Criando uma organização com inteligência artificial

A ideia em resumo O problema Os esforços de muitas empresas para ampliar a inteligência artificial são insuficientes. Isso ocorre porque apenas 8% das empresas estão envolvidas em práticas essenciais que apoiam a adoção generalizada. A solução Tecnologia de ponta e talento não são suficientes. As empresas precisam romper as barreiras organizacionais e culturais que impedem a adoção da IA. Os imperativos da liderança Os líderes devem transmitir a urgência das iniciativas de IA e seus benefícios para todos; gastar pelo menos tanto em adoção quanto em tecnologia; organizar o trabalho de IA com base na maturidade da IA, na complexidade dos negócios e no ritmo de inovação da empresa; e investir na educação sobre IA para todos. A inteligência artificial está remodelando os negócios - embora não no ritmo alucinante que muitos supõem. É verdade que a IA está agora orientando as decisões sobre tudo, desde colheitas até empréstimos bancários, e perspectivas outrora fantasiosas, como o atendimento ao cliente totalmente automatizado, estão no horizonte. As tecnologias que possibilitam a IA, como plataformas de desenvolvimento, grande capacidade de processamento e armazenamento de dados, estão avançando rapidamente e se tornando cada vez mais acessíveis. O momento parece propício para as empresas capitalizarem a IA. Na verdade, estimamos que a IA acrescentará US$ 13 trilhões à economia global na próxima década. No entanto, apesar da promessa da TI, os esforços de muitas organizações com ela estão aquém do esperado. Fizemos uma pesquisa com milhares de executivos sobre como suas empresas usam e se organizam para a IA e a análise avançada, e nossos dados mostram que apenas 8% das empresas se envolvem em práticas essenciais que apoiam a adoção generalizada. A maioria das empresas executou apenas pilotos ad hoc ou está aplicando IA em apenas um único processo de negócios. Por que esse progresso lento? No nível mais alto, é o reflexo de uma falha na reconfiguração da organização. Em nossas pesquisas e em nosso trabalho com centenas de clientes, vimos que as iniciativas de IA enfrentam enormes barreiras culturais e organizacionais. Mas também vimos que os líderes que, desde o início, tomam medidas para derrubar essas barreiras podem capturar com eficácia as oportunidades da IA. Fazendo a mudança Um dos maiores erros que os líderes cometem é ver a IA como uma tecnologia plug-and-play com retornos imediatos. Decidindo colocar alguns projetos em funcionamento, eles começam a investir milhões em infraestrutura de dados, ferramentas de software de IA, experiência em dados e desenvolvimento de modelos. Alguns dos pilotos conseguem obter pequenos ganhos em algumas organizações. Porém, meses ou anos se passam sem que os executivos obtenham as grandes vitórias esperadas. As empresas têm dificuldade de passar dos pilotos para programas em toda a empresa - e de um foco em problemas comerciais específicos, como uma melhor segmentação de clientes, para grandes desafios comerciais, como a otimização de toda a jornada do cliente. Os líderes também costumam pensar de forma muito restrita sobre os requisitos de IA. Embora a tecnologia de ponta e o talento sejam certamente necessários, é igualmente importante alinhar a cultura, a estrutura e as formas de trabalho de uma empresa para apoiar a ampla adoção da TI. Mas, na maioria das empresas que não nasceram digitais, as mentalidades e as formas de trabalho tradicionais são contrárias às necessárias para a IA. Para ampliar a IA, as empresas precisam fazer três mudanças: Do trabalho em silos para a colaboração interdisciplinar. A TI tem o maior impacto quando é desenvolvida por equipes multifuncionais com uma mistura de habilidades e perspectivas. O fato de as pessoas da área comercial e operacional trabalharem lado a lado com especialistas em análise garantirá que as iniciativas abordem prioridades organizacionais amplas, e não apenas questões comerciais isoladas. Equipes diversificadas também podem pensar nas mudanças operacionais que os novos aplicativos podem exigir - é mais provável que reconheçam, por exemplo, que a introdução de um algoritmo que prevê as necessidades de manutenção deve ser acompanhada de uma revisão dos fluxos de trabalho de manutenção. E quando as equipes de desenvolvimento envolvem os usuários finais no projeto dos aplicativos, as chances de adoção aumentam drasticamente. Da tomada de decisões baseada na experiência e orientada pelo líder para a tomada de decisões orientada por dados