Por Tim Fountaine, Brian McCarthy e Tamim Saleh
A inteligência artificial (IA) está remodelando os negócios — embora não no ritmo alucinante que muitos supunham. É verdade que agora a IA orienta decisões sobre tudo, desde a colheita de safras até empréstimos bancários, e antigas promessas, como o atendimento totalmente automatizado ao cliente, já despontam no horizonte. As tecnologias que possibilitam a IA, como as plataformas de desenvolvimento e o grande poder de processamento e armazenamento de dados, avançam rapidamente e se tornam cada vez mais acessíveis. Parece ter chegado a hora de as empresas capitalizarem a IA. De fato, estimamos que na próxima década a IA adicione US$ 13 trilhões à economia global.
No entanto, apesar das promessas da IA, em muitas empresas os esforços nessa área são insuficientes. Entrevistamos milhares de executivos sobre como sua empresa usa e se organiza para a IA e analytics avançadas, e nossos dados mostram que apenas 8% das empresas promovem práticas essenciais que dão suporte à adoção generalizada. A maioria das empresas desenvolveu apenas projetos-piloto ad hoc ou aplica a inteligência artificial em apenas um único processo de negócios.
Por que o progresso é tão lento? No nível mais alto, isso reflete a falha em reconectar a organização. Em nossas pesquisas e em nosso trabalho com centenas de clientes, vimos que as iniciativas de IA enfrentam barreiras culturais e organizacionais formidáveis. E os líderes podem efetivamente capturar as oportunidades da IA.
Como realizar a mudança
Um dos maiores erros cometidos pelos líderes é ver a IA como uma tecnologia plug-and-play com retornos imediatos. Decididos a implementar alguns projetos, começam a investir milhões em infraestrutura de dados, ferramentas de software de inteligência artificial, conhecimento de dados e desenvolvimento de modelos. Alguns dos pilotos, com muito esforço, chegam a obter pequenos ganhos em determinadas áreas da empresa. Mas então meses ou anos se passam sem trazer as grandes vitórias esperadas pelos executivos. As empresas lutam para passar dos pilotos aos programas que abrangem toda a empresa —e de um foco em problemas específicos, como aprimorar a segmentação de clientes, para grandes desafios, como a otimização de toda a jornada do cliente.
Os líderes costumam pensar de forma muito limitada sobre os requisitos de IA. Embora tecnologia e talento de ponta certamente sejam necessários, é igualmente importante alinhar a cultura, a estrutura e as formas de trabalho da empresa para oferecer suporte à ampla adoção da IA. Porém, na maioria das empresas que não nasceram digitais, a mentalidade tradicional e a forma de trabalhar vão de encontro aos requisitos da IA.
Para escalar a IA, as empresas devem promover três mudanças:
Do trabalho em silos à colaboração interdisciplinar. A IA tem maior impacto quando desenvolvida por equipes multifuncionais com ampla variedade de habilidades e perspectivas. Fazer com que o pessoal operacional e o pessoal comercial trabalhem lado a lado com especialistas em analytics garantirá que as iniciativas abordem as amplas prioridades organizacionais, não apenas questões comerciais isoladas. Equipes diversificadas podem refletir cuidadosamente sobre as mudanças operacionais exigidas pelas novas aplicações — elas têm mais facilidade de reconhecer, por exemplo, que a introdução de um algoritmo que prevê a necessidade de manutenção deve ser acompanhada por uma revisão do workflow de manutenção. E quando as equipes de desenvolvimento envolvem os usuários finais no projeto de aplicativos, as chances de adoção aumentam drasticamente.
Da tomada de decisão conduzida pelo líder com base na experiência à tomada de decisão na linha de frente com base em dados.
Quando a IA é adotada em larga escala, os funcionários de cima a baixo na hierarquia ampliam seu próprio julgamento e intuição com as recomendações dos algoritmos, chegando a soluções melhores do que aquelas a que os seres humanos ou as máquinas conseguiriam chegar por conta própria. Mas para que essa abordagem funcione, as pessoas de todos os níveis precisam confiar nas sugestões dos algoritmos e se sentir fortalecidas para tomar decisões — e isso significa abandonar a abordagem tradicional de cima para baixo. Se os funcionários tiverem de consultar um superior antes de agir, isso inibirá o uso da IA.
