Adotando a IA generativa no trabalho

Espera-se que a inteligência artificial generativa transforme radicalmente todos os tipos de trabalho nos próximos anos. Não sendo mais exclusividade dos tecnólogos, a IA agora pode ser utilizada por praticamente qualquer pessoa, usando comandos em linguagem cotidiana em vez de código. De acordo com nossa pesquisa, a maioria das funções de negócios e mais de 40% de todas as atividades de trabalho nos EUA podem ser aumentadas, automatizadas ou reinventadas com a IA generativa. Espera-se que as mudanças tenham o maior impacto nos setores jurídico, bancário, de seguros e de mercado de capitais, seguidos por varejo, viagens, saúde e energia. Para as organizações e seus funcionários, essa mudança iminente tem implicações enormes. No futuro, muitos de nós descobriremos que nosso sucesso profissional depende de nossa capacidade de obter o melhor resultado possível de grandes modelos de linguagem (LLMs), como o ChatGPT, e de aprender e crescer junto com eles. Para se destacar nessa nova era de colaboração entre IA e humanos, a maioria das pessoas precisará de uma ou mais do que chamamos de "habilidades de fusão":interrogação inteligente, integração de julgamento e aprendizado recíproco. O interrogatório inteligente envolve o prompt dos LLMs (ou, em termos leigos, dar-lhes instruções) de forma a produzir raciocínio e resultados mensuravelmente melhores. Simplificando, é a habilidade de pensar com TI. Por exemplo, um representante de atendimento ao cliente em uma empresa de serviços financeiros pode usá-la ao procurar a resposta para uma consulta complicada do cliente; um cientista farmacêutico, para investigar compostos de medicamentos e interações moleculares; um profissional de marketing, para extrair conjuntos de dados a fim de encontrar o melhor preço de varejo. A integração de julgamentos consiste em trazer o seu discernimento humano quando um modelo de IA generativa não tem certeza do que fazer ou não tem o contexto comercial ou ético necessário em seu raciocínio. A ideia é tornar os resultados das interações homem-máquina mais confiáveis. A integração do julgamento requer a percepção de onde, quando e como intervir, e sua eficácia é medida pela confiabilidade, precisão e explicabilidade do resultado da TI. Com o aprendizado recíproco, o senhor ajuda a TI a aprender sobre suas tarefas e necessidades de negócios, incorporando dados ricos e conhecimento organizacional aos prompts que o senhor dá a ela, treinando-a assim para ser sua cocriadora. É a habilidade de adaptar a IA generativa ao contexto de negócios específico da sua empresa para que ela possa alcançar os resultados que o senhor deseja. Ao fazer isso, o próprio senhor aprende a treinar a IA para enfrentar desafios mais sofisticados. Antes um recurso necessário apenas para cientistas de dados e especialistas em análise que criavam modelos de dados, o aprendizado recíproco tem se tornado cada vez mais crucial em funções não técnicas. Por que o senhor precisa desenvolver sistematicamente essas novas habilidades de raciocínio, construção de confiança e adaptação? Pesquisas empíricas mostram de forma consistente que instruções ad hoc - a maneira como a maioria dos funcionários promptam os LLMs atualmente - levam a resultados não confiáveis ou ruins, especialmente para tarefas de raciocínio complexas. Isso se aplica a todas as funções, desde o atendimento ao cliente até o marketing, a logística e a pesquisa e desenvolvimento. É fundamental que todos nós tenhamos mais rigor no uso da IA generativa no trabalho. Neste artigo, explicaremos como. Interrogando a IA de forma inteligente Como o senhor melhora o resultado de um sistema extremamente complexo como o LLM, que é treinado com base em montanhas de dados e orientado por probabilidades em vez de lógica humana? Há várias técnicas que o senhor pode usar. Pense passo a passo. Ao promptar a IA generativa, o senhor precisa dividir o processo que ela deve seguir em partes constituintes