na linha de frente. Quando a IA for adotada de forma ampla, os funcionários de cima e de baixo na hierarquia aumentarão seu próprio julgamento e intuição com as recomendações dos algoritmos para chegar a respostas melhores do que as que os humanos ou as máquinas poderiam alcançar sozinhos. Mas para que essa abordagem funcione, as pessoas de todos os níveis precisam confiar nas sugestões dos algoritmos e se sentirem capacitadas para tomar decisões - e isso significa abandonar a abordagem tradicional de cima para baixo. Se os funcionários tiverem que consultar um superior antes de agir, isso inibirá o uso da IA. Leonardo Ulian Os processos de decisão mudaram radicalmente em uma organização quando ela substituiu um método manual complexo de agendamento de eventos por um novo sistema de TI. Historicamente, os planejadores de eventos da empresa usavam etiquetas coloridas, alfinetes e adesivos para rastrear conflitos, preferências dos participantes e outras considerações. Muitas vezes, eles se baseavam no instinto e nas informações dos gerentes seniores, que também operavam com base em seus instintos, para tomar decisões. O novo sistema analisou rapidamente a vasta gama de permutações de agendamento, usando primeiro um algoritmo para destilar centenas de milhões de opções em milhões de cenários e, em seguida, outro algoritmo para resumir esses milhões em apenas centenas, classificando os agendamentos ideais para cada participante. Em seguida, planejadores humanos experientes aplicaram seus conhecimentos para tomar as decisões finais com base nos dados, sem a necessidade de obter informações de seus líderes. Os planejadores adotaram a ferramenta prontamente, confiando em seus resultados porque ajudaram a definir seus parâmetros e restrições e sabiam que eles mesmos tomariam a decisão final. De rígida e avessa a riscos para ágil, experimental e adaptável. As organizações devem abandonar a mentalidade de que uma ideia precisa estar totalmente pronta ou que uma ferramenta de negócios deve ter todos os recursos necessários antes de ser implantada. Na primeira iteração, os aplicativos de IA raramente têm todas as funcionalidades desejadas. Uma mentalidade de testar e aprender reformulará os erros como uma fonte de descobertas, reduzindo o medo do fracasso. Obter o feedback inicial do usuário e incorporá-lo à próxima versão permitirá que as empresas corrijam pequenos problemas antes que eles se tornem onerosos. O desenvolvimento será mais rápido, permitindo que pequenas equipes de IA criem produtos mínimos viáveis em questão de semanas, em vez de meses. Essas mudanças fundamentais não são fáceis. Elas exigem que os líderes preparem, motivem e equipem a força de trabalho para fazer uma mudança. Mas, primeiro, os próprios líderes precisam estar preparados. Temos visto fracassos após fracassos causados pela falta de um entendimento básico de IA entre os executivos seniores. (Mais adiante, discutiremos como as academias de análise podem ajudar os líderes a adquirir esse entendimento). Preparando-se para o sucesso Para conseguir a adesão dos funcionários e facilitar o caminho para lançamentos bem-sucedidos de IA, os líderes devem dedicar atenção antecipada a várias tarefas: Explicar o porquê. Uma história convincente ajuda as organizações a entender a urgência das iniciativas de mudança e como todos se beneficiarão com elas. Isso é particularmente crítico em projetos de IA, pois o medo de que a TI tire empregos aumenta a resistência dos funcionários a ela. Os líderes precisam oferecer uma visão que reúna todos em torno de um objetivo comum. Os funcionários devem entender por que a IA é importante para a empresa e como eles se encaixarão em uma nova cultura orientada para a IA. Em especial, eles precisam ter certeza de que a IA melhorará e não diminuirá ou até eliminará suas funções.(Nossa pesquisa mostra que a maioria dos trabalhadores precisará se adaptar ao uso da IA em vez de ser substituída por ela). Na maioria das empresas que não nasceram digitais, as mentalidades são contrárias às necessárias para a IA. Quando um grande conglomerado varejista quis fazer com que seus funcionários apoiassem sua estratégia de TI, a gerência apresentou-a como um imperativo existencial. Os líderes descreveram a ameaça que os varejistas digitais representavam e como a TI poderia ajudar a combatê-la, melhorando a eficiência operacional e a capacidade de resposta da empresa. Ao fazer um chamado às armas em uma luta pela sobrevivência, a gerência ressaltou o papel fundamental que os funcionários tinham de