O processo de decisão mudou drasticamente em uma empresa quando ela substituiu um complexo método manual de programação de eventos por um novo sistema de IA. Tradicionalmente, os organizadores de eventos da empresa usavam etiquetas, tachinhas e adesivos coloridos para rastrear questões como preferências dos participantes e conflitos. Frequentemente, apoiavam-se no instinto e na opinião dos gestores seniores, que também seguiam seus próprios instintos para tomar decisões. O novo sistema analisou rapidamente a vasta gama de possíveis permutações do calendário usando um primeiro algoritmo para agrupar centenas de milhões de opções em milhões de cenários e, em seguida, outro algoritmo para organizar esses milhões de cenários em apenas algumas centenas, classificando os horários ideais para cada participante. Planejadores humanos experientes usaram sua expertise para tomar decisões finais apoiadas pelos dados, sem que seus líderes precisassem participar. Os planejadores adotaram a ferramenta prontamente, confiando em sua análise porque ajudaram a definir seus parâmetros e restrições e sabiam que eles é que tomariam a decisão final.
Da rigidez e aversão ao risco para a mentalidade ágil, experimental e adaptável. As empresas precisam abandonar a mentalidade de que uma ideia precisa ser totalmente elaborada ou que uma ferramenta de negócio precisa estar com todos os detalhes prontos antes de ser aplicada. Na primeira iteração, os aplicativos de IA raramente apresentam toda a funcionalidade desejada. Uma mentalidade de teste e aprendizado passará a ver os erros como fonte de descobertas, reduzindo o medo do fracasso. Obter o feedback antecipado do usuário e incorporá-lo à próxima versão permitirá que as empresas corrijam problemas menores antes que se tornem problemas dispendiosos. O desenvolvimento vai acelerar, permitindo que pequenas equipes de IA criem produtos viáveis mínimos em questão de semanas, em vez de meses.
Mudanças fundamentais como essas não acontecem com facilidade. É necessário que os líderes preparem, motivem e equipem a força de trabalho para realizar a mudança. Mas, primeiro, os próprios líderes devem estar preparados. Observamos inúmeras falhas causadas pela falta de uma compreensão fundamental da IA entre os executivos seniores. (Adiante, discutiremos como as academias de analytics podem ajudar os líderes a adquirir essa compreensão.)
Prepare-se para o sucesso
Para envolver os funcionários e facilitar o caminho para o sucesso dos lançamentos de IA, os líderes devem, desde o início, realizar várias tarefas:
Explique o motivo. Uma história convincente ajuda as empresas a entender a urgência das iniciativas de mudança e como elas serão beneficiadas. Isso é especialmente importante em projetos de IA, pois o medo de que a IA roube empregos aumenta a resistência dos funcionários a ela.
Os líderes devem apresentar uma visão que una a todos em torno de um objetivo comum. Os funcionários devem entender por que a IA é importante para os negócios e como eles se encaixam em uma nova cultura orientada pela IA. Em particular, precisam ter certeza de que a IA ampliará, em vez de diminuir ou até mesmo eliminar suas funções. (Nossa pesquisa mostra que a maioria dos funcionários precisará se adaptar ao uso da IA, sem ser substituídos por ela.)
Quando um grande conglomerado de varejo queria que seus funcionários apoiassem sua estratégia de IA, a gestão apresentava como um imperativo existencial. Os líderes descreviam a ameaça que os varejistas digitais representavam e como a IA poderia ajudá-los a se defender, melhorando a eficiência operacional e a capacidade de resposta da empresa. Ao emitir um grito de guerra na luta pela sobrevivência, a gestão ressaltou o papel fundamental que os funcionários tinham de desempenhar.
Ao compartilharem sua visão, os líderes da empresa colocaram em destaque os funcionários que haviam pilotado 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.
