A checklist de prontidão para a IA: a sua empresa está mesmo preparada?

Há uma pergunta que me fazem agora pelo menos uma vez por semana, quase sempre acompanhada de um riso ligeiramente nervoso: «Então… devíamos fazer alguma coisa com IA?» É a pergunta errada, mas é honesta. A pergunta certa — a que quase ninguém faz primeiro — é mais discreta e muito mais útil: estará esta empresa realmente preparada para retirar valor da IA, ou estaríamos apenas a queimar dinheiro para parecer modernos?

Há anos que me sento à frente de proprietários e gestores de empresas de média dimensão: fabricantes, grossistas, escritórios profissionais, prestadores de serviços regionais com cinquenta a trezentas pessoas. Quem tem sucesso com a IA quase nunca começa pela tecnologia. Começa por ser honesto sobre o estado da sua própria casa: os seus dados, os seus processos, as suas pessoas e como as decisões são realmente tomadas quando ninguém está a ver. A tecnologia é a parte fácil. A prontidão é o que decide se obtém um resultado ou um arrependimento.

Esta é, portanto, mais ou menos, a checklist que percorro antes de recomendar a uma empresa que gaste um único euro a construir o que quer que seja. Não é um modelo de maturidade com doze dimensões e um colorido gráfico radar. É um conjunto de perguntas simples a que pode responder ao café, agrupadas em cinco coisas que realmente preveem se a IA vai funcionar para si — ou se o deixará discretamente em má figura numa reunião de acompanhamento daqui a seis meses.

Porque é que a «prontidão» importa mais do que o modelo

Aqui está a verdade incómoda com que os fornecedores não abrem: o modelo de IA raramente é o que faz um projeto falhar. Os modelos são hoje espantosamente bons e melhoram de poucos em poucos meses, quer faça alguma coisa quer não. O que mata os projetos é tudo o que rodeia o modelo: os dados desarrumados com que é alimentado, o processo a que é aparafusado, as pessoas que nunca foram ouvidas, o responsável pouco claro, a definição difusa de sucesso.

Vi empresas gastar dinheiro a sério num piloto inteligente que funcionava lindamente na demonstração e depois morria no contacto com a realidade, porque os dados de que precisava viviam em três sistemas incompatíveis e na cabeça de uma pessoa. O piloto não estava errado. A empresa é que não estava preparada para ele. A prontidão não é um portão que o mantém fora da IA — é o que determina se o seu investimento se multiplica ou se evapora.

A boa notícia é que a prontidão tem conserto, e a maioria dos consertos é pouco vistosa e barata. Não precisa de um data lake nem de um diretor de IA. Precisa de saber honestamente onde está em cinco frentes, e de fechar a uma ou duas lacunas que de outro modo afundariam o primeiro projeto. Vamos percorrê-las.

Pilar 1: os seus dados — são suficientemente bons para construir em cima?

A IA só vale tanto quanto aquilo com que a alimenta, e é aqui que as empresas de média dimensão mais se surpreendem. Não porque os seus dados sejam terríveis — em geral chegam para gerir o negócio — mas porque «suficientemente bom para humanos» e «suficientemente bom para uma máquina» são fasquias diferentes. Uma pessoa consegue ler um registo de cliente um pouco inconsistente e saber que «Müller GmbH» e «Mueller G.m.b.H.» são a mesma empresa. Um sistema exige que já o tenha decidido.

Não precisa de dados perfeitos. Ninguém tem dados perfeitos, e esperar por eles é apenas procrastinação de fato e gravata. O que precisa são dados acessíveis, razoavelmente consistentes e ligados ao processo que quer melhorar. Faça a si próprio as perguntas simples:

• Consegue realmente chegar aos dados de que precisaria, ou estão presos num sistema do qual só um fornecedor consegue exportar?
• A mesma coisa é registada da mesma forma na maioria das vezes — clientes, produtos, estados, datas?
• Os seus sistemas centrais conhecem-se uns aos outros, ou alguém volta a digitar entre eles todos os dias?
• Há histórico suficiente para aprender, onde a tarefa o exige?
• Ficaria à vontade se um regulador perguntasse de onde veio um determinado número?

