AI differentiation

Pensando as alavancas para diferenciação impulsionadas pela inteligência artificial

Uma das formas de se pensar diferenciação no contexto de AI é avaliar a relação entre dados, poder ( em suas diversas formas ) e casos de uso, conforme a formula¹ abaixo:

Esta fórmula encapsula os elementos fundamentais que determinam o sucesso de uma estratégia de AI. Neste contexto, o valor de uma empresa não é apenas medido por sua capacidade de adotar tecnologias deste tipo, mas também pela maestria com que ela lida com dados, a robustez de seus recursos computacionais, a densidade de seu talento humano, sua eficiência operacional e temas correlacionados.

Cada variável da equação desempenha um papel crucial: Os dados representam o combustível da inteligência artificial, e sua disponibilidade, variedade, qualidade, exclusividade e gerenciamento de riscos moldam a capacidade de uma empresa de utilizá-la de maneira eficaz.

Por outro lado, o poder computacional, que engloba tanto a infraestrutura tecnológica mas que se conecta ao acesso a capital, é essencial para treinar modelos de IA e executar tarefas complexas em escala. Além disso, a densidade de talentos e a eficiência operacional são determinantes para transformar ideias em realidade, impulsionando a inovação e a excelência operacional.

Ao longo deste artigo, mergulharemos em cada uma dessas variáveis e discutiremos como elas se interconectam para moldar uma estratégia vencedora. Também examinaremos casos de uso, tanto do ponto de vista externo, relacionados à geração de valor para clientes e usuários, quanto do ponto de vista interno, abordando a eficiência, automação e digitalização dos processos internos.

À medida que as empresas enfrentam a continuidade da transformação digital e a crescente importância da inteligência artificial para os negócios, a compreensão dessas variáveis se torna crucial.

Dados e a relação com disponibilidade, variedade, qualidade, exclusividade e risco

Variedade: variedade nas fontes de dados e tipos de dados permitem um gama maior de oportunidades a serem exploradas, por exemplo, o Twitter ( ou X ) ou o Reddit possuem uma ampla variedade de conversas sobre uma ampla variedade de temas, isto deixa essas duas empresas relativamente bem posicionadas nesta equação.

Qualidade: no entanto, o jogo não é ganho apenas com uma alta variedade, mas também com uma qualidade adequada dos dados disponíveis. Qualidade dos dados pode ser interpretada de diversas formas, mas de maneira geral deveria se correlacionar com a qualidade do que pode sair como output de um eventual modelo se considerarmos aqueles dados como entrada.

Qualidade também tem um ponto interessante relacionado ao tempo investido para a normatização, organização, consistência, anonimização, remoção de viés dos dados para garantir o resultado esperado ao utilizarmos eles.

Qualidade também é associada a disponibilidade e robustez dos processos de extração, transformação e carga dos dados para serem consumidos na estruturas de dados disponíveis.

Exclusividade: Se todos os competidores em um mercado possuem acesso livremente aos mesmos conjuntos de dados para treinar os seus modelos, então o diferencial competitivo em cima daquela posição ( ou seja, em cima daqueles dados em si ) tendem a erodir com o tempo, e o valor agregado migrará para outra parte da cadeia de valor. Logo, exclusividade nos tipos de dados disponíveis de fato constitui uma capacidade para diferenciação em potencial para empresas.

Por exemplo, empresas que possuem dados de saúde dos seus pacientes e consumidores, dados estes que são frequentemente protegidos por diversas camadas de sigilo e privacidade, não costumam ser amplamente disponibilizados, logo o acesso exclusivo a uma base dessa, quando utilizada de maneira ética e equilibrada, pode constituir em uma potencial de diferenciação.

Disponibilidade: a prontidão para o acesso aos dados é essencial para a agilidade e flexibilidade ao explorar o potencial de AI em algum contexto. Uma infra-estrutura robusta e integrada com processos estabelecidos e sistemas de suporte para permitir o trabalho em cima dos mesmo é essencial. De pouco adianta estar em cima de uma mina de ouro do ponto de vista de dados se eles não são acessíveis e estão prontamente disponíveis para consumo e uso.

Risco: Se dados são o novo petróleo, o manuseio equivocado do mesmo pode fazer com que em alguns casos os dados em posse da empresa sejam na verdade o novo urânio, ou seja, um material extremamente tóxico se manipulado indevidamente.

Riscos associados aos dados podem expor a capacidade de um empresa de empregar eficazmente modelos de inteligência artificial, desde riscos de cibersegurança e vazamento e proteção/privacidade dos dados, até problemas associados aos dados disponíveis sendo usados como input para os modelos e os seus vieses.

Power: poder computacional, acesso a capital, densidade de talentos e eficiência operacional

Poder computacional: Para treinar estes modelos é necessário uma capacidade considerável de extração, tratamento e armazenamento desses dados para serem utilizados de forma eficaz no processo de treinamento dos modelos.

Para treinar estes modelos é necessário uma capacidade considerável de poder de processamento, especificamente GPU ou processadores otimizados para estas funções.

Usualmente nos dias de hoje ambos os temas acima acontecem na nuvem, muito provavelmente para nós no ocidente em uma das 3 opções: Amazon AWS, Microsoft Azure ou Google GCP.

Esses 3 provedores de nuvem juntos com mais uma meia dúzia de fabricantes de chips de ponta para este propósito, compõe essencialmente uma dominância no tema. A capacidade financeira e energética para conjugar o ETL dos dados e treinamentos dos modelos em uma série de tentativa e erros é essencial para se conseguir um diferencial competitivo na era da Inteligência Artificial.

