A ciência do serviço

A Academia Nacional de Engenharia (NAE) realizou um fórum online sobre Engenharia de Sistemas de Serviços na Era da IA Centrada no Homem. “Com os avanços da IA preparados para impulsionar a produtividade e a qualidade do sistema de serviços – semelhante à maneira como as gerações anteriores de tecnologia revolucionaram a produtividade e a qualidade da agricultura e da manufatura – é hora de fazer um balanço para as partes interessadas da indústria, acadêmicos e governamentais sobre este importante tópico”, escreveu o NAE em seu site.

A agenda incluiu uma palestra de abertura do executivo aposentado da IBM, Nick Donofrio. Seguiram-se quatro painéis sobre vários aspectos dos sistemas de serviços e foram concluídos com uma discussão aberta sobre projeções para o futuro da ciência do serviço e sistemas sociotécnicos relacionados.

O Service Science, Management and Engineering (SSME) foi uma iniciativa do Almaden Research Lab da IBM, lançada no início dos anos 2000 em parceria com várias universidades como um campo de estudo interdisciplinar destinado a aplicar ciência, tecnologia e inovação ao setor de serviços da economia. O setor de serviços é o maior na maioria das economias do mundo. Na época, os serviços já representavam mais de 70% do PIB e dos empregos nas economias avançadas, além de uma parcela crescente do faturamento de muitas empresas.

Algumas observações e questões abordadas no Fórum NAE: Por que a ciência de serviços é um tópico tão nebuloso e difícil de descrever?; Que progresso fizemos nos vinte anos desde que a ciência do serviço foi lançada?; e Quais são os principais desafios futuros?

Apesar de representarem uma grande parcela do PIB e dos empregos ao redor do mundo, a natureza intrínseca dos serviços ainda permanece nebulosa, – escondidos à vista de todos como se fossem uma espécie de matéria escura. É mais fácil definir o setor de serviços pelo que ele não é: não é agricultura ou pesca, e não é manufatura, construção ou mineração. Quase todos os outros trabalhos estão centrados nos serviços.

O que é um serviço? “Um serviço é qualquer coisa vendida no comércio que não seja um objeto”, é uma das definições mais simples que já vi, atribuída ao The Economist. Gosto particularmente da definição prática de serviços do professor do INSEAD, James Teboul, presente em seu livro de 2006 Service is Front Stage: We’re All in Services …

Toda organização consiste em atividades de front-stage e back-stage. Os serviços lidam com as interações do estágio inicial, enquanto a manufatura e a produção lidam com as operações internas e ocultas. Alta qualidade e custos competitivos são os principais objetivos das atividades de backstage, alcançados por meio de especialização, padronização e automação. As pessoas são os principais atores. Alcançar uma experiência superior para o cliente é um dos principais objetivos dessas atividades voltadas para as pessoas, muitas vezes como uma colaboração entre os provedores e consumidores de serviços.

Eu costumo comparar os serviços à principal diferença entre a inovação na economia industrial dos séculos 19 e 20 e a inovação na economia de serviços do século 21.

A P&D na economia industrial concentrava-se principalmente em objetos físicos naturais e projetados. Graças aos grandes avanços da ciência e da engenharia nos últimos dois séculos, agora podemos construir objetos físicos altamente complexos, como aviões, pontes e microprocessadores. Enquanto continuamos avançando nesse trabalho, nosso próximo desafio agora é aplicar P&D a sistemas organizacionais voltados para o mercado e baseados em humanos, como empresas, indústrias, economias, governos e cidades.

Objetos físicos complexos consistem em um grande número de componentes físicos que se comportam conforme projetado. Isso torna possível prever o comportamento geral do objeto complexo sob condições variáveis. Por outro lado, as pessoas, suas diversas interações e os serviços que prestam umas às outras são os componentes-chave de sistemas organizacionais complexos. Pessoas e serviços exibem um alto grau de variação que torna tais sistemas intrinsecamente imprevisíveis e, portanto, requerem novas abordagens para seu projeto e operação.

Além disso, a maior parte da P&D no setor industrial da economia ocorre em laboratórios e fábricas, e há um intervalo de tempo entre o desenvolvimento de novas tecnologias e produtos e sua posterior implantação no mercado.