Mais uma coisa que se subestima: a propriedade dos dados. Se uma parte crítica daquilo com que alimentaria o modelo vive dentro de uma ferramenta de terceiros cujo contrato proíbe exportá-la, isso não é um problema técnico que possa contornar — é um problema comercial que tem de resolver primeiro. Mais vale descobri-lo agora, no papel, do que três meses depois de iniciar a construção.

Pilar 2: os seus processos — são suficientemente estáveis para automatizar?

Há uma velha máxima no nosso mundo: se automatizar uma confusão, obtém uma confusão mais rápida. É um lugar-comum porque é implacavelmente verdade. A IA colocada sobre um processo caótico não corrige o caos — escala-o, e agora está confuso a alta velocidade. Antes de pôr inteligência sobre um processo, este tem de ser suficientemente estável para que o conseguisse descrever a um novo colaborador no primeiro dia.

Isso não significa que tenha de ser elegante ou totalmente documentado. Significa que tem de ser real e repetível. O teste é simples: consegue desenhá-lo? Se sentasse numa sala três pessoas que fazem o trabalho e lhes pedisse para esboçar os passos, desenhariam mais ou menos a mesma imagem — ou três imagens diferentes, cada uma a insistir que a sua é a forma como se faz «na verdade»?

Regras versus discernimento

Também ajuda saber com que tipo de processo está a lidar. Se segue regras fixas — mover estes dados para ali, enviar aquele lembrete, sinalizar tudo o que ultrapasse um limiar —, talvez não precise de IA de todo; a automação simples é mais barata e mais fiável. A IA ganha o seu sustento onde o trabalho é genuinamente desarrumado e tem forma de linguagem ou de discernimento: ler um e-mail em texto livre e extrair a encomenda, redigir uma primeira resposta, separar documentos que ninguém quer arquivar. Ser honesto sobre qual deles tem poupa-lhe comprar uma marreta para um pionés.

Pilar 3: as suas pessoas — vão realmente usá-la?

Este é o pilar que recebe menos atenção e que parte mais projetos. Pode ter dados limpos e um processo arrumado e ainda assim acabar com uma ferramenta que ninguém toca, porque as pessoas cujo trabalho ela mudou foram tratadas como uma reflexão tardia. Um modelo que é ignorado tem um ROI de exatamente zero, por mais impressionante que parecesse na apresentação.

Aqui a prontidão é em parte sobre competências, mas sobretudo sobre confiança e envolvimento. Perguntou-se às pessoas que fazem o trabalho o que as atrasa, ou entregou-se-lhes uma solução para um problema que não reconheciam como seu? Há alguém dentro da empresa que sente um sentido de propriedade por fazer isto resultar, ou é «o projeto do consultor»? Há pelo menos uma pessoa curiosa na equipa que o vai impulsionar em vez de o contornar em silêncio?

Não precisa de cientistas de dados nos quadros. Para a maioria das empresas de média dimensão, o parceiro certo traz a profundidade técnica. O que não pode subcontratar é a disposição para mudar a forma como algumas tarefas diárias são feitas — e essa disposição constrói-se envolvendo as pessoas cedo, não anunciando o novo sistema numa reunião geral quando já foi comprado.

Pilar 4: estratégia e orçamento — há um responsável real e um número real?

As iniciativas de IA que flutuam desligadas do negócio, sem um responsável claro e sem um sucesso definido, tendem a andar à deriva até alguém lhes cortar o financiamento em silêncio. A prontidão nesta frente é pouco vistosa mas decisiva: uma pessoa nomeada que responde pelo resultado, um problema específico que vale a pena resolver e um orçamento à altura da ambição — incluindo a parte que toda a gente esquece, que é manter a coisa a funcionar depois do arranque.

