O Alinhamento entre TI e TO é a Chave para a Indústria 4.0

Nos últimos anos, a chamada Indústria 4.0 deixou de ser uma promessa para se tornar uma realidade em fábricas, usinas e centros de distribuição ao redor do mundo. No centro dessa transformação está uma união que, por décadas, foi considerada complicada, senão impossível: a união entre a Tecnologia da Informação (TI) e a Tecnologia de Operação (TO).

Tradicionalmente, esses dois universos operavam de forma isoladas. A TI, com seus servidores, nuvens e firewalls, cuidava dos dados de negócio, e-mails e sistemas corporativos. A TO, por sua vez, dominava o chão de fábrica, gerenciando controladores lógicos programáveis (CLPs), sistemas SCADA e redes de sensores, priorizando a disponibilidade e a segurança física em detrimento da conectividade externa.

No entanto, a massificação de dispositivos de Internet das Coisas (IoT) – sensores inteligentes, câmeras de visão computacional e atuadores conectados – está forçando uma reaproximação. A promessa de automação avançada, manutenção preditiva e otimização em tempo real depende do fluxo de dados entre esses dois mundos. Mas como superar décadas de desconfiança, protocolos distintos e desafios gritantes de segurança?

Este artigo explora as barreiras, os três modelos estratégicos de integração e as prioridades inegociáveis para quem deseja colher os frutos desse alinhamento sem comprometer a operação.

Por que TI e TO Nunca se Entenderam?

Para entender a urgência do alinhamento, é preciso compreender a raiz do conflito.

A TI sempre foi orientada por três pilares: (1) confidencialidade, (2) integridade e (3) disponibilidade (a tríade CIA). 

A TO, por sua vez, inverte essa ordem: sua prioridade é a (1) disponibilidade e a segurança funcional, seguidas pela (2) integridade, relegando a (3) confidencialidade a um plano secundário.

Enquanto um profissional de TI se preocupa em evitar vazamento de dados, o engenheiro de TO se preocupa em evitar que uma caldeira exploda ou que uma linha de montagem pare. Essa diferença fundamental gerou culturas, ferramentas e cronogramas de atualização completamente distintos.

No passado, essa separação era funcional. As redes TO eram isoladas por "air gaps" (lacunas físicas), consideradas seguras pela obscuridade. Contudo, a pressão por eficiência e a adoção de sensores IoT de baixo custo tornaram esse isolamento inviável. O gestor de operações quer ver os dados da produção no painel de Business Intelligence (BI) em tempo real; o time de vendas quer saber exatamente quando o pedido será entregue. A lacuna precisa ser superada.

Os Três Caminhos para o Alinhamento TI-TO

A convergência não é um destino único, mas um espectro de possibilidades. Cada organização deve escolher seu nível de integração com base em seus ativos, apetite a riscos e objetivos de negócio. Eis os três modelos principais:

1. Redes Totalmente Independentes (Isolamento Estratégico)

Neste modelo, o alinhamento é mínimo ou inexistente. As redes de TO permanecem fisicamente ou logicamente separadas das redes de TI. A comunicação ocorre apenas por meio de "batedores de dados" unidirecionais ou mídias removíveis com protocolos rigorosos de escaneamento.

Quando aplicar: Ideal para indústrias críticas, como usinas nucleares, sistemas de abastecimento de água ou instalações militares, onde uma intrusão cibernética pode causar danos catastróficos e a necessidade de uptime é absoluta.

Vantagens: Oferece o mais alto nível de segurança contra ataques cibernéticos vindos da rede corporativa (ex.: ransomware que começa no e-mail). A simplicidade operacional reina, e não há risco de uma atualização de software de TI interferir em um processo industrial em tempo real.

Desvantagens: Cria uma cegueira operacional. Os dados ficam presos na TO, impossibilitando análises de big data, machine learning ou integração com sistemas de planejamento (ERP). A indústria opera de forma excelente, mas isolada e menos competitiva.

2. Sobreposições de Rede Flexíveis (Zonas Desmilitarizadas Industriais)

Este é o modelo mais comum para indústrias em transição. Cria-se uma zona de demarcação conhecida como "DMZ industrial" (iDMZ). Aqui, servidores de espelhamento e gateways de coleta recebem dados da TO, mas não podem enviar comandos de volta. A TI acessa esses servidores para extrair métricas e alimentar dashboards.

Quando aplicar: Fábricas de médio porte, plantas químicas e empresas de logística que precisam de visibilidade em tempo real sem expor o controle direto.

Vantagens: Oferece o melhor dos dois mundos: segurança e visibilidade. A integridade dos loops de controle da TO permanece intacta, enquanto a TI ganha acesso aos dados para análise preditiva e otimização. Firewalls industriais com inspeção profunda de pacotes (DPI) para protocolos como Modbus, Profinet ou OPC UA são a norma.

Desvantagens: A complexidade aumenta exponencialmente. Exige equipes treinadas em ambos os domínios e políticas de segurança híbridas. O risco de configuração incorreta do firewall é real e pode abrir brechas perigosas.

3. Integração Total (Malha Convergente)

Neste cenário, não há distinção entre dados de TI e TO. A rede é unificada sob o protocolo Ethernet/IP e padrões de segurança comuns. Usa-se a mesma fibra ótica, os mesmos switches e os mesmos princípios de autenticação (como 802.1X) para um operador logar em um terminal de produção ou em um notebook corporativo.

Quando aplicar: Indústrias de alta tecnologia, data centers inteligentes, smart grids de energia e plantas que adotam totalmente o conceito de "gêmeos digitais" (digital twins).

Vantagens: Máxima agilidade. Um patch de segurança pode ser aplicado globalmente. A automação é fluida: um sistema de visão computacional (TI) pode parar imediatamente um robô (TO) se detectar um defeito. A eficiência e a inovação são ilimitadas.

Desvantagens: A superfície de ataque é enorme. Uma simples estação de trabalho comprometida na rede de RH pode ser uma porta de entrada para manipular um braço mecânico. A segurança precisa ser rethinking do zero, incorporando microssegmentação, monitoramento contínuo de anomalias e princípios de "confiança zero".

Os Pilares Inegociáveis: Uptime, Segurança e Eficiência

Independentemente do caminho escolhido, três elementos nunca podem ser negligenciados. Eles formam a tríade de sucesso do alinhamento TI-TO.

· Uptime (Disponibilidade): Na TO, o tempo de atividade é uma questão de segurança e financeira. Parar uma linha de produção para aplicar uma atualização de software é muito diferente de reiniciar um servidor de e-mails. As soluções de alinhamento devem respeitar a necessidade de janelas de manutenção programadas e sistemas redundantes. Nunca se deve permitir que uma varredura antivírus consuma recursos de um CLP crítico.

· Segurança (Cibernética e Funcional): Aqui reside o maior desafio. A convergência exige uma abordagem holística que una a segurança da TI (contra malware e invasões) com a segurança funcional da TO (contra falhas e danos físicos). Isso significa implementar firewalls NGFW (Next-Generation Firewall), sistemas de detecção de intrusão específicos para ICS (Industrial Control Systems) e, crucialmente, promover uma cultura onde o técnico de TO reporte atividades suspeitas sem medo de represálias.

· Eficiência Operacional: O alinhamento só faz sentido se gerar valor. Os dados coletados devem ser transformados em ações. Isso inclui manutenção preditiva (prever falhas de motores via análise vibratória), rastreabilidade total da produção e redução de desperdícios. A TI deve servir como habilitadora da eficiência fabril, e não como um fim em si mesma.

Roteiro de Implementação: Como Começar

Para as organizações que desejam iniciar essa jornada, recomenda-se um roteiro pragmático:

1. Mapeamento e Inventário: Catalogar cada ativo de TO e TI. Saber qual versão de firmware roda em cada sensor e qual sistema operacional está em cada servidor é o primeiro passo para a segurança.

2. Análise de Risco: Identificar qual processo, se parado ou violado, causaria o maior dano. Priorizar a proteção desses ativos.

3. Escolha do Modelo: Começar pelo modelo intermediário (sobreposições flexíveis) antes de ousar a integração total. Pilotar em uma célula de manufatura não crítica.

4. Equipes Multidisciplinares: Criar comitês de governança com líderes de TI e TO. Treinar ambos os times nos fundamentos do outro. Um engenheiro de automação precisa entender o básico de firewalls, e o analista de rede precisa respeitar a latência e a disponibilidade da TO.

5. Resposta a Incidentes Integrada: Criar um plano que cubra desde um ataque de ransomware (TI) até um vazamento químico acionado por uma falha de sensor (TO). O tempo de resposta deve ser coordenado.

Conclusão

O alinhamento entre TI e TO não é mais uma opção; é um imperativo competitivo na era da IoT industrial. Contudo, é uma jornada que exige maturidade, respeito e um planejamento meticuloso. Não existe uma solução única.

As organizações mais bem-sucedidas serão aquelas que reconhecerem que, embora a tecnologia una esses mundos, são as pessoas e as políticas que os mantêm em harmonia. Seja optando por redes independentes, sobreposições flexíveis ou integração total, o sucesso dependerá sempre do equilíbrio entre o impulso por dados em tempo real e a disciplina de manter a máquina funcionando (uptime) e segura.