Antecipe barreiras específicas à mudança. Alguns obstáculos, como o medo dos funcionários de se tornarem obsoletos, são comuns nas empresas. Mas a cultura de determinada empresa pode ter características peculiares que aumentam a resistência. Por exemplo, se os gestores de relacionamento de uma empresa se orgulham de estar sintonizados com o cliente, podem rejeitar a noção de que uma máquina tenha ideias melhores do que eles e ignorar as recomendações personalizadas de produtos da ferramenta de IA. E gestores em grandes empresas que acreditam que seu status é baseado no número de pessoas que eles supervisionam podem se opor à tomada de decisão descentralizada ou à redução de subordinados permitidos pela IA.
Em outros casos, os processos em silos podem inibir a ampla adoção da IA. Empresas que atribuem orçamentos por função ou unidade de negócios podem ter dificuldade de montar equipes interdisciplinares ágeis, por exemplo.
Algumas soluções podem ser encontradas revendo a forma como as iniciativas de mudança do passado superaram barreiras. Outras podem envolver o alinhamento de iniciativas de IA com os próprios valores culturais que parecem ser obstáculos. Em uma instituição financeira com forte ênfase em relacionamento, por exemplo, os líderes destacaram a capacidade da IA de melhorar os laços com os clientes. O banco criou um livreto para gestores de relacionamento que mostrava como a combinação de seus conhecimentos e habilidades com as recomendações de produtos sob medida da IA poderia melhorar as experiências dos clientes e aumentar receita e lucro. O programa de adoção de IA incluía um concurso para conversão de vendas motivadas pelo uso da nova ferramenta; as conquistas dos vencedores foram mostradas aos funcionários no boletim mensal do CEO.
Uma classe relativamente nova de especialistas, os tradutores de analytics, pode ajudar na identificação de obstáculos. Essas pessoas fazem a ponte entre o pessoal dos negócios — marketing, cadeia de suprimentos, manufatura, riscos e assim por diante — e os engenheiros de dados e cientistas da área técnica. Os tradutores ajudam a garantir que os aplicativos de IA desenvolvidos atendam às necessidades comerciais e que a adoção ocorra sem problemas. No início do processo de implementação, eles podem pesquisar usuários finais, observar seus hábitos e estudar workflows para diagnosticar e corrigir problemas.
Compreender as barreiras à mudança pode não só informar os líderes sobre a melhor forma de se comunicar com a força de trabalho, também ajudá-los a determinar onde investir, quais iniciativas de IA são mais viáveis, qual treinamento deve ser oferecido, quais incentivos são necessários e muito mais.
Faça o orçamento tanto da integração e adoção quanto da tecnologia (e talvez mais). Em uma de nossas pesquisas, quase 90% das empresas que adotaram práticas bem-sucedidas de aumento de escala gastaram mais de metade de seus orçamentos de analytics em atividades que impulsionaram a adoção, como reelaboração do workflow, comunicação e treinamento. Apenas 23% das empresas restantes investiram recursos semelhantes.
Considere um provedor de telecomunicações que estava lançando um novo programa de retenção de clientes orientado por IA em seu call center. A empresa investiu simultaneamente no desenvolvimento do modelo de IA e em ajudar os funcionários do centro a fazer a transição para a nova abordagem. Em vez de apenas reagir às chamadas para cancelar o serviço, procurariam proativamente os clientes em risco de deserção, dando-lhes recomendações geradas pela IA sobre novas ofertas que estariam propensos a aceitar. Os funcionários receberam treinamento e coaching no local de trabalho nas habilidades de venda necessárias para fechar o negócio. Coaches e gestores ouviam suas ligações, davam feedback individualizado e atualizavam continuamente os materiais de treinamento e os roteiros de chamada. Graças a esse esforço coordenado, o novo programa reduziu a perda de clientes em 10%.
Balanceie a viabilidade, o investimento de tempo e o valor. Investir em iniciativas muito difíceis de implementar ou que levam mais de um ano para ser lançadas pode sabotar tanto projetos de IA atuais quanto os futuros.
