Por que a estratégia de IA da sua empresa provavelmente está atrasada

As empresas estão tratando a inteligência artificial, como os médicos da era vitoriana, tratam as sanguessugas: como um remédio universal a ser aplicado liberalmente, independentemente do problema real. As reuniões do conselho em todo o país apresentam alguma variação de “Precisamos de uma estratégia de IA” sem primeiro perguntar “que problema específico estamos tentando resolver?” Os resultados são previsivelmente assombrosos.

De qualquer forma, aqui estamos com executivos exigindo soluções de IA para problemas que não existem, ignorando os problemas que a IA pode realmente resolver.

Isso é caro de maneiras que raramente aparecem em relatórios trimestrais. As empresas investem milhões em iniciativas de IA que geram demos impressionantes e resultados sombrios. Eles estão escrevendo verificações de que sua infraestrutura de dados não pode ganhar dinheiro. E ninguém parece notar o padrão.

Relacionado: Como evitar desperdiçar milhões na IA

A Tecnologia primeiro armadilha

A típica jornada corporativa da IA ​​segue um caminho deprimente previsível. Primeiro, um executivo participa de uma conferência em que os concorrentes se gabam de suas iniciativas de IA. O pânico se segue. Um mandato desce: “Implemente a IA em todos os departamentos”. As equipes lutam para encontrar casos de uso para justificar a tecnologia que já foi selecionada. Os consultores chegam com decks de slides. Os pilotos são lançados. Demos são construídos. Os comunicados de imprensa são elaborados. E um ano depois, quando alguém pergunta sobre o ROI, todo mundo olha atentamente para os sapatos.

Essa abordagem atrasada de começar com a solução, em vez do problema, explica por que tantos projetos de IA falham. É como comprar um martelo caro e, em seguida, vagando por aí procurando unhas. Às vezes você os encontra! Mais frequentemente, você descobre que seus problemas reais exigem chaves de fenda.

O problema é que as estratégias de tecnologia são ótimas manchetes, mas terríveis resultados comerciais. Eles confundem o movimento do progresso. Eles valorizam a novidade sobre a utilidade. E, muitas vezes, as soluções são mais difíceis de construir e usar do que parecem.

A ilusão de dados

Há uma curiosa dissonância cognitiva na maneira como as organizações pensam sobre seus dados. Pergunte a qualquer líder técnico sobre a qualidade dos dados de sua empresa e eles farão uma careta conscientemente. No entanto, as empresas aprovam projetos de IA que assumem conjuntos de dados abrangentes e primitivos e abrangentes existem magicamente em algum lugar de seus sistemas.

O aprendizado de máquina não precisa apenas de dados. Ele precisa de padrões significativos em bons dados. Um algoritmo de aprendizado treinado no lixo não se torna inteligente; Torna -se extraordinariamente eficiente na produção de lixo altamente confiante.

Essa desconexão entre a realidade dos dados e as ambições da IA ​​leva a um ciclo interminável de decepção. Os projetos começam com previsões entusiasmadas sobre o que a IA poderia realizar com dados teóricos. Eles terminam com os engenheiros explicando por que os dados reais não poderiam suportar essas previsões. Da próxima vez será diferente, todos se asseguram. Nunca é.

Relacionado: ninguém quer outra ferramenta inútil de IA – eis o que construir em vez disso

A lacuna de implementação

A solução de IA mais sofisticada do mundo é inútil se não for integrada aos fluxos de trabalho reais. No entanto, as empresas investem rotineiramente milhões em algoritmos, alocando aproximadamente dezessete dólares e trinta centavos para garantir que as pessoas realmente as usem.

Eles criam soluções de IA que exigem participação perfeita de funcionários que não foram consultados durante o desenvolvimento, não entendem os modelos e não foram treinados para usar as ferramentas. Isso é aproximadamente equivalente à instalação de um motor da Fórmula 1 em um carro sem modificar a transmissão e depois se perguntando por que o veículo continua quebrando.

Veja, a adoção de tecnologia não é um problema técnico. É humano. Os seres humanos são notoriamente resistentes às mudanças de comportamentos estabelecidos, especialmente quando os benefícios não são imediatamente óbvios para eles. Uma solução de IA que requer mudanças significativas no fluxo de trabalho sem oferecer benefícios óbvios e imediatos está morta na chegada. Ninguém quer admitir isso, mas é verdade.

Revertendo a estratégia

Como seria uma estratégia de IA de engenharia reversa? Comece com a identificação de problemas de negócios específicos e mensuráveis, onde as abordagens atuais estão ficando aquém. Validar esses problemas por meio de análises rigorosas, não intuição executiva. Avalie se esses problemas realmente exigem IA ou podem ser melhor resolvidos por meio de soluções mais simples. Considere as mudanças organizacionais necessárias para implementar qualquer solução. Então, e somente então, avalie quais dados e tecnologia podem abordar os problemas validados.

Uma melhor estrutura de implementação

A implementação eficaz da IA ​​requer inversão da abordagem típica:

1. Problemas antes das soluções: Identifique e validar desafios comerciais específicos com impacto mensurável

2. Verificação de realidade dos dados: Audite os processos de qualidade e coleta existentes antes de assumir a viabilidade da IA

3. Teste de simplicidade: Determine se as abordagens não mais simples, não podem resolver o problema com mais eficácia

4. Prontidão organizacional: Avalie se os fluxos de trabalho e as equipes estão preparados para integrar soluções de IA

5. Implementação incremental: Comece com pilotos de pequena escala focados em problemas estreitos e bem definidos

Relacionado: Quando você não deve investir na IA?

Algoritmos de treinamento em dados defeituosos são como construir uma casa na areia movediça. A arquitetura pode ser impecável, mas isso não importará muito quando tudo afundar. As empresas anunciam orgulhosamente suas iniciativas de IA com aproximadamente o mesmo nível de clareza estratégica que os alquimistas medievais tinham sobre transformar o chumbo em ouro. A principal diferença é que os alquimistas gastaram menos dinheiro.

Talvez a estratégia de implementação de IA mais valiosa esteja simplesmente revertendo a questão. Em vez de perguntar “como podemos usar a IA?” Tente perguntar: “Que problemas específicos valem a pena resolver e pode ser a abordagem certa para alguns deles?” Essa reformulação não é uma impressionante palestra de conferência. Não gera a mesma cobertura da imprensa ou slots de fala em conferência. Mas ele tende a produzir soluções que realmente funcionam, o que parece ser um objetivo razoável para investimentos em tecnologia de vários milhões de dólares.