comportamento de diferentes tipos de consumidores. Isto permite que a empresa treine e refine os seus modelos de machine learning de forma mais rápida e segura, sem comprometer a privacidade dos seus clientes”.

Hélder Pinheiro lembra que “uma parte considerável das aplicações de IA é destinada à automação de diversos processos”, mas, no entanto, com a IA generativa, estão a surgir novas possibilidades de automação. “Dependendo do estado de maturidade das empresas, estas podem implementar automação utilizando modelos de machine learning clássicos ou IA Generativa para escalar os seus processos operacionais e de negócio”, diz.

Medir o sucesso das iniciativas

Medir o sucesso das iniciativas de inteligência artificial é crucial para garantir que os investimentos nessa tecnologia estão a gerar valor tangível para a organização. A monitorização contínua do desempenho da IA permite não só identificar áreas de melhoria, mas também ajustar as estratégias em tempo real para maximizar os benefícios.

O representante da Kyndryl defende que, como em qualquer processo que se queira transformar e otimizar, é necessário “identificar os objetivos, KPI e medir essas componentes – produtividade, número de processos por colaborador, custos por processo, crescimento de negócio, entre outros. Podemos até pedir à IA para nos ajudar a definir esses KPI e a sugerir formas de os medir/aferir”.

Para Ricardo Galante, avaliar o sucesso destas iniciativas é “crucial transcender os indicadores tradicionais e incorporar uma perspetiva mais abrangente”. Deste modo, as empresas “devem considerar métricas que vão além do aumento da receita e da eficiência operacional” onde “a precisão dos modelos, a rapidez de resposta e a interpretação dos resultados” são “fundamentais”.

Já Hélder Pinheiro relembra que “implementar uma aplicação de IA não é sinónimo de sucesso” e que é fundamental “compreender os objetivos da aplicabilidade dos modelos de IA e avaliar os KPI e SLO do ponto de vista de negócio ou de operações”. Assim, e a título de exemplo, se for desenvolvido “um motor de recomendações para sugerir produtos num site de e-commerce, é essencial validar KPI como o valor médio do carrinho, ou o número médio de produtos por carrinho de compras”.

Por sua vez, Adelaide Leitão diz que “o sucesso das iniciativas de IA pode ser aferido através de métricas e de indicadores de desempenho que podem incluir, entre outros, taxa de adoção interna e externa, eficiência operacional (medição da redução de custos, do aumento da produtividade e da efetiva otimização de processos) – apenas alguns exemplos de métricas que cada negócio, atendendo à sua cadeia de valor e aos respetivos pilares, podem identificar e implementar”.

Integração com o legacy

A integração da inteligência artificial com sistemas legacy é um dos maiores desafios e, ao mesmo tempo, uma oportunidade significativa para as empresas que, deste modo, podem aproveitar o melhor dos dois mundos: a estabilidade dos sistemas tradicionais e a inovação trazida pela IA. Ricardo Galante, do SAS, defende que a integração de IA com sistemas legados representa “um desafio considerável para muitas empresas”, mas, ao mesmo tempo, “uma oportunidade única para modernizar as suas operações e obter vantagens competitivas”. Deste modo, é necessário “realizar um diagnóstico completo dos sistemas legados” que deve identificar “funcionalidades existentes, pontos fortes e fracos e as interfaces com outros sistemas”. Outra estratégia é a utilização de API que “permitem que os sistemas legados comuniquem com as soluções de IA de forma flexível e escalável”.

Hélder Pinheiro refere que “não existe uma solução única ou uma abordagem padrão para resolver este desafio” que não se limita à inteligência artificial, mas à “integração de sistemas em geral”. Assim, é necessário, diz o representante da Claranet, criar interfaces padrão ao longo do tempo, permitindo que outros sistemas interajam de forma eficaz. Hélder Pinheiro recomenda “realizar um estudo de compatibilidade inicial para avaliar as interfaces e os protocolos disponíveis, seguido de provas de conceito e produtos mínimos viáveis”.

A representante da KPMG aponta que “este é um tema muito sensível” e “de grande peso para muitos setores de atividades” porque, para atingir uma eficiente integração, “é necessário implementar uma abordagem holística abrangendo a arquitetura de sistemas, a organização, as pessoas, os processos de trabalho e os planos de modernização aplicacional. É primordial modernizar as aplicações legadas para acompanhar e capitalizar sobre os benefícios da IA, combinando a desacoplagem de cores, a migração de aplicações legadas, as arquiteturas baseadas em eventos e micro serviços, o streaming, os API”, entre outros.

José Fonseca afirma que as organizações não se podem dar ao luxo de ignorar os ambientes legacy “sob pena de fazer colapsar o seu negócio”. Sabendo que não há como abrandar o ritmo de negócio para fazer estas integrações, pode-se tirar “partido de todos os dados existentes nos sistemas atuais através de ferramentas IA, que aceleram o seu tratamento e permitem conjugar de forma completamente diferente essa mesma informação e gerar análises diferenciadas, entregando a informação anteriormente não conseguida, com enorme potencial e valor para a organização e até para o respetivo negócio, ao mesmo tempo que cria melhores experiências de utilizador”.

Barreiras na adoção

A adoção de soluções de inteligência artificial enfrenta diversas barreiras que podem retardar ou limitar o seu impacto nas organizações. A resistência interna à mudança, a falta de talento especializado em IA e a complexidade na integração com sistemas legados são obstáculos comuns que podem dificultar a implementação. Superar essas barreiras exige um compromisso estratégico do topo da organização.

Hélder Pinheiro acredita que, devido ao sucesso do ChatGPT, “existe um grande ruído em torno da inteligência artificial, o que torna difícil distinguir entre mensagens promocionais e realidade”. Assim, o representante da Claranet defende que as organizações devem começar “com um pequeno investimento para testar a tecnologia e entender o que a IA pode ou não fazer. Com esse conhecimento e sensibilidade, podem criar um roadmap de implementação e começar a expandir”.

Com base num estudo da KPMG, Adelaide Leitão indica que as principais barreiras na adoção desta tecnologia são “a qualidade e a privacidade dos dados, o reduzido conhecimento das capacidades tecnológicas, o talento e as competências em IA, a incerteza sobre os benefícios e desafios na priorização dos casos de uso, as abordagens e a experimentação em silos, a confiança nos modelos e na integração com os sistemas legados”. A “receita” para ultrapassar estes desafios passa pelo “balanceamento entre uma jornada estruturada e a concretização de quick wins, com resultados mensuráveis e palpáveis”.

José Fonseca refere que há “múltiplas barreiras com que as organizações se deparam – o medo do desconhecido, a falta de skills, a componente ética, a privacidade e a segurança, mas também a capacidade de escalar de um proof-of-concept para uma maior abrangência, os custos e a capacidade de definir uma estratégia”. Deste modo, “é fundamental ter um ecossistema de parceiros tecnológicos para enfrentar os desafios da IA. A organização conhece muito bem o negócio, sabe o que pretende, mas não tem skills”.

Para Ricardo Galante, uma das principais barreiras “é a falta de dados de qualidade e quantidade suficientes para treinar os modelos de IA. Os algoritmos de machine learning necessitam de grandes volumes de dados ‘limpos’ e relevantes para aprender padrões e fazer previsões confiáveis. Muitas empresas, especialmente as menores, não possuem infraestruturas de dados adequadas ou a quantidade de dados necessária para desenvolver modelos robustos. Para superar esse desafio, as empresas podem investir em plataformas de recolha e armazenamento de dados, além de explorar fontes de dados externas, como dados públicos ou de terceiros”.