Não é assim com os serviços. A maior parte da inovação em serviços ocorre no mercado, em um tempo e local muito mais próximos de onde os serviços são implantados. É difícil imaginar um ambiente onde novas ideias de serviços sejam desenvolvidas longe do mercado real e dos indivíduos e organizações que os consomem.

Em 2016, tive uma conversa interessante com analistas de uma organização de pesquisa de TI para o varejo, que estavam preparando um relatório sobre o estado da ciência do serviço. Eles observaram que estávamos ouvindo um pouco menos sobre a ciência do serviço naquela época em comparação com 5 ou 10 anos antes. Foi porque cansamos do assunto e partimos para outras áreas de inovação?

Na minha opinião, as aplicações da ciência e da engenharia aos serviços já eram tão bem aceitas que não eram mais tema de debate. A batalha estava ganha. As tecnologias, métodos e conceitos outrora pioneiros na ciência de serviços agora fazem parte de várias disciplinas convencionais. Os serviços agora eram o centro das atenções em algumas das áreas mais importantes da ciência da computação e TI, incluindo IA, computação em nuvem e design thinking.

Por exemplo, em seu livro Service in the AI Era, Jim Spohrer, Paul Maglio, Stephen Vargo e Marcus Warg escreveram que “o serviço está rapidamente se tornando o conceito central de nosso tempo, à medida que as ofertas de serviços se tornam infundidas com tecnologias avançadas como inteligência artificial (IA) e escalar para novos níveis de qualidade, produtividade, conformidade e inovação sustentável”.

Ao longo da história, revoluções científicas foram lançadas quando novas ferramentas possibilitaram novas medições e observações, por exemplo, o telescópio, o microscópio, espectrômetros, sequenciadores de DNA. Nossas novas ferramentas de big data estão dando início a uma revolução científica baseada em informações, ajudando-nos a extrair insights das enormes quantidades de dados que coletamos por meio da aplicação de métodos científicos testados e comprovados, ou seja, evidências empíricas e mensuráveis sujeitas a explicações e previsões testáveis.

Há muito tempo aplicamos métodos científicos nas ciências naturais e na engenharia. Mas, dada a nossa capacidade recém-descoberta de coletar dados valiosos em quase qualquer área de interesse, agora podemos trazer métodos científicos testados e comprovados para disciplinas centradas nas pessoas, como as ciências sociais e as humanidades. Agora podemos entender melhor e fazer previsões em sistemas complexos e orientados a serviços, como assistência médica, organizações empresariais, agências governamentais e cidades.

A computação em nuvem é outro exemplo interessante. Eu penso na computação em nuvem como sendo essencialmente a Internet dos Serviços. Os datacenters agora se tornaram as fábricas de serviços baseados em nuvem, exigindo grandes avanços em produtividade e qualidade para poder suportar a demanda por informações e serviços personalizados em massa de todos os tipos. Software e aplicativos são cada vez mais fornecidos como serviços on-line em escala industrial, enquanto a Internet e as redes sem fio conectam cada vez mais dispositivos a essas ofertas.

Finalmente, dado que os serviços são sobre interações orientadas para as pessoas, as tecnologias de serviço desempenham um papel importante no pensamento de design. É muito mais fácil apreciar o papel do design quando se trata de objetos físicos: carros, pontes, prédios, vestidos, sapatos, joias, smartphones, laptops e assim por diante. Mas é consideravelmente mais difícil avaliar sua importância quando se trata de entidades mais abstratas, como serviços, sistemas, informações e organizações. No entanto, esses sistemas baseados em serviços respondem pela maior parte da crescente complexidade em nossas vidas diárias. O design thinking visa tornar nossas interações com produtos e instituições complexas o mais intuitivas e atraentes possível.

Vou concluir lembrando que temos aplicado ciência, tecnologia e inovação aos setores agrícola e industrial da economia por mais de duzentos anos, – desde o advento da Revolução Industrial, – enquanto a ciência de serviços tem apenas um par décadas de idade. Ainda temos muito a aprender sobre a melhor forma de aplicar a ciência, a tecnologia e a inovação à nossa economia de rápido crescimento orientada para serviços.