As empresas não devem se concentrar apenas em ganhos rápidos; devem desenvolver um portfólio de iniciativas com diferentes horizontes de tempo. Processos automatizados que não precisam de intervenção humana, como a detecção de fraudes assistida pela IA, podem dar retorno em meses, enquanto projetos que exigem participação humana, como o serviço de atendimento ao cliente apoiado pela IA, provavelmente darão retorno em prazo mais longo. A priorização deve se basear numa visão de longo prazo (normalmente de três anos) e levar em consideração como várias iniciativas com cronogramas diferentes 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, a empresa talvez precise organizar uma série de iniciativas de venda e marketing. Algumas delas, como ofertas direcionadas, podem entregar valor em alguns meses, enquanto levar 12 a 18 meses para que todo o conjunto de recursos atinja o impacto total.
Um varejista da região Ásia-Pacífico determinou que uma iniciativa de IA para otimizar o uso do espaço físico e a organização do estoque não renderia seu valor completo, 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 importante o suficiente para a lucratividade futura e decidiram prosseguir, mas não sem dividi-lo em dois. A primeira parte produziu uma ferramenta de IA que dava aos gestores de loja recomendações sobre alguns itens incrementais que venderiam bem em suas lojas. A ferramenta forneceu apenas uma pequena fração do retorno total antecipado, mas os gestores podiam colocar os novos itens nas lojas imediatamente, demonstrando os benefícios do projeto e aumentando o entusiasmo para a jornada de muitos anos à frente.
Como se preparar para o aumento de escala
Muito se discute sobre o local nas empresas onde devem ser abrigados a IA e os recursos de analytics. Muitas vezes, os líderes perguntam: “qual modelo organizacional funciona melhor?”. E, depois de averiguar o que funcionou em outras empresas, escolhem uma das seguintes opções: consolidam a maioria dos recursos de IA e de analytics em um “hub” central; descentralizam e incorporam a maior parte deles nas unidades de negócios (os “spokes”, ou rede de distribuição); ou distribuem-nos 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 da empresa.
Considere duas grandes instituições financeiras com as quais trabalhamos. Uma delas consolidou suas equipes de IA e analytics em um hub central, com todo pessoal de analytics subordinado ao diretor de dados e analytics, e as alocava nas unidades de negócios conforme a necessidade. A outra descentralizou quase todo o seu talento de analytics, com equipes que residiam e se reportavam às unidades de negócio. Em seus respectivos setores, comparativamente, ambas as empresas estavam no ápice do desenvolvimento da IA, e a segunda empresa cresceu de 30 para 200 iniciativas rentáveis de IA em apenas dois anos. E ambas selecionaram seus modelos levando em conta a estrutura, os recursos, a estratégia e as características específicas de suas empresas.
O hub. Um punhado de responsabilidades é sempre mais bem administrado por um hub e liderado pelo diretor de analytics ou pelo diretor de dados. Isso inclui governança de dados, recrutamento de IA e estratégia de treinamento, além de provedores terceirizados de dados e serviços de IA e software. Os hubs devem alimentar o talento da IA, criar comunidades onde especialistas em IA possam compartilhar as melhores práticas e estabelecer processos para o desenvolvimento da IA em toda a empresa. Nossa pesquisa mostra que as empresas que implementaram a IA em larga escala têm probabilidade três vezes maior que seus pares de ter um hub e 2,5 vezes maior de ter uma metodologia clara para criar modelos, interpretar insights e implementar novos recursos de inteligência artificial.
Os hubs devem ser responsáveis pelos sistemas e padrões relacionados à IA. Estes devem ser orientados pelas necessidades das iniciativas da empresa, o que significa que devem ser desenvolvidos gradualmente, em vez de estabelecidos de uma só vez, antes que os cases de negócio sejam determinados. Vimos muitas empresas desperdiçar tempo e dinheiro —centenas de milhões de dólares — no início, em projetos de limpeza e integração de dados em toda a empresa e abortar esses esforços no meio do caminho, depois de perceber que traziam pouco ou nenhum benefício.