Ao avaliar suas necessidades e selecionar o modelo que melhor se alinha aos seus objetivos operacionais, sua indústria estará construindo não apenas uma ponte, mas uma fundação sólida para a próxima geração de inovação.

Critérios práticos para uso da IA em Telecom que geram resultados

📡 IA em Telecom: escolher ferramentas é estratégico!

🔍 Avalie: precisão, integração com ERP/CRM, LGPD e custo total.

🚀 Mais que adotar, é orquestrar um stack que acelere decisões com segurança e resultado.

A indústria de telecomunicações está no centro da transformação digital. Com redes cada vez mais complexas (5G, fibra óptica, redes mesh), concorrência acirrada e clientes hiperconectados e exigentes, a Inteligência Artificial deixou de ser um projeto piloto de P&D para se tornar o diferencial competitivo.

No entanto, para um líder de negócios em telecom, o cenário é um paradoxo. Nunca houve tantas opções de ferramentas disponíveis, incluindo as IAs. Dezenas de plataformas de análise preditiva, assistentes virtuais, soluções de automação de rede e orquestradores de dados disputam a atenção. Diante de tantas opções, a principal pergunta não é "qual ferramenta é a mais inovadora?", mas sim: "como montar um conjunto de ferramentas de IA coeso, que realmente resolva problemas de negócio e que faça parte da realidade da minha operação?".

Escolher a, ou, as ferramentas de IA se tornou uma decisão estratégica de alto risco. Uma escolha equivocada pode significar retrabalho, dados isolados em silos e investimentos frustrados. Este artigo oferece um guia prático com critérios fundamentais para que líderes de telecom considerem ao pensar em construir uma arquitetura de IA robusta, responsável e eficiente.

1. Negócio vs. Solução de Problema

Antes de avaliar qualquer ferramenta, o líder precisa ter absoluta clareza sobre o problema que deseja resolver. A ferramenta não pode ser construída de baixo para cima (a partir da tecnologia), mas de cima para baixo (a partir da estratégia).

· Redução de Churn: quais clientes com alto valor de receita (CLV Customer Lifetime Value) estão propensos a cancelar?

· Eficiência Operacional: quais rotas em minha rede preciso otimizar ou prever falhas em equipamentos antes que aconteçam (manutenção preditiva)?

· Aumento de Receita: como criar um mecanismo de vendas cruzadas (cross-sell) de planos de fibra ou TV por assinatura baseado no comportamento de navegação?

Prática: Para cada ferramenta avaliada, exija que o fornecedor demonstre casos de uso específicos para telecom. Desconfie de soluções "genéricas" que prometem resolver tudo. A ferramenta certa é aquela que se encaixa perfeitamente na lacuna que você identificou.

2. Integração: O Fim dos Silos de Dados

O ponto frágil de muitas implementações de IA em telecom é a integração. As operadoras tradicionalmente possuem um ecossistema de TI fragmentado: sistemas legados (mainframes), ERPs (SAP, Oracle), CRMs (Salesforce, Dynamics), sistemas de OSS (Operations Support Systems) para gerenciamento de rede e BSS (Business Support Systems) para faturamento.

Uma ferramenta de IA de ponta que não consegue "conversar" com esses sistemas é uma ilha de inovação sem utilidade prática.

Prática: Avalie rigorosamente a capacidade de integração via APIs (Interfaces de Programação de Aplicações). A ferramenta consegue consumir dados em tempo real do seu sistema de rede? Ela pode escrever de volta no CRM para que um vendedor veja uma recomendação? Ela se conecta ao ERP para verificar inadimplência antes de oferecer um upgrade? A IA precisa ser uma camada que orquestra os sistemas existentes, não um substituto que os ignora.

3. Precisão e Explicabilidade: Confie, mas Verifique

Modelos de IA, especialmente os mais complexos (como Deep Learning), podem ser "caixas-pretas". Eles fornecem uma resposta, mas não explicam o porquê. Em telecom, isso é um problema grave. Se um modelo recomenda desligar um setor da rede para economia de energia ou sugere que um cliente de alto valor está prestes a cancelar, o gestor precisa entender os motivos para depois confiar na ação.

Prática:

· Métricas de Acurácia: Exija métricas claras de performance do modelo (precisão, recall, F1-score) nos dados do setor de telecom.

· Explicabilidade (XAI - Explainable AI): A ferramenta oferece mecanismos para explicar suas decisões? Consegue apontar que "o cliente está propenso a churn porque ligou três vezes para a central de reclamações nos últimos 7 dias e teve uma queda de velocidade na fibra"? Isso permite que o time de negócios valide a lógica e tome a ação corretiva correta (ex: oferta de retenção vs. melhoria técnica).

4. Segurança de Dados e Conformidade (LGPD/GDPR): O Pilar Inegociável

O setor de telecom lida com dados extremamente sensíveis: localização em tempo real, CPF, histórico de navegação (embora anonimizado em muitos casos), hábitos de consumo e dados de contato. A utilização de IA amplifica os riscos de segurança e privacidade.

A implementação de soluções de IA deve vir acompanhada de uma revisão completa dos fluxos de dados.

Prática:

· Privacidade por Design: A ferramenta permite anonimização e pseudonimização de dados? Consegue segregar dados por níveis de acesso?

· Governança: O fornecedor garante que os dados não serão usados para treinar modelos para concorrentes? (Cláusulas de confidencialidade são essenciais).

· Localidade dos Dados: A plataforma processa e armazena dados em servidores que respeitam a legislação brasileira (LGPD) e europeia (GDPR)? O uso de nuvens públicas estrangeiras pode ser um complicador legal.

5. Custo Total de Propriedade (TCO): Muito Além da Assinatura

O erro mais comum é olhar apenas para o preço da licença (ou "token" de API). O custo real de uma ferramenta de IA envolve três camadas:

1. Implementação: Qual o esforço de engenharia para integrar a ferramenta ao meu ecossistema? Precisarei de uma equipe de consultoria externa por meses? Isso custa caro.

2. Infraestrutura: A ferramenta exige GPUs poderosas on-premises? Ou roda na nuvem, gerando custos de processamento que podem se tornar impeditivos, conforme o uso aumenta?

3. Treinamento e Cultura: Qual o custo de treinar minhas equipes (técnicas e de negócios) para usarem a ferramenta? Uma ferramenta poderosa, mas que ninguém sabe operar, é um passivo.

Prática: Calcule o TCO para um horizonte de 3 a 5 anos. Inclua os custos de integração, a necessidade de contratação de especialistas e o tempo de curva de aprendizado da equipe. Muitas vezes, uma ferramenta "menos sofisticada", mas mais aderente à realidade da sua equipe, pode entregar mais ROI.

6. Orquestração: Construindo um Ecossistema, Não um Monólito

Nenhuma ferramenta de IA fará tudo perfeitamente. Você pode ter um fornecedor excelente para predição de falhas de rede, um melhor para análise de sentimentos de clientes em redes sociais, e um terceiro para automação de marketing. O grande desafio do líder moderno é ser o "maestro" dessa orquestração.

Prática: Busque ferramentas que se comuniquem entre si. O ideal é ter uma camada central de dados (um Data Lake ou Data Warehouse) que alimenta todas as ferramentas de IA, e um barramento de eventos que permite que a saída de uma ferramenta seja a entrada de outra.

· Orquestração: O sistema de monitoramento de rede (IA de Rede) detecta uma anomalia em um bairro. Automaticamente, ele aciona o sistema de CRM (IA de Clientes) que identifica todos os assinantes premium naquela região. Antes mesmo de os clientes perceberem a falha, o sistema de atendimento (Chatbot com IA generativa) já está configurado para, ao receber uma ligação daqueles números, informar proativamente: "Identificamos uma instabilidade na sua região e nossa equipe já está trabalhando nisso. Prevemos normalização em 30 minutos. Deseja um crédito por esse transtorno?".

7. Acelerar Decisões com Responsabilidade

Por fim, a ferramenta de IA deve capacitar os times, e não substituí-los cegamente. O objetivo é reduzir ruídos e acelerar decisões, mas com "humanos no loop" (human-in-the-loop). A IA deve filtrar o que é relevante e apresentar insights claros para que um gestor tome a decisão final com responsabilidade, especialmente em casos que envolvem interrupção de serviço ou ofertas comerciais agressivas.

Conclusão

Montar uma ferramenta IA eficiente para telecom é uma tarefa de arquitetura de negócios, não apenas de TI. O líder que conseguir equilibrar a empolgação com a tecnologia com os critérios práticos de integração, conformidade, custo real e orquestração será capaz de construir uma vantagem competitiva duradoura.

A empresa não precisa da IA mais hype do mercado; precisa da ferramenta de IA que resolva os problemas dela, respeita suas limitações legais e potencializa a inteligência das suas equipes, transformando dados complexos de rede e clientes em decisões de negócio ágeis, seguras e lucrativas.

Gestão Inteligente de Contratos: A Revolução na Governança Documental

Este artigo traz informações sobre Gestão Inteligente de Contratos, explorando suas vantagens, desvantagens e o impacto transformador que traz para as organizações.