e, em seguida, esforçar-se para otimizar cada etapa, assim como a primeira onda de gerenciamento científico fez na produção industrial. No entanto, o processo de TI não envolve uma linha de montagem; envolve uma cadeia de pensamento por meio da qual se busca um resultado. Estudos demonstraram que quando as ferramentas generativas de IA são instruídas a dividir as tarefas de raciocínio dessa maneira, seu desempenho melhora drasticamente. Isso é particularmente verdadeiro em problemas mais difíceis, como demonstrou Jason Wei, o pesquisador da OpenAI que explorou pela primeira vez o raciocínio em cadeia de pensamento. De fato, acrescentar a simples frase "Vamos pensar passo a passo" às instruções de um LLM pode aumentar em mais de três vezes a precisão de seus resultados em uma série de tarefas, desde matemática até raciocínio estratégico. Digamos que seu prompt de IA generativa seja o seguinte: "Meu departamento tem um orçamento de US$ 500.000. Gastamos 20% em equipamentos e alocamos 30% para uma nova contratação. Acabamos de receber um aumento de orçamento de US$ 50.000. Qual é o nosso orçamento restante? Vamos pensar passo a passo". O modelo apresentará: "Inicialmente, seu departamento tinha US$ 500.000. O senhor gastou 20%, ou US$ 100.000, em equipamentos, deixando US$ 400.000. O senhor alocou 30%, ou US$ 150.000, para uma nova contratação, o que reduziu o orçamento para US$ 250.000. Por fim, o senhor recebeu recentemente um aumento de orçamento de US$ 50.000. Seu orçamento restante é de US$ 300.000". Embora a maioria das pessoas possa fazer essa matemática de cabeça, a questão é que os LLMs (que trabalham muito mais rápido) podem ser levados a detalhar seu trabalho em problemas quantitativos muito mais complexos, como encontrar a rota mais curta possível para um representante de vendas entre várias cidades. Isso cria uma cadeia de raciocínio rastreável - em vez de cuspir uma resposta no final de um processo de caixa preta - que permite ao senhor verificar a precisão dos resultados. Treine LLMs em etapas. Para a colaboração homem-máquina em tarefas complexas que exigem especialização ocupacional e de domínio, como direito, medicina, P&D científico ou gerenciamento de estoque, o senhor pode introduzir a IA no trabalho em etapas para gerar melhores resultados. Por exemplo, os pesquisadores do MIT Tyler D. Ross e Ashwin Gopinath exploraram recentemente a possibilidade de desenvolver um "cientista de IA" capaz de integrar uma variedade de dados experimentais e gerar hipóteses testáveis. Eles descobriram que o ChatGPT 3.5-Turbo poderia ser ajustado para aprender a biofísica estrutural do DNA quando os pesquisadores dividiram essa tarefa complicada em uma série de subtarefas para o modelo dominar. Em uma área não científica, como a gestão de estoques, os estágios das subtarefas podem incluir a previsão de demanda, a coleta de dados sobre os níveis de estoque, as projeções de novos pedidos, a avaliação da quantidade de pedidos e a avaliação de desempenho. Para cada subtarefa sucessiva, os gerentes treinariam, testariam e validariam o modelo com seus conhecimentos e informações de domínio. Explore de forma criativa com os LLMs. Muitos processos de trabalho, desde o design da estratégia até o desenvolvimento de novos produtos, são abertos e iterativos. Para aproveitar ao máximo a interação homem-IA nessas atividades, o senhor precisa orientar as máquinas para que visualizem vários caminhos possíveis para uma solução e respondam de forma menos linear e binária. Esse tipo de interrogação inteligente pode aumentar a capacidade dos LLMs de produzir previsões precisas sobre eventos financeiros e políticos complexos, como demonstraram recentemente os pesquisadores Philipp Schoenegger, Philip Tetlock e colegas. Eles emparelharam previsores humanos com assistentes GPT-4 que haviam sido preparados com prompts ricamente detalhados para serem "superprevisores" - para atribuir probabilidades e intervalos de incerteza a possíveis