Por outro lado, quando um banco europeu descobriu que estratégias conflitantes de gestão de dados estavam impedindo o desenvolvimento de novas ferramentas de IA, adotou uma abordagem mais lenta, criando um plano para unificar sua arquitetura e gestão de dados nos quatro anos seguintes enquanto construía vários cases de negócio para a transformação da IA. Esse programa multifásico, que também inclui uma reformulação organizacional e uma estratégia de talentos revisada, deverá ter um impacto anual de mais de US$ 900 milhões.
Os spokes. Quase sempre, outro punhado de responsabilidades deve ser dos spokes, pois estão mais próximos daqueles que usarão o sistema de inteligência artificial. Entre elas, estão as tarefas relacionadas à adoção, incluindo treinamento de usuários finais, reelaboração do workflow, programas de incentivo, gestão de desempenho e monitoramento de impacto.
Para incentivar os clientes a abraçar os serviços habilitados pela IA oferecidos com seus equipamentos inteligentes e conectados, uma empresa de vendas e serviços de um fabricante criou uma “equipe SWAT” para apoiar os clientes que usavam o produto e desenvolver um plano de preços para impulsionar a adoção. Claramente, esse trabalho é a alçada dos spokes e não pode ser delegado a um hub de analytics.
A região cinzenta. Grande parte do trabalho de transformação bem-sucedida de IA fica em uma área cinzenta em termos de responsabilidade. As principais tarefas — definir a direção dos projetos de IA, analisar os problemas que eles resolverão, construir os algoritmos, projetar as ferramentas, testá-las com o usuário final, gerenciar a mudança e criar a infraestrutura de suporte de TI — podem ser atribuídas tanto ao hub quanto ao spoke, compartilhadas por ambos ou compartilhadas com a TI (ver o quadro “Como organizar a IA para o aumento de escala.”). A decisão sobre quem fica com a responsabilidade dentro da empresa não é uma ciência exata, mas deve levar em conta três fatores:
> A MATURIDADE DAS CAPACIDADES IA. Quando uma empresa está no início de seu percurso de IA, muitas vezes faz sentido para os executivos de analytics, cientistas de dados, engenheiros de dados, designers de interface do usuário, especialistas em visualização que interpretam graficamente as descobertas da analytics e coisas do tipo esperar em um hub até ser acionado, conforme a necessidade, para ir até os spokes. Trabalhando juntos, esses atores podem estabelecer os principais ativos e recursos de IA da empresa, como ferramentas comuns de analytics, processos de dados e metodologias de entrega. Mas à medida que o tempo passa e os processos se tornam padronizados, esses especialistas podem permanecer nos spokes com eficácia igual ou maior.
> COMPLEXIDADE DO MODELO DE NEGÓCIO. Quanto mais funções de negócio, linhas de negócio ou geografias que as ferramentas de inteligência artificial suportarem, maior a necessidade de formar associações de especialistas em IA (por exemplo, cientistas de dados ou projetistas). As empresas com negócios complexos geralmente consolidam essas associações no hub e depois as enviam, conforme a necessidade, às unidades de negócio, funções ou áreas geográficas.
> O RITMO E O NÍVEL DE INOVAÇÃO TÉCNICA NECESSÁRIA. Quando precisam inovar rapidamente, algumas empresas colocam no hub mais processos de construção de estratégia e de capacidade que ficam na área cinzenta, para que possam monitorar melhor as mudanças no setor e na tecnologia e implantar rapidamente recursos de IA para superar desafios competitivos.
Voltemos às duas instituições financeiras que discutimos anteriormente. Ambas enfrentaram pressões competitivas que exigiam inovação. No entanto, diferiam na maturidade de analytics e na complexidade de negócios.
A instituição que colocou suas equipes de analytics no hub tinha um modelo de negócio muito mais complexo e uma maturidade de IA relativamente baixa. Sua expertise existente em IA era principalmente em gestão de risco. Ao concentrar seus cientistas de dados, engenheiros e muitos outros especialistas de área cinzenta no hub, a empresa garantia que todas as unidades de negócio e funções poderiam acessar rapidamente esse know-how essencial quando precisassem.