O software da mente

Semanas atrás, ouvi o podcast Freakonomics, apresentado por Stephen Dubner. O podcast trouxe comentários de cientistas sociais, mas focou no trabalho de Gert Jan Hofstede, professor de ciências sociais na Universidade de Wageningen, na Holanda, cujo trabalho é focado em sociabilidade artificial, – um estudo do comportamento social humano baseado em modelos de computação. Ele lidera um projeto de pesquisa sobre culturas, iniciado há mais de 50 anos por seu pai Geert Hofstede, que faleceu em 2020.

“Cada pessoa carrega em si, padrões de pensamento, sentimento e comportamento que foram aprendidos ao longo da vida”, escreveram os Hofstedes em seu livro de 2011 Cultures and Organizations: Software of the Mind, em coautoria com Michael Minkov. “Muito desse padrão é adquirido na primeira infância, porque nessa época a pessoa está mais suscetível ao aprendizado e à assimilação. Assim que certos padrões de pensamento, sentimento e ação se estabelecem na mente de uma pessoa, ela deve desaprender esses padrões antes de poder aprender algo diferente, e desaprender é mais difícil do que aprender pela primeira vez.”

Os padrões de pensamento que orientam nossos comportamentos podem ser vistos como programas da mente. “Isso não significa, é claro, que as pessoas são programadas da mesma forma que os computadores”, disseram os autores. “O comportamento de uma pessoa é apenas parcialmente predeterminado por seus programas mentais: ela tem uma capacidade básica de se desviar deles e reagir de maneiras diferentes novas, criativas, destrutivas ou inesperadas.” A cultura, o software da mente, “apenas indica quais reações são prováveis e compreensíveis, dado o passado de alguém”.

No podcast, Gert Jan Hofstede discutiu o poder da cultura: “ … Se você faz parte de uma sociedade, está inserido em uma cultura; como uma gota em um grande rio. Você pode decidir por seguir por vários caminhos, mas isso não faz o rio mudar. Portanto, estamos todos restringindo uns aos outros por meio de nossa cultura coletiva”.

O projeto de Hofstede identificou seis dimensões fundamentais que determinam a cultura geral de uma sociedade:

1. Individualismo versus Coletivismo: até que ponto os indivíduos se sentem independentes, em oposição a serem membros interdependentes de grupos sociais maiores;

2. Distância do Poder: até que ponto os membros menos poderosos da sociedade aceitam e esperam que o poder seja distribuído de forma desigual;

3. Masculinidade: até que ponto o uso da força é endossado socialmente;

4. Evitar Incertezas: a tolerância de uma sociedade para incertezas e ambiguidades;

5. Orientações de longo prazo: a capacidade de uma sociedade para lidar com a mudança; e

6. Imposição versus Restrição: a atitude de uma sociedade em relação à liberdade versus dever.

Deixe-me comentar brevemente cada um desses tópicos.

1. Individualismo versus Coletivismo

As sociedades individualistas têm uma consciência do “eu”, onde se espera que todos cuidem de si mesmos e de sua família imediata. Eles tendem a se concentrar em falar o que pensam, no direito à privacidade e na aquisição de novas habilidades para progredir. As sociedades coletivistas têm uma consciência do “nós”, na qual as pessoas desde o nascimento são integradas em famílias extensas e grupos fortes e coesos. Eles tendem a enfatizar a lealdade, os relacionamentos e a harmonia do grupo.

“Em uma sociedade individualista, uma pessoa é como um átomo em um gás, – Elas podem flutuar livremente por ai. E a melhor coisa que você pode se tornar é você mesmo. E em uma sociedade coletivista, uma pessoa é como um átomo em um cristal.”

O individualismo prevalece nos países desenvolvidos ocidentais, enquanto o coletivismo prevalece nos países menos desenvolvidos e orientais. Não surpreendentemente, os EUA têm o maior índice de individualismo (91), seguidos pela Austrália (90), Grã-Bretanha (89), Canadá (80), Hungria (80) e Holanda (80). A maioria dos países europeus tem um índice de individualismo acima de 50. A Índia tem um índice de 48, o Japão (46) e a Rússia (39); China, Cingapura, Tailândia e Vietnã têm um índice de 20, Coréia do Sul (18) e Indonésia (14). Na América Latina, o índice da Argentina é 46, Brasil (38), México (30) e Chile (23). A maioria dos outros países da América Latina tem um índice abaixo de 20.