resultados e oferecer argumentos a favor e contra cada um deles. Os pesquisadores descobriram que as previsões feitas por esses assistentes (sobre tudo, desde o valor de fechamento do Dow Jones Transportation Average em uma determinada data até o número de migrantes que entrariam na Europa pelo Mar Mediterrâneo em dezembro de 2023) eram 43% mais precisas do que as previsões geradas por LLMs não preparados. Incorporando seu julgamento Trazer o discernimento humano especializado e ético para a equação será fundamental para gerar resultados de IA que sejam confiáveis, precisos e explicáveis e que tenham uma influência positiva na sociedade. Aqui estão algumas técnicas que o senhor pode usar: Integrar o RAG. Os LLMs não só podem ter alucinações, como também as informações e os conjuntos de dados com os quais são treinados costumam ter muitos anos de idade. Ao trabalhar com LLMs, as pessoas frequentemente precisam fazer julgamentos sobre até que ponto as informações confiáveis, relevantes e atualizadas nos resultados serão essenciais. Se for o caso, o senhor pode usar a geração aumentada de recuperação (RAG) para adicionar informações de bases de conhecimento confiáveis às fontes de treinamento de um LLM pronto para uso. Isso pode ajudar a evitar informações errôneas, respostas desatualizadas e imprecisões. Um pesquisador farmacêutico, por exemplo, pode usar o RAG para acessar bancos de dados do genoma humano, publicações recentes em revistas científicas, bancos de dados que abrangem pesquisas pré-clínicas e diretrizes da FDA. Para configurar o RAG, as pessoas geralmente precisam da ajuda de suas equipes de TI, que podem informar se ele foi ou pode ser integrado ao seu fluxo de trabalho para adicionar uma camada extra de qualidade ao seu trabalho. Proteja a privacidade e evite preconceitos. Se o senhor estiver usando dados confidenciais ou informações proprietárias em seus prompts de IA, somente modelos aprovados pela empresa e protegidos por firewalls corporativos devem ser usados, nunca LLMs públicos ou de código aberto. Se a política corporativa permitir, o senhor pode usar informações privadas quando os termos de serviço da interface de programação de aplicativos de um LLM especificarem que elas não serão retidas para o treinamento do modelo. Preste atenção aos preconceitos que o senhor pode incorporar ao seu prompt. Por exemplo, um analista financeiro que pede a um LLM que explique como o relatório trimestral de ontem indica que a empresa está preparada para um ciclo de crescimento de cinco anos está demonstrando um viés de recência, a tendência de ponderar excessivamente as informações mais recentes ao prever eventos futuros. Blindsalida Os provedores de LLM estão descobrindo maneiras de ajudar os usuários a combater esses problemas. A Microsoft e o Google estão adicionando recursos que ajudam os usuários a verificar se há prompts e respostas prejudiciais. A Salesforce desenvolveu uma arquitetura de IA que oculta todos os dados confidenciais do cliente na construção de prompts; impede que esses dados sejam compartilhados com LLMs de terceiros; classifica os resultados quanto a riscos como toxicidade, parcialidade e privacidade; e coleta feedback para melhorar os modelos de prompt. No entanto, no final das contas, é o senhor - o ser humano que está no circuito - que fará o julgamento mais importante. Examine os resultados suspeitos. Fique em alerta máximo para alucinações e erros que, de acordo com as pesquisas atuais, são inevitáveis mesmo com engenharia de dados significativa e outras intervenções. Quando os usuários de LLM se deparam com resultados que parecem errados, muitas vezes, reflexivamente, eles promptam o modelo para tentar novamente e novamente, diminuindo gradualmente a qualidade da resposta, como demonstraram os pesquisadores da Universidade da Califórnia em Berkeley , Jinwoo Ahn e Kyuseung Shin. Os pesquisadores recomendam que, em vez disso, o senhor identifique a etapa em que a TI cometeu um