Nada chama mais a atenção dos leitores do que uma má notícia. Por exemplo, os líderes tecnológicos de todo o mundo prestaram muita atenção ao recente estudo do MIT, que concluiu que quase todas as tecnologias generativas IA os pilotos não conseguem produzir resultados financeiros reais – 95%, para ser exato.
A pesquisa da RAND tem sido igualmente sombria, mostrando que quatro em cada cinco projetos de IA estagnam. E a S&P Global descobriu que as organizações estão a abandonar as iniciativas de IA ao dobro do ritmo do ano anterior.
CTO de campo para IA no MongoDB.
Todos nós lemos artigos que diagnosticam essas falhas como resultado de modelos fracos, ferramentas imaturas ou falta de conhecimento e capacidade interna. Contudo, a verdade é mais simples e talvez ainda mais incómoda.
A realidade é que a maior parte da IA projetos fracassam não por causa da tecnologia, mas sim por causa da estratégia – ou falta dela – por trás deles.
O problema: tratar a IA como um produto que você pode comprar
Qualquer pessoa que estiver presente em uma conferência de software empresarial será saudada por um mar de fornecedores que vendem “soluções de IA” prontas para uso. Implicitamente, a mensagem que enviam é que a IA é um produto que alguém pode comprar, conectar e observar os benefícios de eficiência surgirem.
E é esta visão altamente comercializada da IA, tratando-a como uma unidade de manutenção de stock (SKU) que pode encomendar a partir de um catálogo, que faz com que os projetos de IA se desfaçam logo após a compra.
Isso ocorre porque a IA não é uma resposta predefinida em busca de um caso de uso. Em vez disso, é um conjunto de técnicas que só criam valor quando aplicadas a um contexto específico e bem definido. negócios emitir. Portanto, sem um caminho claro para o ROI desde o início, é altamente provável que os projetos de IA fracassem.
Quando as organizações se esquecem disto, caem naquilo que muitos líderes por vezes chamam de armadilha da “experiência científica”. Aparece em duas formas comuns. No primeiro, podemos ver entusiasmo interno sobre um novo modelo ou ferramenta, e o piloto pode até garantir um financiamento generoso da liderança sênior, seguido de uma demonstração impressionante.
Mas dentro de alguns meses, desaparecerá porque ninguém consegue associá-lo a resultados mensuráveis.
A pesquisa do MIT confirma isso, descobrindo que os Ferramentas de IA são bem-sucedidos em 67% das vezes, enquanto as compilações internas são bem-sucedidas em apenas um terço da frequência, principalmente porque as soluções dos fornecedores vêm com casos de uso mais claros e métricas de sucesso vinculadas a resultados de negócios específicos.
A segunda versão começa no topo. É quando a liderança apela a uma “estratégia de IA” e, na pressa de demonstrar ação, uma organização compra hardware ou software que parece impressionante no papel.
Somente quando chega a equipe percebe que não tem um uso claro para ele ou que a IA não consegue entregar. Em ambos os casos, vemos a mesma história: quando o problema empresarial vem por último, não há espaço para valor.
Reenquadrando a IA em torno da realidade empresarial
A boa notícia é que existe uma maneira melhor de avaliar e priorizar os investimentos em IA. Basicamente, tudo se resume a quão bem as equipes e os líderes distinguem entre ideias de IA que valem ou não a pena perseguir.
O ponto de partida é identificar os maiores desafios que uma organização enfrenta e o que é importante para o seu desempenho principal. Para a maioria, isto significará crescimento de receitas, eficiência, cliente satisfação, exposição ao risco ou talvez produtividade. A conversa deve começar com uma necessidade comercial e não com uma curiosidade técnica.
O próximo passo é avaliar os dados necessários para resolver esses desafios. Em muitas organizações, os dados estão dispersos e duplicados em múltiplas fontes ou presos em sistemas legados.
Até que estes dados sejam consolidados e limpos, não existe nenhum modelo no mundo que seja capaz de trabalhar com eles de forma eficaz. Uma vez feito o trabalho braçal para colocar o conjunto de dados em ordem, o potencial da IA para resolver esse problema torna-se tangível.
Então é importante considerar a mensurabilidade e como a organização já mede coisas como crescimento de receita, eficiência ou satisfação do cliente. Ter esta linha de base em vigor significa que quaisquer melhorias da IA podem ser demonstradas claramente.
Métricas como tempo de ciclo, precisão, custo por transação ou pontuações de clientes oferecem a capacidade de mostrar o impacto.
Permitindo que a IA conquiste seu lugar nos negócios
Ao aplicar essas considerações, você provavelmente verá o número de projetos potenciais de IA diminuir. Isso é bom, porque os projetos que permanecerem terão valor direto para o negócio e serão apoiados por dados isso é adequado ao propósito. As equipes podem então definir critérios de sucesso que todos entendam e possam medir ao longo do tempo.
Por sua vez, esta abordagem pode fazer com que a IA deixe de ser uma experiência dispendiosa e passe a acrescentar valor tangível. Concentra o investimento naquilo que pode ser resolvido agora, e não naquilo que é teoricamente excitante. E o mais importante, permite que a IA cumpra verdadeiramente as suas promessas de transformação.
Apresentamos o melhor construtor de sites de IA.
Este artigo foi produzido como parte do canal Expert Insights da TechRadarPro, onde apresentamos as melhores e mais brilhantes mentes do setor de tecnologia atualmente. As opiniões expressas aqui são de responsabilidade do autor e não são necessariamente da TechRadarPro ou Future plc. Se você estiver interessado em contribuir saiba mais aqui: https://www.techradar.com/news/submit-your-story-to-techradar-pro