2. Distância do poder

A distância do poder sugere que o nível de desigualdade de uma sociedade é aceito tanto pelos seguidores quanto pelos líderes. Poder e desigualdade são fatos fundamentais em qualquer sociedade porque sem a aceitação do governo e da liderança empresarial, as grandes sociedades de hoje não poderiam funcionar. Um alto índice de distância do poder significa que a hierarquia está bem estabelecida e aceita na sociedade; um índice mais baixo significa que as pessoas questionam a autoridade e preferem um poder mais distribuído.

Governos autocráticos como Rússia, China, Filipinas, Malásia, Indonésia, Índia, a maioria dos países muçulmanos e vários países latino-americanos têm índices de poder relativamente altos. Os EUA, Canadá, Europa Ocidental, Austrália e Nova Zelândia têm baixos índices de poder.

3. Masculinidade versus Feminilidade

A masculinidade é definida como uma preferência na sociedade por conquistas, assertividade, competição e recompensas materiais pelo sucesso. Sua contraparte, a feminilidade, significa preferência pela cooperação, modéstia, qualidade de vida e cuidado com os fracos. Em uma sociedade mais masculina, homens e mulheres aderem aos papéis de gênero mais patriarcais, por exemplo, finanças versus emoções. Sociedades mais femininas tendem a ter menos pobreza e taxas de alfabetização mais altas.

A masculinidade é alta no Japão (95), Áustria (79), Itália (70) e México (69); moderadamente alto na Alemanha (66), Grã-Bretanha (66), Estados Unidos (62) e Austrália (61); moderadamente baixa na França (43), Espanha (42), Coreia do Sul (39) e Tailândia (34); e baixa na Dinamarca (16), Holanda (14), Noruega (8) e Suécia (5).

4. Evitar Incertezas

Evitar incertezas está relacionado ao nível de tolerância de uma sociedade para a ambiguidade. “Ele indica até que ponto uma cultura programa seus membros para se sentirem desconfortáveis ou confortáveis em situações não estruturadas. Situações não estruturadas são novas, desconhecidas, surpreendentes e diferentes do habitual.”

Sociedades com alto grau de aversão à incerteza geralmente têm códigos rígidos de comportamento, diretrizes e leis. Aqueles com um índice mais baixo mostram mais aceitação de ideias divergentes e ambiguidades, e tendem a ter menos regulamentações.

As pontuações do Índice de Prevenção de Incertezas são altas na Rússia (95), Polônia (93), Sérvia (92) e outros países da Europa Central e Oriental; no Peru (86), Argentina (86), Chile (86), México (81) e outros países latino-americanos; e no Japão (92) e na Coreia do Sul (85). Eles são mais baixos no Canadá (48), nos Estados Unidos (46), na Grã-Bretanha (35) e em outros países de língua inglesa; na Suécia (29), Dinamarca (23) e outros países do norte da Europa; e na China (30), Vietnã (30) e Cingapura (8).

5. Orientações de longo prazo

“Em uma cultura orientada para o longo tempo, a noção básica sobre o mundo é que ele está em fluxo e a preparação para o futuro é sempre necessária. Em uma cultura orientada para o tempo curto, o mundo é essencialmente como foi criado, de modo que o passado fornece uma bússola moral e aderir a ela é moralmente bom”. Sociedades com alto índice de longo prazo veem a adaptação e a solução pragmática de problemas como uma necessidade. Os países pobres orientados para o curto prazo tendem a ter pouco ou nenhum desenvolvimento econômico.

A orientação de longo prazo é outra área em que os Estados Unidos (26) são uma exceção substancial entre as economias desenvolvidas. Vários países latino-americanos e africanos têm índices abaixo de 25. Os países do Leste Asiático ocupam os primeiros lugares na orientação de longo prazo, incluindo Coréia do Sul (100), Taiwan (93), Japão (88) e China (87); Os países do Leste Europeu também têm uma classificação alta, incluindo Ucrânia (86), Estônia (82), Rússia (81); assim como a Alemanha (83) e a Suíça (74).