desempenhar. Ao compartilhar sua visão, os líderes da empresa destacaram os funcionários que haviam testado uma nova ferramenta de IA que os ajudou a otimizar a variedade de produtos das lojas e aumentar a receita. Isso inspirou outros funcionários a imaginar como a IA poderia aumentar e elevar seu desempenho. Antecipar barreiras únicas à mudança. Alguns obstáculos, como o medo dos funcionários de se tornarem obsoletos, são comuns em todas as organizações. Mas a cultura de uma empresa também pode ter características distintas que contribuem para a resistência. Por exemplo, se uma empresa tem gerentes de relacionamento que se orgulham de estar em sintonia com as necessidades dos clientes, eles podem rejeitar a noção de que uma máquina poderia ter ideias melhores sobre o que os clientes querem e ignorar as recomendações de produtos personalizados de uma ferramenta de IA. E os gerentes de grandes organizações que acreditam que seu status se baseia no número de pessoas que supervisionam podem se opor à tomada de decisões descentralizada ou à redução de relatórios que a IA poderia permitir. Em outros casos, os processos em silos podem inibir a ampla adoção da IA. As organizações que atribuem orçamentos por função ou unidade de negócios podem ter dificuldades para montar equipes ágeis interdisciplinares, por exemplo. Algumas soluções podem ser encontradas analisando como iniciativas de mudança anteriores superaram barreiras. Outras podem envolver o alinhamento das iniciativas de IA com os próprios valores culturais que parecem ser obstáculos. Em uma instituição financeira com forte ênfase no relacionamento bancário, por exemplo, os líderes destacaram a capacidade da IA de aumentar os laços com os clientes. O banco criou um livreto para gerentes de relacionamento que mostrava como a combinação de seus conhecimentos e habilidades com as recomendações de produtos personalizados da IA poderia melhorar as experiências dos clientes e aumentar a receita e o lucro. O programa de adoção de IA também incluiu um concurso para conversões de vendas impulsionadas pelo uso da nova ferramenta; as conquistas dos vencedores foram apresentadas no boletim mensal do CEO para os funcionários. Leonardo Ulian Uma classe relativamente nova de especialistas, os tradutores analíticos, pode desempenhar um papel na identificação de obstáculos. Essas pessoas fazem a ponte entre os engenheiros e cientistas de dados da área técnica e as pessoas da área de negócios - marketing individualizado, cadeia de suprimentos, manufatura, pessoal de risco e assim por diante. Os tradutores ajudam a garantir que os aplicativos de IA desenvolvidos atendam às necessidades dos negócios e que a adoção ocorra sem problemas. No início do processo de implementação, eles podem pesquisar os usuários finais, observar seus hábitos e estudar os fluxos de trabalho para diagnosticar e corrigir problemas. Compreender as barreiras à mudança pode não apenas informar os líderes sobre como se comunicar com a força de trabalho, mas também ajudá-los a determinar onde investir, quais iniciativas de IA são mais viáveis, qual treinamento deve ser oferecido, quais incentivos podem ser necessários e muito mais. Orçamentando tanto a integração e a adoção quanto a tecnologia (se não mais). Em uma de nossas pesquisas, quase 90% das empresas envolvidas em práticas de escalonamento bem-sucedidas gastaram mais da metade de seus orçamentos de análise em atividades que impulsionaram a adoção, como redesenho do fluxo de trabalho, comunicação e treinamento. Apenas 23% das demais empresas destinaram recursos semelhantes. Os gerentes de relacionamento podem rejeitar a noção de que uma máquina sabe o que os clientes querem. Considere um provedor de telecomunicações que estava lançando um novo programa de retenção de clientes orientado por TI em seu call center. A empresa investiu simultaneamente no desenvolvimento de modelos de IA e em ajudar os funcionários da central a fazer a transição para a nova abordagem. Em vez de apenas reagir às chamadas de cancelamento de serviço, eles entrariam em contato proativamente com os clientes em risco de deserção, dando-lhes recomendações geradas por IA sobre novas ofertas que provavelmente aceitariam. Os funcionários receberam treinamento e orientação no local de trabalho sobre as habilidades de vendas necessárias para fechar o negócio. Os instrutores e gerentes ouviram suas chamadas, deram-lhes feedback individualizado e atualizaram continuamente os materiais de treinamento e os roteiros das chamadas. Graças a esses esforços