No core de toda operação empresarial, dos pequenos negócios aos grandes conglomerados globais, estão os contratos. Eles formalizam parcerias, estabelecem vendas, definem obrigações empregatícias e gerenciam riscos. No entanto, por décadas, a gestão desses documentos vitais foi, em grande parte, uma função administrativa reativa e manual. Os contratos eram vistos como meros arquivos PDF ou pilhas de papel, armazenados em gavetas físicas ou digitais, dificultando o acesso, a análise e o cumprimento.

Esse cenário está sendo radicalmente transformado pela Gestão Inteligente de Contratos. Muito mais do que um repositório digital simples, o IAM (Intelligent Agreement Management) representa uma evolução significativa, integrando tecnologias como Inteligência Artificial (IA), Machine Learning (ML) e Processamento de Linguagem Natural (PLN) para tornar os contratos ativos, inteligentes e interconectados. Este artigo explora esse conceito, suas vantagens, desvantagens a serem consideradas e o caminho para sua implementação bem-sucedida.

O que é a Gestão Inteligente de Contratos (IAM)?

A Gestão Inteligente de Contratos é um ecossistema tecnológico que automatiza e otimiza todo o ciclo de vida de um contrato, desde a sua criação e negociação até a execução, renovação e análise pós-término. A "inteligência" deriva da capacidade do sistema de:

1. Compreender o Conteúdo: Através do PLN, o software "lê" e interpreta cláusulas, termos, datas, partes envolvidas e obrigações, extraindo dados estruturados de documentos não estruturados.

2. Aprender e Melhorar: Com o ML, o sistema se torna mais preciso ao longo do tempo, reconhecendo padrões, sugerindo cláusulas padrão com base em melhores práticas e identificando riscos potenciais.

3. Automatizar Processos: A IAM automatiza fluxos de trabalho, como aprovações, assinaturas eletrônicas, notificações de vencimento e até a geração de contratos a partir de modelos predefinidos.

Em essência, a IAM transforma o contrato de um documento estático em uma fonte dinâmica de informação e valor.

Vantagens da Gestão Inteligente de Contratos

A adoção de um sistema IAM traz benefícios tangíveis e profundos para diversas áreas da organização.

1. Eficiência Operacional e Redução de Custos:

· Automação de Tarefas Repetitivas: Reduz drasticamente o tempo gasto na criação manual de contratos, busca de informações e acompanhamento de prazos. O que levava horas ou dias pode ser feito em minutos.

· Ciclos de Negociação Mais Rápidos: Versões são controladas automaticamente, e as partes podem colaborar em tempo real, reduzindo o ciclo de vendas e acelerando o início da receita.

· Redução de Erros Manuais: A automação minimiza erros de digitação, inconsistências e o uso de cláusulas desatualizadas.

2. Mitigação de Riscos e Conformidade Aprimorada:

· Identificação Proativa de Riscos: A IA pode escanear contratos para sinalizar cláusulas incomuns, onerosas ou que fujam aos padrões da empresa (ex.: penalidades excessivas, termos ambíguos).

· Garantia de Conformidade: O sistema pode verificar se os contratos estão alinhados com regulamentações internas e externas (como LGPD, GDPR, SOX), alertando sobre quaisquer discrepâncias.

· Visibilidade Total: Oferece uma visão centralizada de todas as obrigações contratuais, permitindo que a empresa cumpra prazos de entrega, pagamento e prestação de serviços, evitando multas e litígios.

3. Melhoria na Tomada de Decisão:

· Insights Acionáveis Baseados em Dados: A IAM transforma contratos em um banco de dados pesquisável. É possível analisar o desempenho de fornecedores, a rentabilidade de diferentes tipos de cláusulas, e identificar tendências nos acordos.

· Relatórios e Dashboards em Tempo Real: Lideranças podem acessar relatórios sobre o volume de contratos, status de negociações, valores envolvidos e exposição ao risco, suportando decisões estratégicas com dados concretos.

4. Otimização Financeira:

· Gestão de Renovações e Vencimentos: Notificações automáticas evitam a renovação acidental de contratos indesejados e permitem a renegociação proativa de termos, resultando em economias significativas.

· Maximização de Receita: Assegura que todos os produtos e serviços entregues sejam faturados corretamente, de acordo com os termos contratuais, reduzindo o "vazamento de receita".

5. Segurança e Controle de Acesso:

· Repositório Centralizado e Seguro: Acaba com o risco de perda ou dano de contratos físicos. Os dados são armazenados em nuvem com criptografia e backups automáticos.

· Controle Granular de Permissões: Define quem pode visualizar, editar ou aprovar contratos, garantindo a confidencialidade de informações sensíveis e um audit trail completo de todas as ações.

Desvantagens e Desafios da Implementação

Apesar dos benefícios transformadores, a jornada para uma gestão inteligente não é isenta de obstáculos. É crucial entender e planejar-se para estas desvantagens.

1. Custo Inicial e Investimento:

· Aquisição de Software: Soluções robustas de IAM representam um investimento financeiro significativo, incluindo licenças de usuário e custos de implementação.

· Customização e Integração: Adaptar a plataforma aos processos existentes e integrá-la a outros sistemas (como ERP, CRM) pode aumentar consideravelmente o custo e a complexidade do projeto.

2. Complexidade de Implementação e Migração de Dados:

· Integração com Sistemas Legados: Conectar o novo sistema a infraestruturas tecnológicas antigas pode ser tecnicamente desafiador.

· Migração e Digitalização de Contratos Existentes: O processo de digitalizar, catalogar e inserir dados de um grande volume de contratos históricos (muitas vezes em formatos diversos) é demorado, caro e propenso a erros se não for bem gerenciado.

3. Resistência à Mudança Cultural:

· Adaptação dos Usuários: Departamentos como o Jurídico e Comercial, acostumados a processos manuais, podem resistir à adoção da nova tecnologia. É necessário um forte trabalho de change management e treinamento.

· Dependência Excessiva da Tecnologia: Há um risco de os profissionais perderem a capacidade de análise crítica, confiando cegamente nas sugestões da IA, que, embora avançada, não substitui o julgamento humano experiente.

4. Preocupações com Segurança e Privacidade de Dados:

· Conformidade com Regulamentações: Armazenar contratos sensíveis na nuvem exige garantias sólidas do fornecedor sobre a localização dos dados e a conformidade com leis como a LGPD.

· Risco Cibernético: Um sistema centralizado que contém toda a informação contratual da empresa torna-se um alvo valioso para ciberataques. A segurança da plataforma é uma consideração primordial.

5. Limitações da Tecnologia:

· Complexidade de Linguagem Jurídica: Contratos podem ter nuances, ambiguidades e contextos muito específicos que a IA, principalmente em seus estágios iniciais, pode não capturar totalmente, exigindo supervisão humana para análises complexas.

· Precisão da Extração de Dados: A eficácia do sistema depende da precisão do seu motor de IA. Erros na extração de datas, valores ou partes podem levar a más decisões.

Conclusão: O Futuro é Inteligente

A Gestão Inteligente de Contratos não é mais uma opção futurista, mas uma necessidade estratégica para organizações que buscam competitividade, resiliência e crescimento em um mercado complexo. As vantagens—em termos de eficiência, redução de riscos e insights estratégicos—superam amplamente as desvantagens, que são, em sua maioria, desafios de implementação que podem ser mitigados com um planejamento cuidadoso.

O sucesso da IAM depende de uma abordagem holística: a escolha da tecnologia certa deve ser acompanhada por um investimento em mudança cultural, treinamento contínuo e a compreensão de que a ferramenta é um assistente inteligente que potencializa o expertise humano, e não o substitui. Ao abraçar a gestão inteligente, as empresas transformam seu departamento jurídico de um centro de custo em um centro de lucro, e seus contratos de obrigações estáticas em ativos dinâmicos que impulsionam o valor do negócio. A era do contrato inteligente já começou.

Visite o blog

Uma economia voltada a super inteligência?

Essa matéria do The Economist me chamou a atenção, pois deu um foco especial em “A Economia da Superinteligência”. Os líderes globais em tecnologia dizem que a humanidade está se aproximando de um momento de inflexão, quando em poucos anos a inteligência artificial (IA) será melhor do que o ser humano médio em todas as tarefas cognitivas. Não é preciso apostar alto que eles estejam certos para perceber que a afirmação precisa ser melhor formulada. Se se concretizasse, as consequências seriam tão grandes quanto qualquer outra na história da economia mundial.

Ao longo da última década, os poderes e avanços da IA superaram repetidamente as previsões. Em 2016, o AlphaGo — um  programa de de aprendizado profundo desenvolvido pelo Google deep mind — derrotou Lee Sedol, um dos melhores jogadores de Go do mundo, por uma ampla margem, embora os especialistas previssem que levaria vários anos para o AlphaGo derrotar os melhores jogadores profissionais humanos. Isso foi considerado um marco importante na história da IA de aprendizado profundo, ao lado da vitória igualmente inesperada do Deep Blue da IBM sobre o então campeão mundial de xadrez Garry Kasparov em 1997.