Indulgência versus Restrição

Em uma cultura indulgente, é bom ser livre e fazer o que seus impulsos querem que você faça, enquanto em uma cultura contida a vida é difícil e o dever é o estado normal de ser. Uma sociedade indulgente é aquela que permite “gratificação relativamente livre dos desejos humanos básicos e naturais relacionados a aproveitar a vida e se divertir. Restrição representa uma sociedade que controla a gratificação das necessidades e a regula por meio de normas sociais estritas”.

Os países latino-americanos ocupam o primeiro lugar em indulgência, incluindo México (97), El Salvador (89) e Colômbia (83); o mesmo acontece com os países de língua inglesa, incluindo Nova Zelândia (75), Austrália (71), Grã-Bretanha (69), Canadá (68) e Estados Unidos (68); e países do norte da Europa, incluindo Suécia (78), Dinamarca (70), Holanda (68) e Islândia (67). A moderação prevalece na Europa Oriental, incluindo Hungria (31), Polônia (29) e Rússia (20); na Ásia, incluindo Coreia do Sul (29), Índia (26) e China (24); e no mundo muçulmano, incluindo Marrocos (25), Iraque (17), Egito (4) e Paquistão (0).

O que você aconselharia a um país que deseja mudar sua cultura, perguntou Dubner. “É inútil aconselhar alguém sobre qual deve ser sua cultura nacional, porque não há como mudá-la”, respondeu Hofstede. “[I] se você olhar 100 anos atrás e olhar para o mapa cultural do mundo, você pode ler escritores de diferentes países, você verá que há uma continuidade surpreendente.”

Que tal a convergência cultural em 20 a 50 anos? “Não há nenhuma evidência de convergência, a não ser que, se os países se tornarem igualmente ricos, todos se tornarão mais individualistas”, respondeu Hofstede. “Mas os chineses, mesmo ricos, serão muito mais coletivistas e muito mais orientados para o longo prazo do que os americanos.”

A economia disruptiva da IA

O seminário do professor Avi Goldfarb, da Universidade de Toronto, sobre o valor econômico da IA. Goldfarb explicou que a melhor maneira de avaliar o impacto de uma tecnologia potencialmente transformadora é observar como a tecnologia reduz o custo de algo amplamente utilizado. Os computadores, por exemplo, reduziram drasticamente o custo de operações digitais como a aritmética, em várias ordens de grandeza. Como resultado, aprendemos a definir todos os tipos de tarefas em termos de operações digitais, por exemplo, transações financeiras, gerenciamento de estoque, processamento de texto, fotografia e outros. Da mesma forma, a internet reduziu o custo das comunicações e a Web reduziu o custo do acesso à informação, o que levou a um enorme aumento de aplicações baseadas em comunicação e informação, como streaming de música e vídeo e mídia digital.

Por este ponto de vista, a IA é essencialmente uma tecnologia de previsão, e seu impacto econômico é reduzir o custo e expandir o número e a variedade de aplicativos que dependem de previsões. Uma descoberta importante do relatório AI de 2022 foi que a IA está se tornando muito mais acessível e com melhor desempenho, levando à ampla adoção comercial de aplicativos baseados em IA. “Desde 2018, o custo para treinar um sistema de classificação de imagens diminuiu 63,6%, enquanto o tempo de treinamento melhorou 94,4%”, disse o relatório.

Goldfarb e seus colegas Ajay Agrawal e Joshua Gans publicaram sua pesquisa no livro de 2018 Prediction Machines: The Simple Economics of Artificial Intelligence. E recentemente, eles publicaram Power and Prediction: The Disruptive Economics of Artificial Intelligence.

“Quando publicamos Prediction Machines em 2018, pensamos que tínhamos dito tudo o que precisávamos sobre a economia da IA”, escreveram os autores no prefácio de seu novo livro. “Nós estávamos enganados. Definimos uma estrutura para a economia da IA naquele livro, que continua útil até hoje. No entanto, a estrutura das Máquinas de Previsão contou apenas parte da história, a parte das soluções pontuais. Nos anos seguintes, descobrimos que outra parte fundamental da história da IA ainda não havia sido contada, a parte dos sistemas. Contamos essa história aqui.”