É muito difícil considerar um cenário onde uma empresa consegue ter potencial competitivo sem ou se aliar ( e pagar para estes players ) ou tentar construir as suas próprias infra-estruturas para tal ( algo que extremamente intensivo em uso de capital financeiro e intelectual, algo que dificilmente se consegue fazer da noite para o dia ).

Densidade de talentos: Além de toda a necessidade de poder computacional e armazenamento, vemos também que uma vantagem competitiva necessária para operar está na sua capacidade de atração e retenção de talentos, e também na capacidade de formar novos talentos a partir de uma base disponível pra exercerem essas funções.

Data engineers, data scientist, matemáticos estatísticos, desenvolvedores em python, DevOps e outros perfis com o foco em gerar este tipo de valor para a sua empresa é um fator chave e determinante. No entanto, não é necessário apenas a densidade de talentos para executar o básico bem feito ( algo que pode por si só já pode gerar vantagem competitiva no curto/médio prazo ) mas também acesso aos talentos que estão na ponta, focados em pesquisas de base seja no âmbito de hardware quanto de software, que estão genuinamente empurrando as fronteiras deste tema para onde a próxima onda de disrupção acontecerá em inteligência artificial.

Essa necessidade de poder intelectual é um fator chave para a competitividade na era de inteligência artificial, a densidade de talentos e a capacidade de formá-los, fomentá-los e mantê-los vai ser mostrar essencial nos próximos anos, assim como foi durante o inicio da transformação digital na década passada.

Acesso a capital: Talvez este tema esteja distribuído igualmente nas outras variáveis, mas ele é mais latente talvez nesta que estamos discutindo. O acesso a capital para investir tanto na obtenção de poder computacional e capacidade de armazenamento, assim como capital para atração e retenção de talentos, e também capital para investimento de médio/longo prazo em iniciativas relacionadas com AI é um fator diferencial chave para uma estratégia de sucesso e sustentável.

Eficiência operacional: A relação entre eficiência operacional, manutenibilidade dos custos para uma operação baseada em modelos de inteligência artificial e a sua relação com o consumo de energia, eficiência de consumo energético e emissão de carbono na atmosfera.

Treinar um único modelo de aprendizagem de máquina pode emitir até 5x o equivalente a um carro durante toda a sua vida útil a depender do quão limpa é a matriz energética onde ele é executado e treinado.

A capacidade de executar todo esse diferencial sem gerar a externalidade de aumentar a pegada de carbono de uma operação vai se tornar também um fator chave nos próximos anos, especialmente conforme a legislação sobre este espaço cada vez mais se tornar ubíqua e imprescindível.

Casos de uso, onde a mágica acontece

Casos de uso pela perspectiva externa a empresa e no ponto de vista de geração e captura de valor para o cliente e usuários:

Acesso ao mercado e base de usuário ativa: Bons casos de uso são a base para a aplicação capaz de gerar valor pela inteligência artificial. Casos de uso tendem a estar atrelado a acesso a demanda e a uma base de usuário instalada e ativa.

Do ponto de vista de mercado existem as possibilidades de criação de um mercado, a proteção ou a captura de valor em cima de um mercado estabelecido. Empresas bem posicionadas em seus mercados com bases de usuários ativas podem explorar casos de uso para utilização de inteligência artificial de maneira efetiva.

Barreira de entrada: O que estamos vendo cada vez mais é que incumbentes que possuem acesso a todo o paradigma de dados discutido acima e com poder financeiro e de talentos para alavancar as oportunidades de AI conseguem construir casos de uso que podem diferenciar a sua oferta de valor para seus clientes.

A relação entre incumbentes e entrantes nesta corrida pode ser diferente da dinâmica de disrupção normal, talvez neste caso exista uma inércia que favoreça de fato o incumbente, veremos como isso se desenvolve nos próximos anos.

Do ponto de vista interno de uma organização, a inteligência artificial revela todo o seu potencial ao remodelar profundamente a forma como os processos são executados. A automação de tarefas repetitivas e manuais, muitas vezes desgastantes para os funcionários, libera recursos humanos para se concentrarem em atividades de maior valor agregado.

Por exemplo, em um ambiente empresarial, a automação de tarefas de processamento de dados permite que os funcionários se concentrem em análises mais complexas e estratégicas, contribuindo assim para uma tomada de decisão mais informada e eficaz.

Além disso, a inteligência artificial pode desempenhar um papel vital na otimização de processos internos, identificando gargalos, ineficiências e áreas de melhoria que, de outra forma, poderiam passar despercebidas. Isso não apenas aumenta a eficiência operacional, mas também ajuda a empresa a economizar recursos financeiros e energéticos preciosos.

A digitalização dos processos internos também é catalisada pela IA, permitindo uma maior agilidade organizacional. A integração de sistemas, a análise de grandes volumes de dados e a geração de insights em tempo real tornam-se possíveis, resultando em tomadas de decisão mais ágeis e eficazes.

Em resumo, a perspectiva interna da empresa se beneficia enormemente da IA, à medida que a geração e captura de valor se estendem além dos clientes para os próprios funcionários, resultando em processos mais eficientes e ambientes de trabalho mais produtivos e satisfatórios.

A “equação” expandida para encobrir todas as variáveis poderia ser descrita assim:

Para os mais analíticos talvez esta seja uma forma eficaz de comunicar as alavancas para uma estratégia de sucesso envolvendo as capacidades mais distintas para se posicionar de maneira diferenciada.

1. Este exercício de sintetizar as diferentes partes relacionadas com uma estratégia de sucesso para inteligência artificial se provou útil em alguns contextos, por isso estou compartilhando aqui, talvez seja útil para o contextos dos leitores.