Em novembro de 2022, a OpenAI lançou o ChatGPT, um modelo de IA que interage com os usuários em um modelo de linguagem conversacional (LLM). "O formato de diálogo permite que o ChatGPT responda a perguntas complementares, admita seus erros, questione premissas incorretas e rejeite solicitações inadequadas." A OpenAI incentivou os usuários a  experimentar o ChatGPT , e apenas cinco dias após seu lançamento, mais de um milhão já o fizeram.

"O que isso diz sobre os poderes da IA?", questionou a The Economist. As opiniões variam. Alguns, como o CEO da OpenAI, Sam Altman, afirmam que "a humanidade está perto de construir uma superinteligência digital e, pelo menos até agora, é muito menos estranha do que parece que deveria ser".

“Em certo sentido, o ChatGPT já é mais poderoso do que qualquer ser humano que já existiu. Centenas de milhões de pessoas dependem dele todos os dias e para tarefas cada vez mais importantes; uma pequena nova capacidade pode criar um impacto extremamente positivo; um pequeno desalinhamento multiplicado por centenas de milhões de pessoas pode causar um enorme impacto negativo.”

Não é de surpreender que Altman esteja otimista. “A IA contribuirá para o mundo de muitas maneiras, mas os ganhos em qualidade de vida que ela proporciona, impulsionando um progresso científico mais rápido e o aumento da produtividade, serão enormes; o futuro pode ser muito melhor do que o presente. O progresso científico é o maior impulsionador do progresso geral; é extremamente emocionante pensar em quanto mais poderíamos ter.” 

Mas ele também observa que, embora "a década de 2030 provavelmente seja muito diferente de qualquer outra época anterior, ... nos aspectos mais importantes, ela pode não ser muito diferente. As pessoas continuarão a amar suas famílias, expressar sua criatividade, brincar e nadar em lagos."

O CEO da Meta, Mark Zukerberg, está igualmente otimista. "Nos últimos meses, começamos a ver sinais de aprimoramento dos nossos sistemas de IA. A melhora é lenta por enquanto, mas inegável. O desenvolvimento da superinteligência já está à vista. Parece claro que, nos próximos anos, a IA aprimorará todos os nossos sistemas existentes e permitirá a criação e a descoberta de coisas novas que não são imagináveis hoje. Mas ainda não se sabe para onde direcionaremos a superinteligência. Estou extremamente otimista de que a superinteligência ajudará a humanidade a acelerar nosso ritmo de progresso. Mas talvez ainda mais importante seja o fato de que a superinteligência tem o potencial de iniciar uma nova era de empoderamento pessoal, na qual as pessoas terão maior autonomia para melhorar o mundo nas direções que escolherem.”

Em contrapartida, um artigo do Wall Street Journal, “ Por que a IA superinteligente não assumirá o controle em breve”, o colunista de tecnologia Christopher Mims escreveu que “Apesar das alegações dos principais nomes da IA, os pesquisadores argumentam que falhas fundamentais nos modelos de raciocínio significam que os bots não estão nem perto de exceder a inteligência humana”. 

Sims faz referência a "A Ilusão do Pensamento", um artigo no qual pesquisadores da Apple avaliaram diversos modelos de raciocínio de grande porte (LRMs) de laboratórios líderes em IA. LRMs são modelos de linguagem que dedicam consideravelmente mais tempo à análise de problemas usando a cadeia de pensamento, uma técnica que aprimora a capacidade de raciocínio dos LLMs, induzindo-os a resolver um problema por meio de uma série de etapas intermediárias antes de fornecer uma resposta final.

Após avaliar o desempenho de LRMs de diferentes fornecedores em um conjunto diversificado de problemas, os pesquisadores da Apple encontraram poucas evidências de que eles sejam capazes de raciocinar em um nível próximo ao alegado por seus criadores. Eles demonstraram que a capacidade de raciocínio dos LRMs aumenta com a complexidade do problema até certo ponto, depois diminui e, eventualmente, entra em colapso quando atingem certas complexidades. Ao comparar os LRMs com os LLMs, eles identificaram três níveis de desempenho:

1. tarefas de baixa complexidade onde modelos superam os LRMs;
2. tarefas de média complexidade onde o raciocínio adicional em LRMs demonstra vantagem; e
3. tarefas de alta complexidade onde tanto LLMs quanto LRMs entram em completo colapso.

Sims alerta que “um dos maiores perigos da IA é que superestimamos suas capacidades, confiamos nela mais do que deveríamos — mesmo que ela tenha demonstrado tendências antissociais, como a 'chantagem oportunista  — e confiamos nela mais do que seria sensato. Ao fazer isso, nos tornamos vulneráveis à sua propensão a falhar quando mais importa .

Esses vários artigos me lembraram que em 1930, John Maynard Keynes, um dos economistas mais influentes do século XX, publicou um ensaio no qual escreveu:

Estamos sendo afligidos por uma nova doença cujo nome alguns leitores talvez ainda não tenham ouvido falar, mas da qual ouvirão muito nos próximos anos: o desemprego tecnológico. Isso significa desemprego devido à nossa descoberta de meios de economizar o uso da mão de obra, que ultrapassa o ritmo em que conseguimos encontrar novos usos para a mão de obra.

Dado que "o aumento da eficiência técnica tem ocorrido mais rapidamente do que conseguimos lidar com o problema da absorção de mão de obra", Keynes previu que, até 2030, a maioria das pessoas trabalharia 15 horas por semana, o que satisfaria sua necessidade de trabalhar para se sentirem úteis e satisfeitas. "Assim, pela primeira vez desde a sua criação, o homem se deparará com seu problema real e permanente: como usar sua liberdade das preocupações econômicas urgentes, como ocupar o tempo livre que a ciência e os juros compostos lhe proporcionaram, para viver com sabedoria, prazer e bem."

Estamos a apenas cinco anos de 2030. A previsão de Keynes se concretizará?  "E se a IA fizesse o crescimento econômico mundial explodir? ".

Se acreditarmos nos evangelistas da IA do Vale do Silício, o crescimento econômico está prestes a acelerar significativamente. "Eles sustentam que a inteligência artificial geral (IAG), será capaz de superar a maioria das pessoas na maioria dos trabalhos administrativos, em breve e elevará o crescimento anual do PIB para 20% a 30% ao ano, ou mais. Isso pode parecer absurdo, mas, segundo eles, durante a maior parte da história humana, a ideia de que a economia cresceria também o era."

A probabilidade de que a IA possa em breve demitir muitos trabalhadores é bem conhecida. O que é muito menos discutido é a esperança de que a IA possa colocar o mundo em um caminho de crescimento explosivo. Isso teria consequências profundas. Os mercados não apenas de mão de obra, mas também de bens, serviços e ativos financeiros seriam afetados. Economistas têm tentado refletir sobre como a IA poderia remodelar o mundo. O panorama que está surgindo é talvez contraintuitivo e certamente desconcertante.

A maioria dos economistas concorda que a IA tem o potencial de aumentar a produtividade e, assim, impulsionar o crescimento do PIB. As questões mais urgentes são: quanto? E quanto tempo levará? Alguns, como o economista ganhador do Nobel do MIT, Daron Acemoglu, acreditam que a IA contribuirá apenas com melhorias modestas na produtividade dos trabalhadores e não adicionará mais de 1% à produção econômica dos EUA na próxima década.

“A IA generativa tem o potencial de mudar fundamentalmente o processo de descoberta científica, pesquisa e desenvolvimento, inovação, testes de novos produtos e materiais, etc., bem como criar novos produtos e plataformas”, acrescentou Acemoglu. Mas o impacto econômico de tecnologias historicamente transformadoras como a IA leva tempo para se concretizar. No futuro próximo, a IA aumentará principalmente a eficiência dos processos de produção e dos trabalhadores existentes, portanto, o impacto a curto prazo depende inteiramente do número de processos de produção que a tecnologia automatizará, que ele espera que seja inferior a 5% de todas as tarefas.

Apesar das avaliações altíssimas das empresas de tecnologia, os mercados estão muito longe de precificar um crescimento explosivo. “O Vale do Silício, em outras palavras, ainda precisa convencer o mundo de sua tese. Mas o progresso da IA superou, durante a maior parte de uma década, as previsões de quando ela ultrapassaria vários benchmarks. … Se o consenso sobre os efeitos da IA na economia estiver tão atrasado quanto a maioria das previsões sobre as capacidades da IA, então os investidores — e todos os demais — terão uma grande surpresa.”

A automação vai substituir ou ampliar a expertise?

Considerando que as tecnologias estão automatizando o trabalho humano nos últimos dois séculos, por que a automação ainda não eliminou a maioria dos empregos? Por que ainda existem tantos empregos? A resposta não é muito complicada, embora frequentemente ignorada, explicou o economista do MIT David Autor em um artigo de 2015, "Por que ainda existem tantos empregos? A história e o futuro da automação da força de trabalho".

A resposta passa por uma realidade econômica fundamental: "tarefas que não podem ser substituídas pela automação são geralmente complementadas por ela".

A automação substitui o trabalho, mas, a automação também complementa o trabalho, aumentando a produção, de maneiras que frequentemente levam a uma maior demanda por trabalhadores.