“Embora estivéssemos focados nas propriedades econômicas da própria IA – reduzindo o custo da previsão – subestimamos a economia de construir os novos sistemas nos quais as IAs devem ser incorporadas”, acrescentaram. “Se tivéssemos entendido isso melhor, em vez de avaliar o cenário de proeza na produção de modelos de aprendizado de máquina de última geração, teríamos pesquisado o cenário de aplicativos focados em problemas de previsão onde os sistemas nos quais eles seriam ser incorporados já foram projetados para previsão de máquina e não exigiriam o deslocamento de previsões humanas.Teríamos procurado empresas que já empregassem grandes equipes de cientistas de dados que tivessem integrado a análise preditiva ao fluxo de trabalho da organização.”

Em sua busca por tais empresas, eles descobriram que as instituições financeiras estavam entre as mais prontas para implantar IA em escala em suas organizações porque já empregavam grandes equipes de analistas para prever uma variedade de comportamentos criminosos, incluindo fraude, lavagem de dinheiro e descumprimento de sanções. O mesmo aconteceu com as organizações de comércio eletrônico, cujo sucesso dependia de decisões importantes baseadas em dados, como recomendações personalizadas de produtos e gerenciamento inteligente de inventário. Vários outros setores adotaram a IA em áreas específicas, como a descoberta automatizada de medicamentos em produtos farmacêuticos e decisões de subscrição em seguros, mas, embora fossem soluções pontuais promissoras, não podiam ser consideradas soluções transformacionais para todo o sistema.

Como já vimos, nos últimos dois séculos, geralmente há um intervalo de tempo significativo entre a entrada de uma nova tecnologia e seu impacto transformador nas economias e sociedades. Leva um tempo considerável, muitas vezes décadas, para que essas novas tecnologias sejam amplamente adotadas. As tecnologias historicamente transformadoras têm um grande potencial desde o início, mas perceber esse potencial requer um repensar fundamental das organizações e grandes investimentos complementares, incluindo redesenho de processos de negócios; novos produtos inovadores, aplicativos e modelos de negócios; e a requalificação da força de trabalho.

Por exemplo, a produtividade do trabalho nos Estados Unidos cresceu apenas 1,5% entre 1973 e 1995. Esse período de baixa produtividade coincidiu com o rápido crescimento do uso de TI nos negócios, dando origem ao paradoxo da produtividade de Solow, uma referência ao economista Prêmio Nobel do MIT Robert Solow a piada de 1987: “Você pode ver a era do computador em qualquer lugar, menos nas estatísticas de produtividade”. Mas, a partir de meados da década de 1990, a produtividade da mão-de-obra nos EUA aumentou para mais de 2,5%, à medida que as tecnologias de internet em rápido crescimento e a reengenharia de processos de negócios ajudaram a espalhar inovações que aumentam a produtividade em toda a economia.

Da mesma forma, o crescimento da produtividade não aumentou até 40 anos após a introdução da energia elétrica no início da década de 1880. Demorou até a década de 1920 para as empresas descobrirem como reestruturar suas fábricas para aproveitar a energia elétrica com inovações de fabricação, como a linha de montagem.

A IA agora está emergindo como a tecnologia definidora da nossa era. As tecnologias de IA estão se aproximando ou superando os níveis humanos de desempenho em visão, reconhecimento de fala, tradução de idiomas e outros domínios, que, não muito tempo atrás, eram vistos como exclusivo dos humanos. Nos próximos anos, grandes avanços em aprendizado profundo e modelos de fundação levarão a aplicativos baseados em IA ainda mais impressionantes.

Ao mesmo tempo, as oportunidades para a IA melhorar a qualidade das decisões de negócios e criar valor econômico são ilimitadas, observaram Agrawal, Gans e Goldfarb em From Predictions to Transformations, um artigo da Harvard Business Review baseado em seu novo livro. “Mas como as decisões em uma área de uma organização geralmente têm impacto nas decisões em outras áreas, a introdução da IA geralmente envolve o redesenho de sistemas inteiros. Dessa forma, a IA é semelhante às tecnologias inovadoras do passado, como a eletricidade, que inicialmente foi usada apenas de forma restrita, mas acabou transformando a manufatura por completo”.