A segunda instituição financeira tinha um modelo de negócio muito mais simples que se especializava em um número menor de serviços financeiros. Este banco também tinha considerável expertise e experiência em IA. Por isso, conseguiu descentralizar o talento de IA, incorporando nos spokes das unidades de negócio muitos dos especialistas em analytics, estratégia e tecnologia de área cinzenta.
Como esses exemplos sugerem, decidir onde as responsabilidades e funções de IA devem ficar requer um pouco de arte. Toda empresa tem capacidades distintas e pressões competitivas, e os três fatores-chave devem ser considerados na totalidade, e não individualmente. Por exemplo, uma empresa pode ter alta complexidade de negócio e precisar de inovação muito rápida (sugerindo que ela deve transferir mais responsabilidades para o hub), mas também ter recursos de IA maduros (sugerindo que ela deve movê-los para os spokes). Seus líderes precisariam avaliar a importância relativa de todos os três fatores anteriormente mencionados para determinar onde o talento seria implantado de maneira mais eficaz. Os níveis de talento (um elemento de maturidade da IA) geralmente têm uma influência desproporcional na decisão.
A empresa possui especialistas em dados suficientes que, se alocados permanentemente nos spokes, ainda poderiam atender às necessidades de todas as unidades de negócio, funções e geografias? Caso contrário, provavelmente seria melhor alojá-los no hub e compartilhá-los com toda a empresa.
Supervisão e execução. Embora a distribuição de responsabilidades de IA e de analytics varie de uma empresa para outra, as que aumentam a IA têm duas coisas em comum:
> UMA COLIGAÇÃO DE GOVERNANÇA DE LÍDERES DE NEGÓCIO, TI E ANALYTICS. A integração total da IA é uma longa jornada. Criar uma força-tarefa conjunta para supervisioná-la garantirá que as três funções colaborem e compartilhem a responsabilidade, independentemente de como os papéis e responsabilidades são divididos. Esse grupo, que muitas vezes é convocado pelo diretor de analytics, também pode ser fundamental também para fomentar as iniciativas de IA, especialmente no início.
> EQUIPES DE EXECUÇÃO BASEADAS EM ATRIBUIÇÕES. Empresas que aumentam a escala da IA têm duas vezes mais chances de criar equipes interdisciplinares dentro dos spokes. À medida que criam, implementam e monitoram novos recursos de IA, essas equipes reúnem uma diversidade de perspectivas e solicitam informações da equipe da linha de frente. As equipes geralmente são montadas no início de cada iniciativa e aproveitam as habilidades tanto do hub quanto dos spokes. Geralmente, cada uma inclui o gestor responsável pelo sucesso da nova ferramenta de IA (o “responsável pelo produto”), tradutores, arquitetos de dados, engenheiros e cientistas, designers, especialistas em visualização e analistas de negócio. Essas equipes abordam os problemas de implementação antecipadamente e extraem valor mais rápido.
Por exemplo, no varejista da Ásia-Pacífico que usava a IA para otimizar o espaço da loja e a organização do estoque, a equipe de execução interdisciplinar ajudou a derrubar muros entre merchandisers. Antes, cada grupo trabalhava de forma independente, com os compradores alterando as recomendações da IA como bem entendessem. Isso levou a um descompasso 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 eficiente que oferecia uma gama de opções ponderadas aos compradores, que poderiam então escolher as melhores com o input dos comerciantes. Ao final do processo, as margens brutas de cada categoria de produtos que havia aplicado a ferramenta aumentaram de 4% a 7%.
Eduque a todos
Para garantir a adoção da IA, as empresas precisam educar a todos, dos líderes aos subordinados. Para esse fim, alguns estão lançando academias internas de IA, que normalmente incorporam o trabalho de sala de aula (online ou pessoalmente), oficinas, treinamento no local de trabalho e até mesmo visitas de campo a pares experientes do setor.
Cada academia é diferente, mas a maioria oferece quatro tipos de instrução:
Liderança. A maioria das academias se esforça para dar aos executivos seniores e aos líderes das unidades de negócio uma compreensão de alto nível de como a IA funciona e formas de identificar e priorizar as oportunidades da IA. Eles também fornecem discussões acerca do impacto sobre as funções dos funcionários, as barreiras à adoção e o desenvolvimento de talentos, e oferecem orientação sobre como incutir as necessárias mudanças culturais subjacentes.