coordenados, o novo programa reduziu o desgaste dos clientes em 10%. Equilíbrio entre viabilidade, investimento de tempo e valor. Buscar iniciativas que sejam excessivamente difíceis de implementar ou que exijam mais de um ano para serem lançadas pode sabotar projetos de IA atuais e futuros. As organizações não precisam se concentrar apenas em ganhos rápidos; elas devem desenvolver um portfólio de iniciativas com diferentes horizontes de tempo. Os processos automatizados que não precisam de intervenção humana, como a detecção de fraude assistida por IA, podem gerar retorno em meses, enquanto os projetos que exigem envolvimento humano, como o atendimento ao cliente com suporte de IA, provavelmente terão compensação em um período mais longo. A priorização deve ser baseada em uma visão de longo prazo (normalmente de três anos) e levar em consideração como várias iniciativas com diferentes cronogramas podem ser combinadas para maximizar o valor. Por exemplo, para obter uma visão dos clientes detalhada o suficiente para permitir que a IA faça a microssegmentação, uma empresa pode precisar estabelecer uma série de iniciativas de vendas e marketing. Algumas delas, como ofertas direcionadas, podem gerar valor em alguns meses, enquanto pode levar de 12 a 18 meses para que todo o conjunto de recursos atinja o impacto total. Um varejista da Ásia-Pacífico determinou que uma iniciativa de IA para otimizar o espaço físico e a colocação de estoque não produziria seu valor total a menos que a empresa reformasse todas as suas lojas, realocando o espaço para cada categoria de produtos. Depois de muito debate, os executivos da empresa decidiram que o projeto era suficientemente importante para a lucratividade futura para prosseguir, mas não sem dividi-lo em duas partes. A primeira parte produziu uma ferramenta de IA que deu aos gerentes de loja recomendações de alguns itens incrementais que venderiam bem em seus pontos de venda. A ferramenta forneceu apenas uma pequena fração do retorno total previsto, mas os gerentes puderam colocar os novos itens nas lojas imediatamente, demonstrando os benefícios do projeto e criando entusiasmo para a jornada de vários anos que estava por vir. Organização em escala Há muito debate sobre onde os recursos de IA e análise devem residir nas organizações. Muitas vezes, os líderes simplesmente perguntam: "Qual modelo organizacional funciona melhor?" e, depois de ouvir o que deu certo em outras empresas, fazem uma das três coisas: consolidar a maioria dos recursos de IA e análise em um "hub" central; descentralizá-los e incorporá-los principalmente nas unidades de negócios ("os raios"); ou distribuí-los em ambos, usando um modelo híbrido ("hub-and-spoke"). Descobrimos que nenhum desses modelos é sempre melhor do que os outros para aumentar a escala da IA; a escolha certa depende da situação individual de cada empresa. As empresas com boas práticas de escalonamento gastaram metade de seus orçamentos de análise na adoção. Veja duas grandes instituições financeiras com as quais trabalhamos. Uma delas consolidou suas equipes de IA e análise em um hub central, com todo o pessoal de análise se reportando ao diretor de dados e análise e sendo implantado nas unidades de negócios conforme necessário. A segunda descentralizou quase todos os seus talentos de análise, com as equipes residindo nas unidades de negócios e se reportando a elas. Ambas as empresas desenvolveram a IA em uma escala no topo de seu setor; a segunda organização cresceu de 30 para 200 iniciativas lucrativas de IA em apenas dois anos. E ambas selecionaram seu modelo depois de levar em conta a estrutura, os recursos, a estratégia e as características exclusivas de suas organizações. O centro. Um pequeno número de responsabilidades é sempre melhor administrado por um hub e liderado pelo diretor de análise ou pelo diretor de dados. Isso inclui governança de dados, estratégia de recrutamento e treinamento de IA e trabalho com fornecedores terceirizados de dados e serviços e software de IA. Os hubs devem nutrir talentos de IA, criar comunidades onde os especialistas em IA possam compartilhar práticas recomendadas e estabelecer processos para o desenvolvimento de IA em toda a organização. Nossa pesquisa mostra que as empresas que implementaram a IA em grande escala têm três vezes mais chances de ter um hub e 2,5 vezes mais chances de ter uma metodologia clara para criar modelos, interpretar insights e implementar novos recursos de IA. Os hubs também devem ser responsáveis pelos sistemas e padrões relacionados