Esteja pronto para a IA: o que os líderes de TI precisam fazer

A IA se enquadra em duas categorias de alto nível na organização:

1. IA cotidiana melhora a produtividade, permitindo que os humanos trabalhem mais rápido e com mais eficiência nas tarefas do cotidiano;
2. IA revolucionária aumenta a criatividade ao permitir a criação de resultados por meio de novos produtos e serviços ou por meio de novos recursos principais. A IA revolucionária influenciará modelos de negócios e indústrias.

Tanto a IA cotidiana quanto a IA revolucionária têm usos internos e externos. A definição da sua ambição de IA envolve a exploração das combinações de IA cotidiana e revolucionária e os casos de uso interno e externo pretendidos.

As expectativas de investimento influenciarão essas decisões dado que a IA revolucionária não é barata. Embora 73% dos diretores de tecnologia da informação digam que planejam investir mais em IA em 2024 do que fizeram em 2023, os diretores financeiros são céticos quanto aos resultados: 67% dos responsáveis financeiros dizem que os investimentos digitais têm apresentado um desempenho abaixo das expectativas.

Para definir ambições realistas de IA, leve em consideração três cenários de investimento de IA com a diretoria:

1. Defenda sua posição investindo em ganhos rápidos que melhoram tarefas específicas. As ferramentas de IA cotidiana têm uma barreira de baixo custo para adoção, mas não oferecem à sua organização uma vantagem competitiva sustentável. O investimento nesse caso permite acompanhar o status quo;

2. Amplie sua posição investindo em aplicativos adaptados e personalizados que proporcionam uma vantagem competitiva. Esses investimentos em IA são mais caros e levam mais tempo para causarem um impacto, mas também são mais valiosos;

3. Mude sua posição ao criar novos produtos e modelos de negócios com IA. Esses investimentos são muito caros, arriscados e demorados, mas têm um grande potencial recompensador e podem influenciar a sua indústria.

Nos últimos seis meses, verificamos uma grande movimentação de lançamentos de modelos de IA e ferramentas no mercado. Além disso, muitos grandes fornecedores de software independentes (ISVs) estão incorporando a IA em seus aplicativos existentes. Esses encontros competitivos são característicos da maioria dos mercados de alto risco em estágio inicial e contribuem para um gama confusa de opções.

Usando a IA generativa como exemplo, a Gartner verifica cinco abordagens emergentes para a implantação da IA:

1. Consumo de IA generativa incorporada em aplicativos, como o uso de um aplicativo de software de design, que passou a incluir recursos de geração de imagem, como, por exemplo, o Adobe Firefly;

2. Incorporação de APIs de IA generativa em uma estrutura de aplicativo personalizada para que as empresas possam criar seus próprios aplicativos e integrar a IA generativa por meio de APIs de modelo de base;

3. Ampliação dos modelos de IA generativa por meio de recuperação de dados como, por exemplo, usando geração aumentada de recuperação (RAG), permitindo às empresas recuperar dados de fora de um modelo de base (frequentemente de dados internos) e aumentar os prompts com isso para melhorar a precisão e a qualidade de resposta dos modelos para tarefas específicas;

4. Ampliação dos modelos de IA generativa por meio de ajustes finos de um grande modelo de base pré-treinado com um novo conjunto de dados para incorporar um know-how adicional ou para melhorar o desempenho de tarefas específicas. Isso geralmente resulta em modelos personalizados dedicados à organização.

5. Criação de modelos de base personalizados do zero, personalizando-os totalmente de acordo com seus dados e negócio.

Cada abordagem de implantação acompanha compensações entre benefícios e riscos. Esses fatores-chave que influenciam essas compensações são:

• Custos – aplicativos incorporados e APIs de modelos incorporados são as opções mais econômicas de implantação de IA. A criação de um modelo do zero seria a mais cara. Entretanto, os custos variam muito, especialmente com o ajuste fino, para o qual os custos são elevados com a atualização de milhares de milhões de parâmetros;

• Conhecimento organizacional e know-how – a maioria dos modelos de base de IA são modelos de conhecimento geral. Para a melhoria da precisão, as organizações precisam trazer know-how e especificidade de caso de uso por meio de recuperação de dados, ajustes finos ou a criação de seu próprio modelo;