AI Strategy: How to Choose What AI Product to Implement
Este artigo apresenta a estrutura de ROI esperado (eROI), que ajuda as empresas a superar a incerteza da seleção de projetos de IA ao avaliar separadamente o valor potencial, a probabilidade de sucesso e o custo de implementação de cada ideia para construir um portfólio robusto de apostas de alto potencial.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você é o capitão de uma nave espacial massiva e precisa decidir quais planetas distantes visitar. Você tem um suprimento limitado de combustível. Alguns planetas parecem brilhantes e promissores em seu radar, enquanto outros parecem misteriosos e potencialmente perigosos. No mundo dos negócios, esse "combustível" é dinheiro e tempo, e os "planetas" são novos projetos. Por muito tempo, empresas tentando usar Inteligência Artificial (IA) têm sido como capitães adivinhando qual planeta visitar com base no quão legal o planeta parece, em vez de verificar se eles podem realmente pousar lá ou se sequer vale a viagem. Este artigo mergulha exatamente nesse problema: como escolher qual projeto de IA construir quando você não pode ter 100% de certeza de que funcionará? Os autores introduzem uma nova forma de pensar chamada "eROI" (Retorno sobre o Investimento esperado). Em vez de tentar adivinhar um único número mágico para o lucro, eles sugerem decompor a decisão em três perguntas simples: Quanto dinheiro ganharíamos se funcionasse? Qual a probabilidade de realmente funcionar? E quanto custará para construir? É como verificar um mapa, um relatório meteorológico e um orçamento antes mesmo de sair do cais.
Os autores, que são especialistas em negócios e ciência de dados, argumentam que a maioria das empresas falha com a IA não porque a tecnologia seja muito difícil, mas porque escolhem os projetos errados para começar. Eles propõem uma estrutura chamada eROI (Retorno sobre o Investimento esperado) para ajudar líderes a filtrar centenas de ideias e escolher as vencedoras. A ideia central é simples, mas poderosa: pare de tentar esmagar tudo em um número confuso. Em vez disso, separe sua decisão em três pilares distintos.
Primeiro, pergunte: "Quão valioso seria se funcionasse?" Isso não é apenas sobre o dinheiro imediato; trata-se de saber se o projeto se ajusta aos grandes objetivos da empresa, se cria novos ativos de dados para o futuro ou se ensina algo novo à equipe.
Segundo, pergunte: "Qual a probabilidade de funcionar?" Esta é a parte complicada. A IA é cheia de incerteza científica. Só porque você tem os dados, não significa que o computador consiga decifrar o padrão. Os autores dividem isso em quatro verificações: Os clientes o usarão? Nossos engenheiros conseguem construí-lo? Temos os dados certos? E, mais importante, a ciência é sequer possível? Se a resposta para qualquer uma dessas perguntas for "talvez não", o projeto inteiro é arriscado.
Terceiro, pergunte: "Quanto custará?" Isso não é apenas o preço do software. Inclui o tempo que sua equipe gasta, o custo de comprar novos dados e o trabalho árduo de integrar a nova ferramenta às suas rotinas diárias existentes.
Para mostrar como isso funciona, os autores contam a história de uma empresa de imobiliária chamada Compass. Eles analisaram três diferentes ideias de IA que a empresa estava considerando:
A Ferramenta "Provável de Venda": Este era um sistema que analisava a lista de contatos de um agente e sinalizava pessoas que tinham maior probabilidade de colocar sua casa à venda em breve.
- O Veredito: Foi um sucesso absoluto. Foi de Valor Muito Alto porque ajudou diretamente os agentes a fazerem mais vendas. Teve Alta Probabilidade de Sucesso porque os dados eram claros e a ciência era direta. Teve Custo Médio porque a equipe já possuía as ferramentas para construí-lo.
- O Resultado: A empresa a construiu e ela acabou gerando centenas de milhões de dólares em receita extra.
A Ferramenta "Tempo no Mercado": Esta era uma calculadora sofisticada que tentava prever exatamente quanto tempo uma casa ficaria no mercado a um preço específico.
- O Veredito: Foi uma armadilha. Embora parecesse de Alto Valor no papel, a Probabilidade de Sucesso era Baixa. Por quê? Porque a ciência por trás disso estava quebrada. Para prever como o preço causa uma casa a vender mais rápido, você precisa saber o que teria acontecido se o preço fosse diferente. Mas você nunca pode ver esse cenário de "e se" na vida real. Os autores chamam isso de um problema "causal", e sem experimentos especiais, a IA não conseguiria resolvê-lo.
- O Resultado: A empresa sabiamente engavetou essa ideia. Construí-la seria um desperdício de dinheiro porque a ciência simplesmente não estava lá ainda.
A Ferramenta de "Visualização de Reforma": Esta era uma ferramenta de IA Generativa que pegaria a foto de uma cozinha em mau estado e mostraria como ela ficaria após uma reforma.
- O Veredza: Era um "talvez". O Valor era de Baixo a Médio porque já existem formas mais baratas de fazer isso (como o staging virtual). A Probabilidade era Média porque a IA poderia cometer erros estranhos que deixariam os compradores irritados. O Custo era Médio.
- O Resultado: Mesmo que parecesse legal e usasse o último termo da moda, "IA Generativa", a matemática não batia. A empresa construiu uma versão dela, mas não decolou porque o risco de erros era muito alto em comparação ao benefício.
O artigo sugere que o segredo do sucesso não é apenas ter uma ótima ideia ou os engenheiros mais inteligentes. É sobre ter um portfólio de apostas. Você não coloca todo o seu combustível em um único projeto "melhor". Em vez disso, você mistura algumas coisas garantidas (Vitórias Rápidas), alguns sonhos arriscados e grandiosos (Moonshots) e alguns projetos de pesquisa para descobrir se os grandes sonhos são sequer possíveis.
Os autores tomam o cuidado de dizer que você não precisa de matemática perfeita para usar isso. Você não precisa calcular o lucro exato até o último centavo. Você só precisa usar classificações simples como "Baixo", "Médio", "Alto" ou "Muito Alto" para cada um dos três pilares. Isso ajuda as equipes a pararem de discutir se um projeto é "bom" ou "ruim" e começarem a ter conversas reais sobre por que ele pode falhar ou ter sucesso.
No fim, o artigo nos ensina que escolher um projeto de IA é como planejar uma viagem de carro. Você não pode apenas escolher o destino com a foto mais bonita. Você tem que verificar se o carro aguenta a estrada (Certeza Técnica), se você tem gasolina suficiente (Investimento) e se o destino realmente vale a viagem (Valor). Ao separar essas perguntas, as empresas podem parar de desperdiçar dinheiro em projetos que parecem bons, mas são impossíveis de construir, e começar a financiar aqueles que realmente mudarão o jogo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.