A maioria dos empregos envolve uma série de tarefas ou processos. Algumas dessas tarefas são mais passíveis de automação, enquanto outras exigem discernimento, habilidades sociais e outras capacidades humanas. Mas só porque algumas tarefas foram automatizadas, não significa que todo o trabalho tenha desaparecido. Pelo contrário, automatizar as partes rotineiras de um trabalho frequentemente aumenta a produtividade e a qualidade dos trabalhadores, complementando suas habilidades com máquinas e computadores, além de permitir que se concentrem nos aspectos do trabalho que mais exigem sua atenção.

Muitos exageram a extensão da substituição da mão de obra humana por máquinas “e ignoram as fortes complementaridades entre automação e trabalho que aumentam a produtividade, os ganhos e a demanda por mão de obra”.

Mas,"quando as tarefas são automatizadas, isso aumenta ou diminui o valor do trabalho nas tarefas restantes?", foi a pergunta ao professor Autor, feita pelo pesquisador do MIT Neil Thompson em "A automação substitui especialistas ou complementa a expertise? A resposta é sim", uma palestra na Associação Econômica Europeia em agosto de 2024, cujo conteúdo foi posteriormente publicado em "Expertise".

A resposta não depende de quantas tarefas foram automatizadas, mas de quais tarefas foram automatizadas, ou seja, como a automação altera a expertise necessária para executar as tarefas não automatizadas restantes. Como a mesma tarefa pode ser especializada em uma ocupação e inexperiente em outra, a automação de qualquer tarefa pode reduzir a expertise em algumas ocupações e aumentá-la em outras.

Autor e Thompson propõem um modelo de especialização ocupacional que ajuda a prever o impacto das mudanças nos requisitos de especialização sobre salários e empregos:

• Se a maioria das tarefas que exigem maior qualificação forem automatizadas: os requisitos gerais de qualificação para a ocupação serão menores; o conjunto de trabalhadores qualificados será maior; e, como resultado, os salários serão menores.
• Se principalmente tarefas de menor qualificação forem automatizadas: os requisitos gerais de qualificação para a ocupação serão maiores; o conjunto de trabalhadores qualificados será menor; e, como resultado, os salários serão maiores.

Em outras palavras, a alteração dos requisitos de especialização tem efeitos sobre os salários e o emprego:

• A automação que aumenta os requisitos de especialização aumenta os salários, mas reduz o conjunto de trabalhadores qualificados.
• A automação que diminui os requisitos de especialização reduz os salários, mas aumenta o número de trabalhadores qualificados e menos especialistas.

Os autores ilustram seu modelo de especialização ocupacional com dois exemplos concretos .

Motoristas de táxi: o emprego aumentou; a especialização e os salários diminuíram. Táxis, limusines e outros veículos de aluguel costumavam ser regulamentados, seu número era limitado pelas cidades e os motoristas precisavam obter uma carteira de motorista. Mas, com o advento do Uber e de táxis eletrônicos, o setor foi essencialmente desregulamentado. Qualquer pessoa agora pode se tornar um motorista de táxi eletrônico sem a necessidade de uma licença de táxi ou carteira de motorista, usando seu próprio carro particular e dispositivos móveis. Como resultado, o número de motoristas de táxi aumentou significativamente, os aplicativos de navegação reduziram a especialização necessária e os salários caíram.

Revisores: a especialização foi aprimorada, os salários aumentaram e o emprego caiu. A principal função de um revisor era comparar um manuscrito com uma prova de impressão, buscando e corrigindo erros humanos durante a fase de composição da publicação, uma função que exige pouca qualificação e que deixou de ser necessária com o advento das provas digitais. Atualmente, os revisores são semelhantes aos editores de texto , trabalhando com os autores do manuscrito para aprimorar a estrutura geral de seu trabalho, incluindo gramática, ortografia, pontuação e sintaxe. A especialização dos revisores agora é significativamente maior, resultando em candidatos menos qualificados e salários mais altos.

Os principais conceitos apresentados no artigo são:

O Modelo de Expertise da Automação

• Uma ocupação é composta de múltiplas tarefas; automatizar um conjunto de tarefas não elimina a necessidade de executar todas as outras.
• Algumas tarefas exigem um grau maior ou menor de especialização específica e estão sujeitas à automação.
• Outras tarefas são genéricas e não estão sujeitas à automação porque exigem apenas habilidades humanas básicas que todos têm, como bom senso e destreza física.
• Os trabalhadores têm diferentes níveis de especialização; um trabalhador com alto nível de especialização pode executar tarefas que exigem menor especialização, mas um trabalhador com baixo nível de especialização não pode executar tarefas que exigem maior especialização.
• A especialização em tarefas específicas gera um salário mais alto, mas também serve como uma barreira à entrada, pois trabalhadores que não possuem a especialização necessária não conseguem ingressar em uma ocupação que a exija.
• Automatizar um conjunto de tarefas em um trabalho muda a composição da ocupação restante, incluindo requisitos de especialização, número de trabalhadores qualificados e salários.

O Desafio da Medição de Expertise

Para implementar seu modelo no mundo real, os autores precisavam encontrar uma maneira de medir a especialização necessária para diferentes tarefas que não dependesse de julgamentos subjetivos e que lhes permitisse quantificar a mudança nos requisitos de especialização das ocupações devido à remoção e adição de tarefas.

Para isso, eles criaram uma nova medida de complexidade linguística como proxy para a expertise em tarefas, baseada na Hipótese de Codificação Eficiente (ECH), um conceito proposto pela primeira vez em 1961 pelo neurocientista Horace Barlow. A ECH  implica que podemos identificar palavras que são usadas principalmente em domínios de alta habilidade, como engenharia ou medicina, para facilitar a comunicação, mas são usadas com pouca frequência na linguagem comum do dia a dia. Tarefas descritas com palavras raras ou complexas têm maior probabilidade de exigir expertise, enquanto tarefas descritas com palavras comuns tendem a ser mais rotineiras ou inexperientes. A ECH foi verificada por meio de sua aplicação em quase mil idiomas.

Principais descobertas

Para verificar empiricamente seu modelo de expertise em automação, Autor e Thompson identificaram as tarefas que foram removidas e adicionadas a cada ocupação entre 1977 e 2018, comparando suas descrições de cargo no Dicionário de Títulos Ocupacionais de 1977 com suas descrições de cargo no banco de dados O*NET de 2018. Assim, eles foram capazes de mensurar os requisitos de expertise em evolução de cada ocupação, comparando a expertise das tarefas adicionadas e removidas nas quatro décadas seguintes.  Sua análise empírica corrobora fortemente as previsões do modelo de expertise em automação: a automação tanto substitui quanto amplia a expertise.

“Analisando dados sobre emprego e rendimentos por ocupação ao longo de quatro décadas, mostramos que mudanças na especialização ocupacional, decorrentes tanto da remoção quanto da adição de tarefas ocupacionais, predizem fortemente mudanças nos salários ocupacionais”, escreveram Autor e Thompson em conclusão. “Além disso, os requisitos de especialização para tarefas removidas ou adicionadas a uma ocupação afetam os níveis salariais independentemente da quantidade de tarefas adicionadas ou removidas presentes. Notavelmente, tanto a remoção de tarefas especializadas quanto a adição de tarefas não especializadas preveem declínios salariais relativos em uma ocupação, enquanto, inversamente, tanto a remoção de tarefas não especializadas quanto a adição de tarefas especializadas preveem ganhos salariais ocupacionais.”

Nosso modelo faz a previsão contraintuitiva de que ocupações com requisitos de especialização crescentes apresentam queda no emprego (juntamente com o aumento dos salários), enquanto ocupações com requisitos de especialização decrescentes apresentam aumento no emprego juntamente com a queda dos salários. Os dados confirmam essa previsão de forma robusta. Há também um padrão oposto para mudanças na quantidade de tarefas. Ocupações que ganham tarefas se expandem e aquelas que perdem tarefas se contraem. Isso também é oposto ao padrão para salários, onde aumentos tanto na quantidade de tarefas quanto na especialização das tarefas preveem aumentos salariais.

Por fim, este vídeo de um seminário do professor Autor, no início deste ano sobre este tópico no Stanford Digital Economy Lab, ajuda a compreender melhor a questão.

Qual o provável benefício da IA a longo prazo?

Desde o advento da Revolução Industrial, as tecnologias de uso geral (GPTs) têm sido as tecnologias mais impactantes de sua época. A capacidade de suportar uma grande variedade de aplicações pode, a longo prazo, transformar radicalmente as economias e as instituições sociais. As tecnologias GPT têm um grande potencial, mas a concretização do seu potencial exige grandes investimentos tangíveis e intangíveis e uma reformulação fundamental das empresas e indústrias, incluindo novos processos, estruturas de gestão, modelos de negócios e formação de profissionais. Como resultado, concretizar o potencial de uma GPT leva tempo considerável, talvez, até décadas. A eletricidade, o motor de combustão interna, os computadores e a Internet são exemplos de GPTs historicamente transformadores.

Por exemplo, após a introdução da energia elétrica no início da década de 1880, as empresas demoraram cerca de quatro décadas, até se descobrir como reestruturar as fábricas para aproveitarem a energia elétrica com inovações de fabricação, como a linha de montagem. Demorou ainda mais para desenvolver produtos domésticos elétricos populares, como geladeiras, torradeiras, máquinas de lavar e aparelhos de ar condicionado.