à IA. Eles devem ser orientados pelas necessidades das iniciativas de uma empresa, o que significa que devem ser desenvolvidos gradualmente, em vez de serem criados de uma só vez, antes que os casos de negócios tenham sido determinados. Já vimos muitas organizações desperdiçarem muito tempo e dinheiro - gastando centenas de milhões de dólares - em projetos de limpeza e integração de dados em toda a empresa, apenas para abortar esses esforços no meio do caminho, obtendo pouco ou nenhum benefício. Por outro lado, quando um banco europeu descobriu que estratégias conflitantes de gerenciamento de dados estavam dificultando o desenvolvimento de novas ferramentas de TI, ele adotou uma abordagem mais lenta, fazendo um plano para unificar sua arquitetura e gerenciamento de dados nos próximos quatro anos, à medida que criava vários casos de negócios para sua transformação de TI. Espera-se que esse programa multifásico, que também inclui um redesenho organizacional e uma estratégia de talentos revisada, tenha um impacto anual de mais de US$ 900 milhões. Os raios. Outro punhado de responsabilidades quase sempre deve ser assumido pelos porta-vozes, porque eles estão mais próximos daqueles que usarão os sistemas de IA. Entre elas estão as tarefas relacionadas à adoção, incluindo treinamento do usuário final, redesenho do fluxo de trabalho, programas de incentivo, gerenciamento de desempenho e acompanhamento do impacto. Para incentivar os clientes a adotar os serviços habilitados para TI oferecidos com seus equipamentos inteligentes e conectados, a organização de vendas e serviços de um fabricante criou uma "equipe SWAT" que deu suporte aos clientes que usavam o produto e desenvolveu um plano de preços para impulsionar a adoção. Esse trabalho é claramente da alçada de um spoke e não pode ser delegado a um centro de análise. Organizando a IA em escala As empresas habilitadas para IA dividem as principais funções entre um hub e os spokes. Algumas tarefas são sempre de responsabilidade do hub, e os raios sempre são responsáveis pela execução. O restante do trabalho fica em uma área cinzenta, e as características individuais de uma empresa determinam onde ele deve ser feito. Organização da IA em escala As empresas habilitadas para IA dividem as principais funções entre um hub e os spokes. Algumas tarefas são sempre de propriedade do hub, e os raios sempre são responsáveis pela execução. O restante do trabalho fica em uma área cinzenta, e as características individuais de uma empresa determinam onde ele deve ser feito. A área cinzenta. Grande parte do trabalho em transformações bem-sucedidas de IA cai em uma área cinzenta em termos de responsabilidade. As principais tarefas - definir a direção dos projetos de IA, analisar os problemas que eles resolverão, criar os algoritmos, projetar as ferramentas, testá-las com os usuários finais, gerenciar a mudança e criar a infraestrutura de TI de suporte - podem ser de propriedade do hub ou do spoke, compartilhadas por ambos ou compartilhadas com a TI. Decidir onde a responsabilidade deve estar dentro de uma organização não é uma ciência exata, mas deve ser influenciada por três fatores: A maturidade dos recursos de IA. Quando uma empresa está no início de sua jornada de TI, muitas vezes faz sentido que executivos de análise, cientistas de dados, engenheiros de dados, designers de interface de usuário, especialistas em visualização que interpretam graficamente as descobertas da análise e afins fiquem em um hub e sejam implantados conforme necessário nos raios. Trabalhando juntos, esses participantes podem estabelecer os principais ativos e recursos de IA da empresa, como ferramentas analíticas comuns, processos de dados e metodologias de entrega. Porém, à medida que o tempo passa e os processos se tornam padronizados, esses especialistas podem residir nos raios com a mesma (ou maior) eficácia. Complexidade do modelo de negócios. Quanto maior for o número de funções de negócios, linhas de negócios ou regiões geográficas que as ferramentas de IA suportarão, maior será a necessidade de criar guildas de especialistas em IA (de, por exemplo, cientistas de dados ou designers). As empresas com negócios complexos geralmente consolidam essas guildas no hub e, em seguida, as distribuem conforme necessário para unidades de negócios, funções ou regiões geográficas. O ritmo e o nível de inovação técnica exigidos. Quando precisam inovar rapidamente, algumas empresas colocam mais estratégias de áreas cinzentas e capacitação no hub, para que possam monitorar melhor