Analytics. Aqui, o foco é aprimorar constantemente as hard skills e soft skills (habilidades técnicas e comportamentais) dos cientistas de dados, engenheiros, arquitetos e outros funcionários responsáveis pela analytics de dados, governança de dados e criação de soluções de inteligência artificial.
Tradutor. Os tradutores de analytics geralmente vêm da equipe de negócios e precisam de treinamento técnico fundamental — por exemplo, como aplicar abordagens analíticas a problemas de negócio e desenvolver cases de uso de IA. Sua instrução pode incluir tutoriais online, experiência prática seguindo tradutores veteranos e um “exame final” no qual devem implementar com sucesso uma iniciativa de IA.
Usuário final. Para os funcionários da linha de frente, talvez seja suficiente uma introdução geral às novas ferramentas de IA, seguida de treinamento no local de trabalho e orientação sobre como usá-las. Tomadores de decisões estratégicas, como profissionais de marketing e a equipe financeira, podem precisar de sessões de treinamento de nível mais alto, que incorporem cenários reais de negócio em que novas ferramentas melhoram as decisões sobre, digamos, lançamentos de produtos.
Como reforçar a mudança
A maioria das transformações de IA leva de 18 a 36 meses para ser concluída, mas algumas demoram até cinco anos. Para evitar que percam o ímpeto, os líderes precisam fazer quatro coisas:
Faça o que se diz. É essencial servir como modelo. Para começar, os líderes podem demonstrar seu compromisso com a IA participando do treinamento na academia.
Mas eles também devem encorajar ativamente novas formas de trabalho. A IA requer experimentação e, muitas vezes, as iterações iniciais não funcionam como planejado. Quando isso acontece, os líderes devem destacar o que se aprendeu com os pilotos. Isso incentivará as pessoas a assumir riscos de forma apropriada.
Os modelos mais eficazes que vimos são humildes. Fazem perguntas e reforçam o valor de diversas perspectivas. Eles se encontram regularmente com a equipe para discutir os dados, fazendo perguntas como “com que frequência acertamos? ” e “que dados temos para apoiar a decisão de hoje?”.
A CEO de uma empresa varejista constitui um bom exemplo. Em todas as reuniões, ela convida os participantes a compartilhar suas experiências e opiniões — e, no final, diz quais são as suas. Ela também reserva tempo para se reunir com os funcionários de negócio e analytics regularmente para verificar o que eles fizeram — como lançar um novo piloto ou ampliar um já existente.
Faça com que todas as empresas sejam responsáveis. Não é raro que a equipe de analytics seja responsável pelos produtos de AI. No entanto, como a analytics é apenas um meio para resolver problemas empresariais, são as unidades de negócio que devem liderar os projetos e responsabilizar-se pelo sucesso. A propriedade deve ser atribuída a alguém que tem a ver com o negócio, e esta pessoa deve mapear as funções e orientar o projeto do início ao fim. Às vezes, as empresas atribuem responsabilidades diferentes em pontos diferentes do ciclo de vida de desenvolvimento (por exemplo, para comprovação de valor, implantação e aumento de escala). Isso também é um erro, pois pode resultar em pontas soltas ou oportunidades perdidas.
Um cartão de pontuação que registra as métricas de desempenho do projeto de todos os stakeholders é uma excelente maneira de alinhar as metas das equipes de analytics e de negócios.
Acompanhe e facilite a adoção. Pode-se incentivar funcionários a usar a IA comparando os resultados das decisões tomadas com e sem a ajuda da ferramenta. Por exemplo, em uma empresa de commodities, os comerciantes descobriram que, geralmente, apenas metade das previsões feitas sem apoio da IA estava certa — o mesmo índice de acerto que um chute. Essa descoberta os tornou mais abertos a ferramentas de IA para melhorar as previsões.
