Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

No mundo dos negócios modernos, os líderes enfrentam um desafio constante: tomar decisões de alto risco em um cenário que muda mais rápido do que qualquer pessoa sozinha consegue acompanhar. Para navegar nisso, muitas organizações estão recorrendo à inteligência artificial e à análise de big data. Estas não são apenas ferramentas para organizar arquivos; são sistemas projetados para encontrar padrões em quantidades massivas de informações que sobrecarregariam uma mente humana. No entanto, uma questão crítica permanece: podem esses sistemas digitais tomar decisões que não sejam apenas inteligentes, mas também juridicamente sólidas e estrategicamente eficazes? A resposta não é simples. Uma decisão pode ser eficiente, mas quebrar uma regra, ou pode seguir a lei, mas falhar em atingir um objetivo de negócio. Pesquisadores estão agora tentando construir uma ponte entre o poder bruto da análise de dados e os limites estritos da conformidade legal, perguntando se um computador pode aprender a pesar a importância de um objetivo de negócio contra o risco de uma penalidade legal.

Um pesquisador da Universidade Tay Do, no Vietnã, partiu para testar essa ideia ao construir um sistema digital projetado para simular como um gerente poderia fazer escolhas estratégicas. Eles criaram um ambiente virtual onde um agente de inteligência artificial tinha que navegar por um conjunto complexo de regras baseadas em leis de tecnologia da informação. O objetivo era ver se o sistema conseguiria prever o quão bem uma decisão desempenharia, medida por um indicador de desempenho padrão conhecido como KPI (Key Performance Indicator). Para fazer isso, o pesquisador não apenas alimentou o computador com números brutos. Em vez disso, eles projetaram o sistema para mimetizar cinco formas específicas pelas quais uma mente humana processa informações: a capacidade de gerenciar recursos, a capacidade de pensar sobre o próprio pensamento, a habilidade de focar no que importa, a velocidade de aprender novas regras e a capacidade de compreender normas sociais e organizacionais. Essas cinco habilidades cognitivas foram tratadas como os blocos de construção do processo de tomada de decisão do computador.

O pesquisador construiu um enorme pipeline digital para testar sua ideia. Primeiro, o sistema coletou textos de vários documentos, como relatórios jurídicos e documentos de políticas, e os limpou para que o computador pudesse lê-los. Em seguida, traduziu essas regras escritas para um formato que a máquina pudesse entender, atribuindo pesos a diferentes requisitos, como privacidade de dados ou alinhamento executivo. Depois, o sistema gerou um conjunto de dados simulados de 1.500 diferentes cenários de tomada de decisão. Em cada cenário, o computador tinha que equilibrar suas cinco habilidades cognitivas contra as regras legais para produzir uma pontuação final. Essa pontuação representava o quão bem-sucedida seria a decisão, variando de zero a cem. O pesquisador então treinou um modelo de aprendizado de máquina com esses dados, ensinando-o a observar as cinco habilidades cognitivas e a adivinhar qual seria a pontuação final. Eles usaram um método que constrói muitas pequenas árvores de decisão para encontrar padrões, esperando que o computador pudesse aprender as conexões ocultas entre como um sistema pensa e como ele desempenha.

Quando o pesquisador testou seu modelo, os resultados revelaram uma verdade difícil sobre o estado atual desta tecnologia. O sistema foi capaz de executar todo o processo suavemente, desde a leitura dos documentos até a geração de uma lista final de pontuações previstas. No entanto, quando o pesquisador verificou o quão precisas eram as previsões, descobriu que o modelo lutava para capturar a verdadeira complexidade do problema. Os palpites do computador estavam frequentemente errados por uma margem significativa e, em algumas medidas estatísticas, o modelo teve um desempenho pior do que simplesmente adivinhar a pontuação média para cada situação. Os dados mostraram que os resultados reais caíam em dois grupos distintos — decisões que pontuavam muito baixo e decisões que pontuavam muito alto — enquanto as previsões do computador tendiam a se agrupar no meio, perdendo os extremos inteiramente. Isso sugere que, embora o sistema pudesse processar a informação, carecia do contexto mais profundo necessário para distinguir entre uma escolha média e segura e uma estratégia de alto risco e alta recompensa.

O estudo conclui que, embora o framework para combinar inteligência artificial com governança jurídica seja viável, a tecnologia ainda não está pronta para substituir o julgamento humano nessas áreas complexas. O pesquisador descobriu que os modelos atuais não podiam considerar totalmente as variáveis ocultas que empurram uma decisão para as categorias de "alto risco" ou "alta recompensa". Ele observou que o sistema funcionava melhor quando permanecia no meio termo, evitando os resultados mais extremos, o que é uma abordagem segura, mas limitada para o planejamento estratégico. O pesquisador sugere que trabalhos futuros devem focar em adicionar informações mais detalhadas ao sistema, como melhores maneiras de medir o contexto jurídico específico de cada decisão, e desenvolver modelos que possam explicar seu raciocínio de forma mais clara. Por ora, esta pesquisa serve como uma prova de conceito, demonstrando que é possível traduzir regras jurídicas em dados digitais, mas também destacando que o caminho para uma tomada de decisão estratégica verdadeiramente autônoma e em conformidade requer muito mais do que apenas poder de processamento.