erro e faça com que um LLM separado execute essa etapa, dividindo-a primeiro em problemas individuais menores e, em seguida, use o resultado para ajustar o primeiro LLM. Imagine um cientista usando o ChatGPT da OpenAI para ajudar a desenvolver um novo polímero com uma série de cálculos passo a passo. Se encontrar um erro em qualquer ponto da cadeia, o senhor pode pedir ao Anthropic's Claude que divida essa etapa em subproblemas menores e explique seu raciocínio. Em seguida, a senhora pode alimentar o ChatGPT com essas informações e pedir que ele refine sua resposta. Em essência, essa técnica aplica os princípios da cadeia de raciocínio à correção do resultado que o senhor julga estar errado. Transformando a IA em seu aprendiz À medida que o tamanho e a complexidade dos LLMs aumentam, eles podem apresentar "propriedades emergentes" - novas habilidades poderosas, como raciocínio avançado, para as quais não foram treinados, mas que, no entanto, aparecem depois que o senhor personaliza os LLMs fornecendo-lhes dados contextuais ou conhecimento. Para estimular seu desenvolvimento, o senhor pode tomar as seguintes medidas. Fornecer ao modelo "demonstrações de pensamento". Antes de dar ao LLM um problema para resolver, o senhor pode prepará-lo para pensar de uma determinada maneira. Por exemplo, o senhor pode ensinar o raciocínio "do menor para o maior", mostrando à TI como dividir um desafio complexo em vários desafios menores e mais simples; resolver o menos difícil primeiro; usar a resposta como base para resolver o próximo desafio; e assim por diante. Denny Zhou e seus colegas do Google DeepMind demonstraram que a abordagem do mínimo ao máximo melhora a precisão do resultado da IA de 16% para 99%. Considere um gerente de marketing de uma marca de roupas de ginástica que deseja ajuda para pensar em uma nova linha. Ele pode dividir o problema para o LLM da seguinte forma: Público. Identificar os entusiastas do fitness que seriam clientes em potencial - uma tarefa relativamente fácil, especialmente para um modelo treinado com os dados de clientes da empresa. Mensagens. Elaborar mensagens que enfatizem o desempenho, o conforto e o estilo - um problema mais desafiador e criativo que se baseia na identificação anterior do público. Canais. Escolha mídias sociais, blogs de fitness e parcerias com influenciadores que ajudarão a levar essas mensagens ao público. Recursos. Aloque o orçamento (geralmente a questão mais controversa em qualquer organização) de acordo com a escolha dos canais. Treine seus LLMs para aprender novos processos. O senhor pode ensinar a TI a executar uma tarefa, conduzindo-a por um conjunto de exemplos dentro de um contexto em seus prompts. Isso é chamado de "aprendizado no contexto" e permite que o senhor adapte LLMs pré-treinados, como GPT-4, Claude e Llama, sem o processo, às vezes trabalhoso, de ajustar seus parâmetros. Por exemplo, os pesquisadores relataram na Nature que foi demonstrado aos LLMs como resumir informações médicas, solicitando-lhes exemplos de relatórios de radiologia, perguntas de pacientes, notas de progresso e diálogos entre médicos e pacientes. Depois disso, descobriram que 81% dos resumos produzidos pelos LLMs eram equivalentes ou superiores aos resumos gerados por humanos. O senhor também pode treinar um LLM fornecendo-lhe informações contextuais e fazendo perguntas até que ele resolva o seu problema. Considere duas empresas de software, ambas buscando aumentar as vendas. Na empresa um, a equipe de vendas tem tido dificuldades para prever com eficácia a demanda por licenças de software. Assim, seu líder começa fornecendo ao LLM dados históricos de vendas e, em seguida, pergunta sobre a demanda esperada para o próximo trimestre. Em seguida, ele fornece ao modelo informações sobre as atualizações de recursos de software e os orçamentos anuais dos clientes e pergunta sobre os efeitos da sazonalidade. Por fim, o senhor alimenta o modelo com estatísticas detalhadas de sistemas de