as mudanças no setor e na tecnologia e implementar rapidamente os recursos de IA para enfrentar os desafios competitivos. Vamos voltar às duas instituições financeiras que discutimos anteriormente. Ambas enfrentaram pressões competitivas que exigiram inovação rápida. No entanto, a maturidade da análise e a complexidade dos negócios eram diferentes. A instituição que colocou suas equipes de análise em seu hub tinha um modelo de negócios muito mais complexo e uma maturidade de TI relativamente baixa. Sua experiência em IA existente era principalmente em gerenciamento de riscos. Ao concentrar seus cientistas de dados, engenheiros e muitos outros especialistas de áreas cinzentas no hub, a empresa garantiu que todas as unidades e funções de negócios pudessem acessar rapidamente o know-how essencial quando necessário. A segunda instituição financeira tinha um modelo de negócios muito mais simples, que envolvia a especialização em um número menor de serviços financeiros. Esse banco também tinha experiência e conhecimento substancial em IA. Por isso, conseguiu descentralizar seus talentos de TI, incorporando muitos de seus especialistas em análise, estratégia e tecnologia de áreas cinzentas nos raios das unidades de negócios. Como esses exemplos sugerem, é preciso um pouco de arte para decidir onde as responsabilidades devem ficar. Cada organização tem capacidades distintas e pressões competitivas, e os três fatores principais devem ser considerados em sua totalidade, e não individualmente. Por exemplo, uma organização pode ter alta complexidade de negócios e precisar de inovação muito rápida (o que sugere que ela deve transferir mais responsabilidades para o hub), mas também pode ter recursos de TI muito maduros (o que sugere que ela deve transferi-los para os raios). Seus líderes teriam que pesar a importância relativa dos três fatores para determinar onde, no cômputo geral, o talento seria implantado de forma mais eficaz. Os níveis de talento (um elemento da maturidade da IA) geralmente têm uma influência enorme na decisão. A organização tem especialistas em dados suficientes que, se os transferisse permanentemente para os raios, ainda poderia atender às necessidades de todas as unidades de negócios, funções e regiões geográficas? Se não, provavelmente seria melhor alojá-los no hub e compartilhá-los por toda a organização. Supervisão e execução. Embora a distribuição das responsabilidades de IA e análise varie de uma organização para outra, aquelas que expandem a IA têm duas coisas em comum: Uma coalizão governamental de líderes de negócios, TI e análise. A integração total da IA é uma longa jornada. A criação de uma força-tarefa conjunta para supervisioná-la garantirá que as três funções colaborem e compartilhem a responsabilidade, independentemente de como as funções e as responsabilidades estejam divididas. Esse grupo, que geralmente é convocado pelo diretor de análise, também pode ser fundamental para criar um impulso para as iniciativas de IA, especialmente no início. Equipes de execução baseadas em atribuições. As organizações que expandem a IA têm duas vezes mais probabilidade de criar equipes interdisciplinares dentro dos raios. Essas equipes reúnem uma diversidade de perspectivas e solicitam a contribuição do pessoal da linha de frente à medida que criam, implantam e monitoram novos recursos de IA. As equipes geralmente são montadas no início de cada iniciativa e utilizam habilidades tanto do hub quanto dos spokes. Cada equipe geralmente inclui o gerente responsável pelo sucesso da nova ferramenta de IA (o "proprietário do produto"), tradutores, arquitetos de dados, engenheiros e cientistas, designers, especialistas em visualização e analistas de negócios. Essas equipes tratam dos problemas de implementação com antecedência e extraem valor mais rapidamente. A decisão de onde as responsabilidades e funções da IA devem ser colocadas envolve alguma arte. Por exemplo, no varejista da Ásia-Pacífico que estava usando a IA para otimizar o espaço da loja e a colocação do estoque, uma equipe de execução interdisciplinar ajudou a derrubar as barreiras entre os comerciantes (que determinavam como os itens seriam exibidos nas lojas) e os compradores (que escolhiam a variedade de produtos). Anteriormente, cada grupo trabalhava de forma independente, com os compradores alterando as recomendações da IA conforme consideravam adequado. Isso levava a uma incompatibilidade entre o estoque comprado e o espaço disponível. Ao convidar os dois grupos para colaborar no desenvolvimento da