As equipes que monitoram a implementação podem corrigir o curso conforme a necessidade. Em um varejista da North American, o responsável pelo projeto de IA percebeu que gestores de loja se contorciam para incorporar o output de um piloto no rastreamento de resultados de desempenho da loja. A interface do usuário da IA era difícil de navegar, e as informações geradas pela IA não eram integradas aos painéis que os gestores usavam diariamente para tomar decisões. Para corrigir o problema, a equipe de IA simplificou a interface e reconfigurou o output para que o novo fluxo de dados aparecesse no painel.
Forneça incentivos para a mudança. O reconhecimento inspira os funcionários no longo prazo. O CEO do varejista especializado começa as reuniões destacando um funcionário (como um gestor de produto, um cientista de dados ou um funcionário da linha de frente) que colaborou para o sucesso do programa de IA da empresa. No grande conglomerado de varejo, o CEO criou novas funções para os funcionários de melhor desempenho que participaram da transformação da IA. Por exemplo, promoveu o gestor de categoria que ajudou a testar a solução de otimização do seu piloto e liderou seu lançamento nas lojas — demonstrando de forma clara o impacto que a IA poderia ter na carreira.
Por fim, as empresas precisam verificar se os incentivos dos funcionários estão realmente alinhados com o uso da IA. Esse não era o caso em um varejista físico que havia desenvolvido um modelo de IA para otimizar o desconto que daria para limpar o estoque. O modelo revelou que às vezes era mais lucrativo descartar o estoque antigo do que vendê-lo com desconto, mas o pessoal da loja tinha incentivos para vender tudo, mesmo com grandes descontos. Como as recomendações da IA contradiziam a prática padrão, pela qual os funcionários eram recompensados, eles desconfiaram da ferramenta e a ignoraram. Como os incentivos de vendas estavam estreitamente vinculados aos contratos e não podiam ser alterados com facilidade, a empresa atualizou o modelo de IA para reconhecer a troca entre lucros e incentivos, o que ajudou a impulsionar a adoção dos usuários e aumentou a lucratividade.
As iniciativas que aumentam a escala criam um círculo virtuoso. Inicialmente, a mudança de equipes funcionais para interdisciplinares soma as diversas habilidades e perspectivas ao input do usuário, necessário para construir ferramentas eficazes. Com o tempo, os funcionários em toda a empresa absorvem novas práticas colaborativas. À medida que trabalham mais próximos a colegas de outras funções e geografias, os funcionários se tornam mais ambiciosos — começam tentando resolver problemas específicos para depois repensar completamente os modelos de negócio e operacionais. A velocidade da inovação aumenta à medida que o resto da empresa adota a abordagem de teste e aprendizado que impulsionou o sucesso dos pilotos.
À medida que as ferramentas de IA se espalham por toda a empresa, as pessoas mais próximas da iniciativa se tornam cada vez mais capazes de tomar decisões que antes eram tomadas por seus superiores, achatando as hierarquias empresariais. Isso incentiva ainda mais a colaboração e uma ambição ainda maior.
As maneiras pelas quais a IA pode ser usada para potencializar a tomada de decisão continuam se expandindo. Novos aplicativos criarão mudanças fundamentais, e às vezes difíceis, nos workflows, nas funções e cultura, em quais líderes precisarão cuidar de suas organizações. As empresas que fizeram uma excelente implementação geral da IA terão grande vantagem em um mundo em que o desempenho de humanos e máquinas que trabalham juntos superará o desempenho de seres humanos ou máquinas que trabalham por conta própria.
Tim Fountaine é sócio do escritório da McKinsey em Sydney e lidera a QuantumBlack, empresa de analytics avançada da McKinsey, na Austrália.
Brian McCarthy é sócio do escritório da McKinsey em Atlanta e colidera a agenda de desenvolvimento de conhecimento da McKinsey Analytics.
Tamim Saleh é sócio sênior do escritório da McKinsey em Londres e dirige a empresa na Europa.
Fonte: Harvard Business Review Brasil
Matéria: https://hbrbr.uol.com.br/como-construir-uma-empresa-movida-pela-ia/