Deveria conseguir completar esta frase antes de começar: «Este projeto é bem-sucedido se, dentro de três meses, acontecer [algo específico e mensurável].» «Tornamo-nos mais inovadores» não é uma meta; é um comunicado de imprensa. «A nossa equipa deixa de passar seis horas por semana a redigitar encomendas» é uma meta. Quanto mais estreita e mensurável, melhor — e mais fácil é saber se realmente venceu.

Sobre o orçamento em concreto: a construção é normalmente a metade mais pequena. Um modelo precisa de monitorização, de um afinamento ocasional e de um responsável que repare quando a realidade se desvia daquilo em que foi treinado. As empresas que orçamentam apenas a construção montam uma ferramenta que funciona brilhantemente durante um trimestre e depois apodrece devagar porque ninguém foi pago para cuidar dela. Planeie a aborrecida vida posterior do projeto, não apenas o seu entusiasmante nascimento.

Pilar 5: risco e governação — a parte que não pode saltar na Europa

Para uma empresa europeia de média dimensão, este pilar não é opcional, e fingir o contrário é a forma de acabar com uma ferramenta inteligente que legalmente não pode pôr em produção. Não precisa de um departamento de conformidade, mas precisa de ter feito as perguntas básicas antes de construir, não depois. Na sua maioria resume-se a saber que dados o sistema toca, onde são tratados e quem responde quando ele se engana.

As perguntas são menos assustadoras do que parecem. A ferramenta trata dados pessoais e, em caso afirmativo, nos servidores de quem e ao abrigo de que acordo? Se a IA sugere algo — um preço, uma resposta, uma decisão —, uma pessoa revê-o onde importa, ou age sozinha? Consegue explicar, em linguagem simples, como chegou a um determinado resultado se um cliente ou um auditor perguntar? Pensou no que acontece no dia em que ela estiver confiantemente errada, porque esse dia vai chegar?

Juntar tudo: avaliar-se com honestidade

Não precisa de uma folha de cálculo para isto, embora possa construir uma. Percorra os cinco pilares e classifique cada um como vermelho, amarelo ou verde — não como aspira a estar, mas como realmente está hoje. O objetivo não é obter verde em tudo; quase nenhuma empresa o consegue, e não precisa. O objetivo é encontrar o um ou dois vermelhos que afundariam um primeiro projeto e tratar deles antes de construir.

1. 1
   Classifique cada pilar como vermelho, amarelo, verde

   Dados, processos, pessoas, estratégia, governação. Seja honesto — uma autoavaliação otimista limita-se a empurrar a deceção para mais tarde.
2. 2
   Encontre os seus vermelhos bloqueadores

   Um vermelho exatamente no pilar de que o seu primeiro projeto depende é um sinal de stop. Um vermelho noutro lado, sem relação, pode esperar. O contexto importa mais do que o total.
3. 3
   Feche primeiro as lacunas baratas

   A maioria das lacunas de prontidão fecha-se com trabalho pouco vistoso e de baixo custo — tornar os dados alcançáveis, escrever o processo, envolver a equipa cedo.
4. 4
   Escolha o mais pequeno projeto real

   Escolha um processo estável, frequente e bem responsabilizado onde esteja suficientemente verde para vencer. Uma pequena vitória terminada financia a seguinte — em confiança, não apenas em dinheiro.
5. 5
   Então, e só então, construa

   Com os vermelhos resolvidos nos pilares que importam e uma meta mensurável escrita, está pronto. Não perfeito — pronto. São coisas diferentes, e só uma delas entra em produção.

Repare que a maior parte deste trabalho nada tem a ver com a IA. Dados alcançáveis, um processo que consegue desenhar, uma equipa envolvida, um responsável claro, uma pessoa no circuito — estas coisas tornam a sua empresa melhor mesmo que nunca ponha em produção um único modelo. É o bónus silencioso de levar a prontidão a sério: a preparação vale por si só. A IA apenas lhe dá uma razão para finalmente o fazer.

Perguntas frequentes