Em outras palavras, apesar de suas conotações de inteligência humana, a implantação generalizada de sistemas de IA em toda a economia seguirá um ciclo de vida semelhante ao das tecnologias historicamente transformadoras e exigirá um repensar fundamental de organizações, processos, modelos de negócios e talentos.

Deixe-me resumir alguns dos principais desafios na implantação de sistemas baseados em IA.

A mudança dos sistemas de IA leva tempo. “Apesar de algumas marcas alternativas, as novas tecnologias de IA são basicamente avanços nas estatísticas. Eles permitem prever resultados mais multifacetados e, ao fazê-lo, aproveitar dados que, de outra forma, poderiam não ser explorados. E suas aplicações iniciais foram focadas no que poderiam entregar imediatamente: previsões melhores e mais baratas do que os humanos estavam fazendo.”

O artigo argumenta que, embora a tradução de idiomas, a análise de imagens médicas e a detecção de fraudes financeiras sejam avanços impressionantes da IA, eles dificilmente são transformadores. “Eles se encaixam nos negócios existentes sem muito barulho, substituindo precisamente os humanos que tradicionalmente faziam previsões. Em todos os outros aspectos, os negócios permanecem inalterados.” Neste ponto, o impacto da IA está longe do impacto transformador da eletricidade ou TI.

A IA está mudando a tomada de decisões. “A maioria das decisões exige duas coisas do tomador de decisão: a capacidade de prever os possíveis resultados de uma decisão e julgamento. A previsão é amplamente baseada em dados. O julgamento é basicamente uma avaliação subjetiva de fatores contextuais que não são facilmente reduzidos a dados”.

O julgamento é a parte da tomada de decisão que, ao contrário da previsão, não pode ser explicitamente descrita e executada por uma máquina. Enquanto as previsões são geralmente baseadas em informações, o julgamento é baseado em fatores indescritíveis como intuição, sentimentos inconscientes ou analogias com situações um tanto semelhantes do nosso passado.

Com o tempo, descobriremos que muitas tarefas podem ser reformuladas como problemas de previsão. E, à medida que as previsões de máquina se tornam baratas e comuns, o valor do julgamento e de outras tarefas humanas que alavancam e complementam a previsão aumentará.

A IA muda a incerteza. “O valor da IA vem da melhoria das decisões ao prever o que acontecerá com fatores que, de outra forma, seriam incertos. Mas uma consequência é que suas próprias decisões se tornam menos confiáveis para os outros. A introdução da IA na cadeia de valor significa que seus parceiros terão que coordenar muito mais para absorver essa incerteza.”

Por exemplo, se os restaurantes adotarem a IA para uma previsão precisa da demanda, provavelmente desperdiçarão menos, venderão mais e se tornarão mais lucrativos. No entanto, seus fornecedores agora enfrentam maior imprevisibilidade porque os pedidos de restaurantes provavelmente mudam de semana para semana. Como resultado, os fornecedores precisam adotar a IA para prever melhor os pedidos de seus clientes, e suas incertezas de demanda agora são repassadas para os próximos níveis da cadeia de suprimentos.

Os sistemas de IA requerem coordenação com modularidade. “A adoção da IA geralmente envolve um sistema que encontra um equilíbrio ideal entre modularidade e coordenação. A modularidade isola as decisões em uma parte da organização da variabilidade – os efeitos cascata – que a IA cria em outras. Reduz a necessidade de confiabilidade. A coordenação, por outro lado, contraria a falta de confiabilidade que acompanha a adoção da IA.”

“A promessa da tecnologia de previsão da IA é semelhante à da eletricidade e da computação pessoal”, escreveram os autores em conclusão. “Como eles, a IA começou resolvendo alguns problemas imediatos, criando valor em aplicativos isolados e estritamente limitados. Mas, à medida que as pessoas se envolvem com a IA, elas identificam novas oportunidades para criar soluções ou melhorar a eficiência e a produtividade. … À medida que essas oportunidades forem concretizadas, elas criarão novos desafios que, por sua vez, proporcionarão mais oportunidades. Assim, à medida que a IA se espalha pelas cadeias de suprimentos e ecossistemas, descobriremos que todos os processos e práticas que consideramos normais estão sendo transformados – não pela tecnologia em si, mas pela criatividade das pessoas que a estão usando”.