A precursora da Internet, a ARPANET, foi desenvolvida pelo Departamento de Defesa dos EUA no final da década de 1960 para aplicações militares e de pesquisa. Só na década de 1990 é que a Internet foi aberta às empresas e aos consumidores, tornando-se a plataforma de inovação mais significativa que o mundo já viu e inaugurando uma nova economia digital do século XXI.

Da mesma forma, a inteligência artificial surgiu pela primeira vez em meados da década de 1950 como uma nova disciplina acadêmica, que visava desenvolver máquinas inteligentes capazes de realizar tarefas semelhantes às humanas, como a linguagem natural e jogar xadrez. A IA tornou-se uma das áreas mais interessantes das ciências da computação nas décadas de 1960, 1970 e 1980, mas depois de anos de exageros e promessas não cumpridas, entramos no chamado inverno de IA, de investimentos reduzidos, que quase interromperam por completo as pesquisas em todos os lugares.

A IA ressurgiu na década de 1990 com um paradigma orientado a dados totalmente diferente, baseado na análise de grandes quantidades de dados com algoritmos sofisticados e computadores poderosos. A IA centrada em dados continuou a avançar nos últimos 20 anos com grandes inovações em diversas áreas, como big data, análise preditiva, algoritmos de aprendizado de máquina e, mais recentemente, grandes modelos de linguagem (LLMs) e chatbots generativos. A IA emergiu agora como uma das, senão a principal tecnologia definidora do século XXI.

Ao longo dos últimos dois séculos e meio, o surgimento de uma nova tecnologia historicamente transformadora foi acompanhado por receios de perda de empregos através da automação. Mas sempre que esses receios surgiram no passado, os avanços tecnológicos acabaram por criar mais empregos ao longo do tempo, do que aqueles que destruíram e tais temores de automação aumentaram compreensivelmente nos últimos anos, à medida que máquinas cada vez mais inteligentes estão sendo aplicadas a atividades que exigem inteligência e capacidades cognitivas que não há muito tempo eram vistas como domínio exclusivo dos humanos.

Em 2018, o então presidente do MIT, Rafael Reif, encomendou uma força-tarefa para todo o MIT para abordar o impacto da IA nos empregos, nas economias e na sociedade. Depois de trabalhar durante dois anos, o grupo de trabalho divulgou o seu relatório final, “O trabalho do futuro: Construindo Melhores Empregos numa Era de Máquinas Inteligentes”, em Novembro de 2020.

A conclusão do relatório foi que “a mudança tecnológica está simultaneamente substituindo o trabalho existente e criando novos postos de trabalho. Nenhuma evidência histórica ou contemporânea convincente sugere que os avanços tecnológicos estejam sendo conduzidos para um futuro sem emprego. Pelo contrário, prevemos que, nas próximas duas décadas, os países industrializados terão mais vagas de emprego do que trabalhadores para as preencher, e que a robótica e a automação desempenharão um papel cada vez mais crucial no preenchimento destas lacunas. No entanto, o impacto da robótica e da automação aos trabalhadores não será benigno. Estas tecnologias, em conjunto com incentivos económicos, escolhas políticas e forças institucionais, irão alterar o conjunto de empregos disponíveis e as competências que estes exigem.”

“Os impactos da mudança tecnológica estão a revelar-se gradualmente”, foi a segunda importante conclusão do grupo de trabalho. “Na verdade, os efeitos mais profundos das novas tecnologias no mercado de trabalho que descobrimos foram menos devidos à robótica e à IA do que à difusão contínua de tecnologias de décadas (embora muito melhoradas), como a Internet, a computação móvel e em nuvem, e os telefones móveis,”, disse o relatório. “Esta escala temporal de mudança proporciona a oportunidade de elaborar políticas, desenvolver competências e fomentar investimentos para moldar construtivamente a trajetória de mudança em direção ao maior benefício social e econômico.”

A força-tarefa do MIT foi conduzida entre 2018 e 2020, antes dos avanços impressionantes e do interesse explosivo do mercado em LLMs e dos chatbots generativos. O ChaGPT, lançado pela OpenAI em 30 de novembro de 2022, impulsionou a IA a um nível totalmente novo de expectativas, algumas realistas, outras exageradas e tem sido acompanhado por uma corrida do ouro da IA que está atraindo muita atenção de startups e investidores. Como resultado, existe a expectativa de que a IA generativa avance e amadureça consideravelmente mais rápido do que o inicialmente previsto para uma tecnologia tão nova e complexa.

Tendo em vista os recentes avanços e investimentos na IA generativa, como ela provavelmente irá impactar a evolução a longo prazo da IA, especialmente quando comparada com tecnologias historicamente transformadoras anteriores?

Embora as revoluções tecnológicas anteriores tenham sido acompanhadas por uma corrida do ouro semelhante, — lembremo-nos da bolha pontocom da Internet na década de 1990, — a IA pode muito bem pertencer a uma classe à parte devido às sérias preocupações que foram levantadas sobre o impacto potencial das máquinas que podem igualar ou superar os níveis humanos de inteligência.

Alguns acreditam que a IA generativa acelerará a evolução em direção à inteligência artificial geral (AGI), quando a IA será capaz de realizar qualquer tarefa humana, possivelmente até melhor do que os humanos ao longo do tempo. Esta perspectiva é acompanhada por receios de que uma IA cada vez mais poderosa, altamente inteligente e fora de controle possa levar a mudanças imprevisíveis na civilização humana e tornar-se uma ameaça existencial para a humanidade. Embora as tecnologias anteriores tenham aumentado principalmente os receios sobre a automatização do trabalho, nenhuma gerou o tipo de receio existencial de que a IA alcançasse a chamada singularidade.

Quão realistas são esses medos?

Em primeiro lugar, podemos esperar que o impacto da IA generativa se desenvolva muito mais rapidamente do que o esperado, em vez de gradualmente, como foi o caso com tecnologias transformadoras anteriores? Sinceramente, todos duvidam que possa ser assim.

Um estudo da Mckinsey de junho de 2023, “O potencial econômico da IA generativa: a próxima fronteira de produtividade”, analisou o impacto econômico potencial da IA generativa e concluiu que “Embora a IA generativa seja uma tecnologia empolgante e de rápido avanço, as outras aplicações da IA discutidas no relatório continuam a representar a maior parte do valor potencial global da IA. Os algoritmos tradicionais de análise avançada e aprendizado de máquina são altamente eficazes na execução de tarefas numéricas e de otimização, como modelagem preditiva, e continuam a encontrar novas aplicações em uma ampla variedade de setores. No entanto, à medida que a IA generativa continua a desenvolver-se e a amadurecer, tem o potencial de abrir fronteiras totalmente novas em criatividade e inovação.”

Em outras palavras, a maior parte do impacto econômico da IA nos períodos iniciais e intermédios virá provavelmente das versões mais maduras e mais bem compreendidas da IA, como a análise e a aprendizagem automática, e não das versões muito mais recentes, menos bem compreendidas e altamente complexas, como IA generativa. A conclusão da McKinsey é semelhante à conclusão do grupo de trabalho do MIT – de que os impactos econômicos mais profundos dos avanços tecnológicos se devem principalmente à difusão de tecnologias mais antigas, como a Internet, a mobilidade e a computação em nuvem, e não à IA de ponta. E, como observou o estudo do MIT, uma escala de tempo de mudança mais lenta oferece a oportunidade de elaborar políticas e regulamentações adequadas para mitigar as desvantagens da IA e moldar construtivamente a trajetória da mudança em apoio aos seus maiores benefícios econômicos e sociais.

Há muito, muito trabalho a ser feito. As aplicações de consumo previstas para IA generativa e chatbots, como assistentes de IA, mentores, tutores, treinadores, conselheiros, terapeutas e, portanto, são ainda mais complicadas e menos compreendidas do que os processos de negócios onde, — conforme identificado no recente estudo da Mckinsey, — a IA generativa poderá ter o maior impacto econômico a curto e médio prazo: operações de clientes, marketing e vendas, engenharia de software e investigação e desenvolvimento.

Os processos de negócios são melhor compreendidos do que as tarefas e comportamentos humanos. Faremos grandes progressos na melhoria de tarefas bastante compreendidas, como a pesquisa com IA generativa, e provavelmente haverá grandes inovações em aplicações mais focadas e personalizadas para paramédicos, enfermeiros, tutores de matemática e assistentes de trabalho. Mas aplicações pessoais mais gerais, como terapeutas e treinadores de carreira, provavelmente levarão muito mais tempo para serem desenvolvidas porque não entendemos realmente como os humanos realizam essas funções.

Finalmente, todas as pesquisas sobre tecnologias, historicamente transformadoras, descobriram que quanto mais complexa a tecnologia, mais tempo levará para concretizar o seu potencial de mercado devido ao aumento dos investimentos e à grande reestruturação das indústrias, economias e empresas que provavelmente exigirá. A IA generativa, os LLMs e os chatbots são tecnologias muito complexas, uma vez que não podemos explicar como é que as suas enormes redes neurais tomam as suas decisões em termos que um ser humano possa compreender. No final, a IA continuará avançando e melhorando, confiando na inteligência de seus desenvolvedores humanos e colaboradores, e não na sua própria inteligência.