ferramenta de IA, a equipe criou um modelo mais eficaz que forneceu uma gama de opções ponderadas aos compradores, que puderam escolher as melhores com a contribuição dos comerciantes. No final do processo, as margens brutas de cada categoria de produto que havia aplicado a ferramenta aumentaram de 4% a 7%. Educando todos Para garantir a adoção da IA, as empresas precisam educar todos, desde os líderes mais altos até os mais baixos. Para isso, algumas estão lançando academias internas de IA, que normalmente incorporam trabalho em sala de aula (on-line ou presencial), workshops, treinamento no local de trabalho e até mesmo visitas a colegas experientes do setor. A maioria das academias inicialmente contrata professores externos para redigir os currículos e ministrar o treinamento, mas também costumam implementar processos para desenvolver recursos internos. Cada academia é diferente, mas a maioria oferece quatro tipos amplos de instrução: Liderança. A maioria das academias se esforça para oferecer aos executivos seniores e aos líderes de unidades de negócios um entendimento de alto nível sobre como a IA funciona e maneiras de identificar e priorizar oportunidades de IA. Elas também discutem o impacto sobre as funções dos funcionários, as barreiras à adoção e o desenvolvimento de talentos, além de oferecerem orientação sobre como incutir as mudanças culturais subjacentes necessárias. Análises. Aqui, o foco está em aprimorar constantemente as habilidades técnicas e interpessoais de cientistas de dados, engenheiros, arquitetos e outros funcionários responsáveis pela análise de dados, governança de dados e criação de soluções de IA. Tradutor. Os tradutores de análise geralmente vêm da equipe comercial e precisam de treinamento técnico fundamental, por exemplo, sobre como aplicar abordagens analíticas a problemas comerciais e desenvolver casos de uso de IA. Sua instrução pode incluir tutoriais on-line, experiência prática acompanhando tradutores veteranos e um "exame" final no qual eles devem implementar com sucesso uma iniciativa de IA. 10 maneiras de inviabilizar um programa de IA Apesar dos grandes investimentos, muitas organizações obtêm resultados decepcionantes de seus esforços de IA e análise. O que faz com que os programas saiam dos trilhos? As empresas se preparam para o fracasso quando: Não têm uma compreensão clara da análise avançada, formando equipes com cientistas de dados, engenheiros e outros participantes importantes sem perceber a diferença entre a análise avançada e a tradicional. Não avaliam a viabilidade, o valor comercial e os horizontes de tempo e lançam pilotos sem pensar em como equilibrar os ganhos de curto prazo no primeiro ano com os compensadores de longo prazo. Não têm uma estratégia que vá além de alguns casos de uso, lidando com a IA de forma ad hoc, sem considerar as oportunidades e ameaças gerais que a IA apresenta em seu setor. Elas não definem claramente as principais funções, pois não entendem o conjunto de habilidades e tarefas que um programa de IA forte exige. Elas não têm "tradutores" ou especialistas que possam fazer a ponte entre os domínios dos negócios e da análise, identificando casos de uso de alto valor, comunicando as necessidades dos negócios aos especialistas em tecnologia e gerando a adesão dos usuários de negócios. Eles isolam a análise dos negócios, centralizando-a rigidamente ou trancando-a em silos mal coordenados, em vez de organizá-la de forma a permitir que os especialistas em análise e negócios trabalhem juntos. Desperdiçam tempo e dinheiro com a limpeza de dados em toda a empresa, em vez de alinhar a consolidação e a limpeza de dados com seus casos de uso mais valiosos. Elas desenvolvem totalmente as plataformas de análise antes de identificar os casos de negócios, configurando arquiteturas como lagos de dados sem saber para que eles serão necessários e, muitas vezes, integrando plataformas com sistemas legados desnecessariamente. Elas negligenciam a quantificação do impacto final da análise, não tendo uma estrutura de gerenciamento de desempenho com métricas claras para acompanhar cada iniciativa. Deixam de se concentrar nas implicações éticas, sociais e regulatórias, ficando vulneráveis a possíveis erros no que diz respeito à aquisição e ao uso de dados, ao viés algorítmico e a outros riscos, expondo-se a consequências sociais e legais. Para obter mais detalhes, leia "Ten Red Flags Signaling Your Analytics Program Will Fail " em McKinsey.com.

Criando uma organização com inteligência artificial

Resumo.

Partner Center