A IA não consegue otimizar o que a empresa que não entende
O próximo salto da IA corporativa não será apenas dar mais informações aos modelos, mas ensinar a eles como uma organização realmente funciona
Há muitas semanas, venho tentando descrever, em meus ensaios para a Fast Company, o que acredito ser o futuro da IA corporativa.
Agora imagine que alguém, em algum lugar, desenvolva uma solução que atenda aos requisitos que venho delineando aqui. Sua empresa seria capaz de entrar nessa plataforma e acessar todas as vantagens que temos descrito?
Para começar a otimizar uma empresa com inteligência artificial, a IA precisa entender o que você quer otimizar. Ela não consegue otimizar adequadamente aquilo que não consegue representar.
O paradoxo é que as empresas estão dando a modelos cada vez mais sofisticados e capazes acesso às ferramentas e aos fluxos de trabalho que utilizam, mas têm apenas uma representação fragmentada do mapa da organização que estão tentando otimizar.
Mesmo que um grande modelo de linguagem (LLM) tenha um conhecimento extremamente amplo sobre gestão, marketing ou logística – afinal, os LLMs “leram” praticamente todos os livros sobre esses assuntos –, ele normalmente não sabe nada sobre seus clientes específicos, suas dependências, seus processos burocráticos, possíveis exceções, sua tolerância ao risco ou as implicações em cadeia de uma mudança de processo.
Precisamos separar a simples memória daquilo que constitui um verdadeiro modelo de dados. Enquanto a memória pode recuperar o que aconteceu em determinado momento, um modelo de dados pode representar formalmente identidades, relações, permissões, restrições e estados válidos.
NÃO, CONTEXTO NÃO É COMPREENSÃO
Hoje, as empresas tentam preencher essa lacuna fornecendo o máximo de contexto possível. O problema é que o contexto responde a determinadas questões, como quais informações o modelo deve considerar em um determinado momento, mas não responde a algo tão relevante quanto a maneira como a organização funciona.
Em um artigo anterior, passamos da memória aos modelos. Agora, vamos passar do contexto para um modelo da dinâmica organizacional.
O primeiro passo que precisamos dar é definir uma ontologia, o que equivale a fornecer à empresa substantivos, verbos e regras. A Palantir vem tentando convencer muitas empresas disso não apenas porque é a maneira correta de avançar, mas também porque, para fazer isso, a empresa envia seus engenheiros de implantação avançada, os FDEs (na sigla em inglês).
Construir ontologias manualmente é caro e exige muita mão de obra, o que ajuda a explicar tanto a importância dos FDEs quanto a lógica econômica do modelo da Palantir.
Apesar de a Palantir tentar ser dona do termo “ontologia”, o que estamos simplesmente discutindo (embora talvez não seja tão simples assim) é a representação de entidades do mundo real como objetos, de suas relações como conexões e das ações da empresa como verbos. Basicamente, uma camada operacional, ou uma espécie de gêmeo digital de toda a organização.
É uma arquitetura que conecta “substantivos” a “verbos”, de modo que elementos como fábricas, pedidos, trabalhadores ou clientes estejam no primeiro grupo, enquanto conceitos como lançar promoções, ajustar preços, mudar distribuidores ou executar um fluxo de trabalho estejam no segundo.
DAS ONTOLOGIAS AOS MODELOS DE MUNDO
No entanto, uma ontologia apenas informa o que existe na empresa e o que podemos fazer com isso. O próximo passo é um modelo de mundo, termo normalmente associado à robótica e à IA física, mas que considero extremamente útil também nas arquiteturas de IA corporativa.
Um modelo de mundo vai além: ele tenta aprender a dinâmica por trás dessa representação, incluindo o que provavelmente acontecerá em seguida. No campo da pesquisa em IA, modelo de mundo significa uma representação interna que captura a dinâmica de um ambiente com precisão suficiente para permitir prever consequências e apoiar o planejamento.
O objetivo não é construir algum oráculo onisciente, mas uma representação que melhore ao longo do tempo.
Tomando como referência um exemplo usado pela IBM, uma coisa é descrever por que uma máquina falha; outra é prever o que acontecerá se determinada manutenção preventiva não for realizada imediatamente.
Uma empresa precisa ser capaz de entender, por exemplo, que obrigar operadores de atendimento ao cliente a reduzir a duração de suas ligações tende a aumentar a perda de clientes, e não apenas que chamadas de suporte mais curtas significam custos menores.
Para ser confiável, a tomada de decisão algorítmica precisa de raciocínio causal, já que decisões sempre envolvem relações de causa e efeito, e precisamos alinhá-las aos objetivos do mundo real.
Dave Wright, veterano diretor de inovação da ServiceNow, vê um enorme potencial na aplicação de gêmeos digitais de empresas inteiras para simular cenários, efeitos regulatórios e assim por diante.
EMPRESAS DEVEM SER DONAS DO PRÓPRIO APRENDIZADO
Depois que você tiver o modelo da sua empresa, poderá torná-lo cada vez mais valioso ao alimentar o sistema com ações e resultados. Registrar decisões e seus resultados permite que decisões futuras sejam enquadradas no contexto de escolhas anteriores e pode alimentar novos treinamentos ou ajustes finos. Dessa maneira, com esses ciclos, a empresa começa a ser dona do próprio aprendizado.
Não tenha medo. Eu sei que as organizações são complexas, dinâmicas e carregadas de questões políticas. Uma representação como essa não precisa ser perfeita e, é claro, o modelo terá de permanecer parcial, aberto, revisável e governado. O objetivo não é construir algum oráculo onisciente, mas uma representação que melhore ao longo do tempo.
A ideia é transformar a representação que a empresa tem de si mesma em um ativo duradouro. Duas empresas podem usar exatamente o mesmo modelo de fronteira, a mesma versão do Claude, ChatGPT, Qwen ou qualquer outro LLM, mas esse modelo pode se tornar cada vez mais apenas o motor que opera dentro de algo muito mais valioso: a representação proprietária que cada empresa construiu de si mesma, com seu próprio contexto, regras, histórico e aprendizado acumulado.
DE EMPRESAS OTIMIZÁVEIS A EMPRESAS COMPREENSÍVEIS
Precisamos passar da ideia de uma empresa otimizável para uma ideia muito mais interessante: a empresa compreensível. Isso porque, antes de uma empresa poder ser otimizada, ela precisa se tornar compreensível para a inteligência que está tentando otimizá-la.
Passamos décadas tentando digitalizar as empresas de uma maneira que permitisse ao software registrar o que elas fazem. O próximo passo será modelá-las para que a IA consiga entender o significado de suas ações.
Leia mais: Máquinas estão aprendendo a pensar como nós (mesmo sem nos entender)
Em breve, ferramentas desse tipo começarão a estar amplamente disponíveis, e a questão será saber se sua empresa está preparada para aplicá-las.
É hora de se preparar.