Os dois lados da IA

Tenho acompanhado a evolução da IA nos últimos anos e já temos dois momentos bem distintos da recente história da IA; e o segundo momento – é muito recente e vivenciado por todos nós. Desde que a OpenAI lançou o ChatGPT e incentivou o público em geral a experimentá-lo, presenciamos artigos, lives e discussões sobre suas capacidades e potenciais riscos. Porém, as questões mais recentes sobre o estado da IA nas empresas, mostram que a maioria delas ainda se encontram em fases iniciais de implementação e, talvez por isso, ainda não alcançaram resultados mais significativos.

Por exemplo, o Relatório do Índice de IA de 2022 publicado por Stanford reportou que as indústrias estão envolvidas com o desenvolvimento dos grandes modelos de linguagem, como GPT-4, e chatbots, como ChatGPT. E um outro relatório, mais recente – o relatório da McKinsey, mostra que, embora as empresas continuem a progredir, o número de adoção da IA estagnou.

A pesquisa entitulada de “O estado da IA em 2022 — e meia década em análise”, marca o quinto ano consecutivo em que a McKinsey analisa o impacto da IA nas empresas de todo o mundo. O relatório de 2022 baseia-se em um estudo a quase 1.500 empresas de diversas regiões, indústrias e tamanhos. Apenas cerca de metade dos entrevistados disseram que a sua organização adotou a IA em pelo menos uma função.

As principais conclusões do relatório foram:

1) A adoção da IA mais que dobrou nos últimos cinco anos. Em 2017, 20% dos entrevistados afirmaram ter adotado IA em pelo menos uma área de negócio. Em 2021, a adoção da IA nas empresas, chegou a 50%, mas depois disso, estabilizou-se, entre 50% e 60%.

2) O número médio de projetos de IA nas organizações, passou de 1,9 em 2018 para 3,8 em 2022. Os projetos de IA mais comuns são:

(I) automação de processos robóticos, — 39%;

(II) visão computacional — 34%;

(III) compreensão de texto em linguagem natural —33%;

(IV) interfaces conversacionais — 33%; e

(V) aprendizagem profunda – 30%.

3) Os principais casos de uso permaneceram estáveis nos últimos anos, com a otimização das operações de serviço em 24%; novos produtos baseados em IA — 20%; análise de atendimento ao cliente – 19%; segmentação de clientes — 19%; Aprimoramento de produtos com base em IA – 19%; e aquisição de clientes – 17%.

O investimento em IA aumentou juntamente com a sua crescente adoção. Em 2018, 40% dos entrevistados que utilizam IA relataram que mais de 5% dos seus orçamentos digitais foram para IA. Em 2022, o valor equivalente era de 52%. E 63% dos entrevistados esperam que os investimentos das suas organizações em IA aumentem nos próximos três anos.

4) As organizações que adotaram a IA obtiveram benefícios significativos em receitas e custos. Em 2021, 63% das organizações que adotaram IA relataram um impacto significativo nas receitas em diversas áreas, com marketing e vendas mencionados por 70%; desenvolvimento de produtos e serviços — 70%; estratégia e finanças corporativas — 65%; gestão da cadeia de abastecimento — 63%; e manufatura – 61%.

Ao mesmo tempo, 32% das organizações relataram benefícios de custos significativos, com gestão da cadeia de abastecimento — 52%; operações de serviços — 45%; gestão de risco — 43%; estratégia e finanças corporativas — 43%; e manufatura – 42%.

Embora a utilização da IA tenha aumentado, não houve aumentos substanciais nas mitigações comunicadas dos riscos relacionados com a IA. Os riscos que as organizações que adotam a IA consideram mais importantes para mitigar são a segurança cibernética – 51%; conformidade regulatória — 36%; privacidade pessoal e individual — 28%; explicabilidade — 22%; e reputação organizacional — 22%.

A pesquisa da McKinsey de 2022 também descobriu que os profissionais de alto desempenho em IA expandiram sua vantagem competitiva nos últimos cinco anos e examinaram de perto o que esses líderes de IA fazem de diferente.

A proporção de profissionais de alto desempenho em IA permaneceu estável em cerca de 8%. A McKinsey definiu empresas de alto desempenho em IA como aquelas organizações que estão vendo um impacto de 20% ou mais nos resultados financeiros de sua adoção de IA, conforme medido pelo lucro antes dos juros e impostos (EBIT). Estes líderes em IA estão a alcançar resultados superiores principalmente através do aumento das receitas, e não através de reduções de custos, embora a IA também tenha ajudado a diminuir os seus custos.

Os profissionais de alto desempenho têm maior probabilidade de aproveitar a IA em suas principais práticas de negócios. Suas principais práticas comerciais incluem vincular iniciativas de IA ao valor comercial em toda a organização; ter uma estratégia de IA alinhada com a estratégia corporativa geral; uma visão e estratégia de IA claramente definidas; e uma equipe de gerenciamento sênior comprometida com a estratégia de IA da organização.

Além disso, os profissionais de IA de alto desempenho lideraram o desenvolvimento e a implantação de IA em escala em toda a organização. “No ano passado, os profissionais de alto desempenho tornaram-se ainda mais propensos do que outras organizações a seguir práticas avançadas de escalonamento, como o uso de conjuntos de ferramentas padronizadas para criar pipelines de dados prontos para produção e o uso de uma plataforma ponto a ponto para dados relacionados à IA. ciência, engenharia de dados e desenvolvimento de aplicativos que eles desenvolveram internamente.”

Os profissionais de elevado desempenho também lideram a gestão de riscos relacionados com a IA, como a privacidade pessoal, a equidade e a justiça. Também é mais provável que se envolvam em práticas de mitigação de riscos, como governança de dados, processos e protocolos padronizados e controle automatizado de qualidade de dados.

Os profissionais de alto desempenho em IA continuam a gastar mais do que outras organizações. Os profissionais de elevado desempenho têm quase oito vezes mais probabilidades do que outros de afirmar que gastam pelo menos 20% dos seus orçamentos de tecnologia digital em projetos relacionados com a IA. Além disso, têm cinco vezes mais probabilidades de reportar que as suas organizações gastam mais de 20% das receitas de toda a empresa em tecnologias digitais.

O relatório da McKinsey também inclui uma visão detalhada do quadro geral de talentos em IA, incluindo as estratégias que a organização usa para adquirir os talentos necessários.

As organizações deixaram de experimentar a IA e passaram a incorporá-la ativamente em aplicações empresariais. As respostas da pesquisa mostram que as organizações com habilidades em IA que contratam com mais frequência são engenheiros de software – 39%; seguido por engenheiros de dados — 35%; Cientistas de dados de IA – 33%; engenheiros de aprendizado de máquina – 30%; e arquitetos de dados – 28%.

Contratar é um desafio, mas nem tanto para profissionais de alto desempenho. “Todas as organizações relatam que a contratação de talentos em IA, especialmente cientistas de dados, continua difícil. Os profissionais de alto desempenho em IA relatam um pouco menos de dificuldade e contrataram algumas funções, como engenheiros de aprendizado de máquina, com mais frequência do que outras organizações.” Os profissionais de alto desempenho estão particularmente focados na contratação para implantação de IA e otimização do valor comercial.

A escassez de talentos tecnológicos não mostra sinais de diminuir, com a maioria dos entrevistados relatando dificuldade em contratar competências relacionadas à IA. Os cientistas de dados de IA continuam particularmente escassos, com 32% dos entrevistados afirmando que contratá-los foi muito difícil; seguido por engenheiros de aprendizado de máquina, — 28%; especialistas em tradução automática — 27%; e arquitetos de dados de IA — 25%.

Os profissionais de alto desempenho em IA relatam terceirizar talentos relacionados à IA de uma variedade mais ampla de maneiras do que outras organizações. A principal fonte de talentos em IA para profissionais de alto desempenho são as universidades técnicas de alto nível – 58%; seguido pela requalificação dos colaboradores internos — 47%; empresas globais de tecnologia de primeira linha — 46%; outras empresas de tecnologia — 39%; e outras universidades — 37%.

Por fim, o relatório da McKinsey de 2022 explorou o nível de diversidade na IA e concluiu que há espaço significativo para melhorias na maioria das organizações. A percentagem média de mulheres nas equipas de IA é de 27% e a percentagem média de minorias raciais ou étnicas nas equipas de IA é de 25%. 46% dos entrevistados da AI afirmaram que as suas organizações têm programas activos para aumentar a diversidade de género, enquanto 33% disseram que têm programas semelhantes para aumentar a diversidade racial e étnica.

Tal como em estudos anteriores da McKinsey, a investigação mostra que existe uma correlação entre diversidade e desempenho da IA. As organizações que afirmam que pelo menos 25% dos funcionários envolvidos em IA são mulheres têm 3,2 vezes mais probabilidade do que outras de serem de alto desempenho em IA, e as organizações nas quais pelo menos 25% são minorias raciais ou étnicas têm duas vezes mais probabilidade de serem IA de alto desempenho.