CRM e relatórios de marketing e pergunta sobre o impacto das campanhas de marketing nas vendas. Na empresa dois, a equipe de vendas quer melhorar a seleção de clientes. Seu líder pode fornecer dados financeiros específicos e prompt para que um LLM classifique os clientes de acordo com sua contribuição para a receita e, em seguida, avance para consultas subsequentes sobre alcance geográfico, bases de clientes, conhecimento técnico e assim por diante. Em cada etapa, os dois executivos estão treinando o LLM e refinando sua capacidade de realizar a tarefa no contexto da estratégia de vendas específica da empresa. Eles trazem conhecimento organizacional e do setor para as interações. À medida que o LLM usado por cada um acumula mais experiência com o processo de vendas específico da empresa, ele gera respostas melhores. O aprendizado recíproco ocorre à medida que os usuários deixam de usar perguntas ou instruções simples e gradualmente descrevem a tarefa com mais e mais complexidade e nuances. Eles podem adicionar contexto, ajustar o texto e ver como o modelo responde, experimentando até obter os resultados desejados. Aquisição de novas habilidades de fusão A aquisição generalizada de habilidades de IA generativa exigirá não apenas um investimento significativo por parte das organizações, mas também iniciativa individual, estudo e trabalho árduo. Embora algumas empresas estejam oferecendo treinamento relevante, a maioria ainda não desenvolveu programas robustos. De fato, em nossa pesquisa de 2024 com 7.000 profissionais, descobrimos que, embora 94% tenham dito que estavam prontos para aprender novas habilidades para trabalhar com a IA generativa, apenas 5% relataram que seus empregadores estavam treinando ativamente suas forças de trabalho em uma escala significativa. Portanto, muitos dos senhores precisarão resolver o problema com suas próprias mãos e acompanhar os rápidos avanços dos LLMs e as pesquisas de alto nível que estão sendo traduzidas em práticas para uma variedade de empregos e setores. Os senhores podem se inscrever em cursos on-line de provedores como Coursera, Udacity (que foi recentemente adquirida por nossa empresa), Universidade do Texas em Austin, Universidade Estadual do Arizona e Universidade de Vanderbilt; experimentar as técnicas de prompt que discutimos, bem como as técnicas emergentes; e pressionar seus empregadores para que ofereçam mais oportunidades de uso dos LLMs, juntamente com instruções sobre as práticas recomendadas para eles. O próximo passo é adquirir as habilidades necessárias para realizar o prompt de cadeia de pensamento para fluxos de trabalho agênticos e modelos multimodais de linguagem ampla (MLLMs), que integram diferentes tipos de dados, como texto, áudio, vídeo e imagens, além de fornecer resultados nesses formatos. Um grupo de pesquisadores descobriu que o prompt de cadeia de pensamento melhorouo desempenho dos MLLMsem até 100%. Os primeiros usuários já estão testando esses métodos, mas eles ainda não estão maduros o suficiente para uma adoção generalizada. A revolução da TI não está chegando; ela já está aqui, com empresas líderes usando a tecnologia para reimaginar processos em todos os setores, funções e empregos. A IA generativa elevou drasticamente o nível de exigência, exigindo que pensemos com a TI, que confiemos nela e que a adaptemos continuamente - e a nós mesmos - para que tenhamos um desempenho melhor. Embora a IA generativa faça parte do movimento ampliado para criar relações mais simbióticas entre humanos e máquinas, ela também é única nos anais da tecnologia. Nenhuma outra grande inovação da história decolou tão rapidamente. O trabalho do conhecimento está prestes a se transformar de forma mais rápida e poderosa do que muitos de nós podemos imaginar. Prepare-se. O futuro dos negócios não será impulsionado apenas pela IA generativa, mas pelas pessoas que souberem como usá-la de forma mais eficaz.

Adotando a IA generativa no trabalho

Resumo.

Partner Center