“Durante a última meia década, na qual conduzimos nossa pesquisa global, vimos o inverno da IA se transformar em uma primavera de IA”, disse Michael Chui, Partner do McKinsey Global Institute. “No entanto, após um início exuberante, parecemos ter atingido um patamar, que observamos com outras tecnologias nos seus primeiros anos de adoção. Poderemos estar vendo a realidade em algumas organizações sobre o nível de mudança organizacional necessária para incorporar esta tecnologia com sucesso.”

Robôs x Liderança

Os robôs já chegaram ao chão de fábrica, há algum tempo, mas será que um dia eles poderão ser nossos chefes?

Robôs não são perfeitos e não são feitos para tudo, mas têm a capacidade de fazer algumas coisas que os humanos não conseguem fazer, pelo menos em escala.

Vou comentar neste episódio do meu blog, sobre a hipotética situação, de, em um futuro próximo, estarmos trabalhando lado a lado com robôs, e o que isso pode significar.

O gigante global da tecnologia, o Alibaba, rival da Amazon pelo título de maior varejista online do mundo, tem hoje cerca de 800 milhões de usuários e cresceu tanto que o governo chinês decidiu impor regras, para restringir o seu poder político-econômico. A empresa, há muito, adota a inteligência artificial (IA) em suas atividades rotineiras. Ela utiliza algoritmos para prestar um serviço personalizado aos seus clientes e utiliza robôs para processar, embalar e despachar mercadorias em seus armazéns.

Jack Ma, fundador da empresa, acredita que um dia os robôs poderão dirigir empresas. Ele diz: “Em 30 anos, um robô provavelmente estará na capa da revista Time, como o CEO do ano”.

Outro pioneiro do mundo tecnológico, porém, o americano Elon Musk, pensa um pouco diferente e está mais preocupado. Ele teme que os robôs possam um dia erradicar o trabalho humano completamente.

Então, como será a liderança nas empresas, em um mundo dominado por máquinas?

Hoje, a vantagem para os seres humanos, em ter robôs e IA no local de trabalho, é claramente que, estas tecnologias fazem parte do trabalho bruto por nós, e através desse trabalho bruto, que eu particularmente entendo como limpeza, carregar e movimentar mercadorias de A para B; mas em um futuro próximo, isso pode também significar realizar tarefas repetitivas baseadas em computação, que toma muito tempo dos seres humanos – e isso, pode libertar os seres humanos para outras atividades muito mais analíticas e de uso da razão.

Qual o perigo dos robôs e da IA para o trabalho repetitivo que não queremos fazer?

No meu ponto de vista, o grande perigo é essencialmente que, se o nosso local de trabalho se tornar mais automatizado e mais ocupado por robôs, os humanos não serão mais funcionais, em algumas áreas, e os governos terão de encontrar soluções para um número cada vez maior de pessoas, que poderão não estar desempregadas, mas indo de um emprego temporário para outro e isso se tornaria o grande desafio social do futuro.

Então, dar empregos aos robôs e à IA trará desafios sociais aos humanos? Onde a liderança se encaixa nesse contexto?

Uma parte fundamental da liderança é: cuidado, compreensão e empatia. E assim, na sua forma mais óbvia, quando se lidera, podemos pensar em cuidar dos outros, das pessoas do seu grupo – e isto é algo que os robôs, por mais sofisticados que sejam, [ainda] não podem fazer isso pelos seres humanos. Mas, se a tarefa central da liderança, é entender as pessoas, responder às suas necessidades, cuidar delas – tanto nas questões delicadas, como nas questões mais genéricas – estamos em vantagem, em relação aos robôs, pois isso é algo que eles provavelmente nunca serão capazes de realizar.

Existem muitas responsabilidades éticas para as pessoas que estão criando IA, mas também para as pessoas responsáveis por implementá-la e ver como ela progride nas organizações e na sociedade. Penso que a principal questão ética aqui é que a IA, em certo sentido, é uma espécie de automatização da vontade humana, que infelizmente também pode incluir os preconceitos humanos.

Assim, por exemplo, podem haver problemas com algoritmos de policiamento, que podem agir de forma preconceituosa, subjacentes de certas forças ou ações policiais, que estejam na base de conhecimento e formação do aprendizado da máquina. Portanto, temos que ficar atentos e isso é uma responsabilidade muito grande e ética da liderança político-administrativa global. Estar atento em ‘como’ a inteligência artificial é implantada é fundamental – para que ela não saia do controle e não automatize problemas éticos sérios. Os líderes precisam ser éticos e responsáveis na implementação da IA, para que não se repitam os erros humanos nas máquinas.

O trecho acima, foi feito através de perguntas e respostas que eu mesmo perguntei, pesquisei e respondi.

O trecho abaixo, é uma espécie de entrevista com uma inteligência artificial, onde eu faço perguntas, elaboradas por mim e as respostas são dadas pela inteligência artificial do chatgpt.

Em um dos meus primeiros contatos com o chatgpt, pedi a ele criar uma poesia com versos e rimas. A resposta foi:

No silêncio da noite, a lua sorri, Reflete segredos do céu, tão sutil. Estrelas dançam em um manto de cetim, Poema cósmico, fascínio sem fim. Na penumbra, a poesia se revela sutil.

Nada mau!

Mas o que os criadores das IAs realmente querem, é que ela faça que as pessoas pensem num mundo com IA, sem pensar no impacto que isso terá, principalmente, na forma de liderar.

Robôs são ótimos, mas não são humanos. Eles não são perfeitos e não são feitos para tudo e eu decidi ser mais desafiador, questionando o chatgpt sobre gestão e liderança e como direcionar essa capacidade para um ambiente sustentável e para o nosso futuro. Perguntei:

Os robôs seriam melhores líderes do que os humanos?

Resposta: Eles trabalhariam juntos. No final das contas, o estado da liderança depende de como projetamos e usamos a tecnologia. Portanto, os humanos precisam estar mais conscientes do quanto a IA está fazendo e do que estamos fazendo, ao recriar e usar novas tecnologias.

Fiz uma nova pergunta:

Portanto, nós [humanos, robôs e IAs] precisamos trabalhar juntos para compreendermos o poder das novas tecnologias?

Resposta: Para apreciar verdadeiramente as oportunidades que estão surgindo, precisamos primeiro compreender o passado. Com isso, poderemos estar mais conscientes e flexíveis para lidar com um futuro imprevisível. O mundo está mudando. O futuro não é o que consideramos que seja. Está exigindo de nós a disposição de abrir mão de nossa zona de conforto. Desistir da sua zona de conforto significa abrir-se para novas possibilidades e isso ajuda a compreender o passado.

Oquê a IA considera uma qualidade fundamental para a liderança?

Resposta: Humildade. Devemos ser humildes em todas as ações e isso inclui o que estamos dispostos a fazer e dizer para ajudar os outros. Liderança não é a mesma coisa que sucesso ou fracasso. Todos falhamos, mas podemos reconhecer os erros que cometemos e aprender com eles. Humildade é quando você se coloca no lugar do outro.

Mostrar humildade, reconhecer erros e aprender com eles são qualidades que a IA deseja ver nos líderes?

Resposta: É difícil saber exatamente como será a liderança no futuro, mas está claro que as qualidades humanas de cuidado e empatia serão vitais. Ter um conhecimento detalhado da tecnologia e do seu potencial é importante, assim como ser ético e responsável na forma como a utilizamos.

Como seria uma empresa liderada por uma IA?

Resposta: Uma empresa liderada por inteligência artificial seria altamente eficiente e adaptável. Decisões seriam baseadas em análises de dados em tempo real, otimizando processos e recursos. Comunicações internas poderiam ser automatizadas, facilitando a troca de informações entre departamentos. A inovação seria constante, impulsionada por algoritmos de aprendizado de máquina identificando oportunidades.

Os líderes seriam virtuais, impessoais mas imparciais, guiariam a estratégia com base em análises preditivas. Funcionários humanos se concentrariam em tarefas criativas e de resolução de problemas, enquanto as operações rotineiras seriam gerenciadas eficientemente pela inteligência artificial.

A ética e transparência na tomada de decisões seriam prioridades, com auditorias regulares dos algoritmos para evitar preconceitos. Apesar da eficiência, a empresa garantiria um ambiente que valoriza a interação humana e o bem-estar dos funcionários.

Meu comentário: Algumas respostas são boas; outras, um tanto quanto evasivas, como nós, também somos evasivos, em algumas respostas.

Para finalizar, pedi ao chatgpt para fazer suas considerações finais, em conclusão…

Eis a reaposta:

Uma IA pode ser uma boa liderança para uma empresa em certos contextos, especialmente quando se trata de otimização de processos, análise de dados extensos e tomada de decisões baseadas em lógica. A IA pode ser eficiente, consistente e livre de emoções pessoais, o que pode resultar em decisões objetivas.

No entanto, a liderança eficaz muitas vezes requer habilidades interpessoais, intuição e compreensão das dinâmicas humanas, áreas em que a IA pode ter limitações. Além disso, a tomada de decisões éticas e a adaptação a situações complexas podem ser desafios para a IA.

Assim, a abordagem mais promissora pode ser uma combinação de liderança humana e IA, aproveitando as vantagens de ambas para criar um ambiente organizacional equilibrado e eficiente.