Os cinco maiores desafios na adoção da IA em 2025

Há 5 anos, Rob Thomas e Paul Zikopoulos, da IBM, criaram um framework para a adoção bem-sucedida da inteligência artificial (IA) chamada AI Ladder, uma "abordagem unificada e prescritiva para ajudar [os líderes] a entender e acelerar a jornada da IA". O framework virou um livro, que foi usado com um gancho que agora parece bastante singular:

"Todos estão falando sobre IA. Por quê? Bem, acreditamos que a IA representa uma tremenda oportunidade para empresas de todos os tamanhos em qualquer setor."

Considerando o cenário da IA hoje, é estranho imaginar um mundo em que Rob e Paul sentissem a necessidade de convencer os leitores de que a IA seria importante. Também são notáveis os "degraus" da escada: modernizar, coletar, organizar, analisar e integrar.

Em 2020, havia inúmeras organizações que ainda nem tinham começado a subir ao primeiro degrau. Apenas cinco anos depois, você não precisa de um relatório da McKinsey para dizer que a IA é o futuro.

Praticamente todas as organizações podem adotar a IA em um grau ou outro. Novos avanços tecnológicos facilitaram a realização de integrações de IA que produzem retorno imediato sobre o investimento (ROI).

A falta de entusiasmo pela IA nunca é uma questão de incerteza sobre o potencial da IA, mas sobre como usá-la corretamente.

O IBM Institute of Business Value divulgou um relatório que revelou alguns dados interessantes sobre a adoção da IA, a saber, os obstáculos que ainda impedem as organizações de avançar com a inteligência artificial generativa (IA gen).

Quase metade dos entrevistados indicou preocupação com a precisão ou viés dos dados. Os líderes empresariais podem superar essas preocupações priorizando a governança, a transparência e a ética da IA.

A governança de IA é essencial para alcançar um estado de conformidade, confiança e eficiência no desenvolvimento e aplicação de tecnologias de IA. A governança de IA eficaz inclui mecanismos de supervisão que lidam com riscos como viés, violação de privacidade e uso indevido, ao mesmo tempo em que promovem a inovação e criam confiança.

Estruturas de governança sólidas, como comitês de IA ética e conformidade com frameworks regulatórios, ajudam a manter a responsabilidade e a implementação da IA responsável.

A ética em IA é um campo multidisciplinar que estuda como otimizar o impacto benéfico da IA enquanto reduz os riscos e os resultados adversos. A ética da IA abrange responsabilidade e privacidade de dados, justiça, explicabilidade, robustez, transparência e outras considerações éticas.

As verificações de imparcialidade e outras medidas corretivas se enquadram na ética da IA e ajudam a garantir que as produções da IA sejam confiáveis e equitativas.

A transparência de IA ajuda as pessoas a acessar informações para entender melhor como uma solução de IA foi criada e como ela toma decisões. Os pesquisadores às vezes descrevem a IA como uma "caixa-preta", pois ainda pode ser difícil explicar, gerenciar e regular os resultados da IA devido à crescente complexidade da tecnologia. A transparência da IA ajuda a abrir essa caixa-preta para entender melhor os resultados da IA.

Cerca de 42% dos entrevistados disseram que sentiam que suas organizações não tinham acesso a dados proprietários suficientes. As empresas podem superar o desafio significativo de dados de alta qualidade insuficientes para personalizar os modelos de IA generativa usando uma combinação de aumento de dados, geração de dados sintéticos e parcerias estratégicas de dados.

Uma abordagem eficaz é aprimorar os conjuntos de dados existentes por meio de técnicas de aumento, como paráfrases, tradução ou adição de ruído, para aumentar a diversidade sem coletar dados totalmente novos.

Os dados sintéticos criados artificialmente por meio de simulação de computador ou gerados por algoritmos de IA podem substituir os dados do mundo real. Os dados podem ser usados como alternativa ou complemento aos dados do mundo real quando eles não estiverem prontamente disponíveis.

Outra estratégia importante é formar parcerias estratégicas e participar de iniciativas de compartilhamento de dados em todo o setor. A colaboração com empresas, instituições de pesquisa ou consórcios não concorrentes permite que as empresas acessem conjuntos de dados maiores e mais diversificados, evitando preocupações éticas e cumprindo os padrões legais.

O aprendizado federado, onde os modelos são treinados em fontes de dados descentralizadas sem compartilhar dados brutos, é outra maneira de obter benefício de dados externos e, ao mesmo tempo, manter a segurança e a conformidade.

A IA generativa ainda é nova, mas as empresas podem lidar com a falta de conhecimento especializado em IA generativa investindo em desenvolvimento de talentos, parcerias estratégicas e ferramentas de IA acessíveis.

Uma das abordagens mais eficazes é aprimorar as habilidades dos funcionários existentes por meio de programas de treinamento especializados, workshops e certificações em IA e aprendizado de máquina (ML). Oferecer experiência prática com ferramentas de IA e promover uma cultura de aprendizado contínuo ajuda a diminuir a lacuna de habilidades internamente.

Além de desenvolver a expertise interna, as empresas podem colaborar com fornecedores de IA, instituições de pesquisa e empresas de consultoria para obter acesso a conhecimento especializado.

A parceria com startups de IA ou fornecedores de tecnologia permite que as empresas usem conhecimentos externos sem a necessidade de criar tudo do zero. A participação no ecossistema de código aberto também pode fornecer insights valiosos e modelos criados previamente que reduzem a complexidade da implementação de uma estratégia de IA.

Outra solução é adotar plataformas de IA de pouco código ou no-code que permitem que funcionários com conhecimento técnico limitado trabalhem com a IA generativa. Essas ferramentas simplificam a implementação e a personalização da IA, facilitando para as empresas a integração da IA nos seus fluxos de trabalho sem a necessidade de conhecimento profundo.

As empresas devem abordar a criação de uma justificativa financeira para explorar as iniciativas de IA generativa, concentrando-se na redução de custos, no aumento da receita, na vantagem competitiva e na mitigação de riscos.

Elas precisam identificar casos de uso específicos em que os recursos de IA generativa possam gerar eficiência, como automatização de processos de negócios, geração de conteúdo de marketing ou aceleração da transformação digital.

Ao quantificar os benefícios da IA, como a redução dos custos de mão de obra com a automação da cadeia de suprimentos , menor tempo de lançamento no mercado ou maior engajamento do cliente, as empresas podem estimar o ROI.

As empresas também devem considerar todo o potencial de novos fluxos de receita, como ofertas de produtos impulsionadas por IA, experiências do cliente personalizadas ou tomada de decisões em tempo real. Começar com projetos piloto pequenos e de baixo risco pode proporcionar resultados tangíveis que justifiquem investimentos adicionais.

A avaliação de risco também desempenha um papel na justificativa financeira. As organizações devem ponderar o custo da inação, incluindo a perda de participação de mercado para concorrentes orientados por IA ou ineficiências que os projetos de IA poderiam resolver.

As preocupações com a privacidade continuam sendo uma grande barreira para a implementação da IA generativa. Mais uma vez, a governança de dados e os princípios da IA responsável desempenham um papel. Um primeiro passo crucial é limitar a exposição de dados confidenciais usando técnicas de gerenciamento de dados, como anonimização, privacidade diferencial e criptografia, antes de inserir informações nos modelos de IA.

Isso reduz o risco de exposição de informações de identificação pessoal (PII) ou dados comerciais proprietários. As empresas também devem ajudar a garantir que os sistemas de IA sigam controles de acesso rigorosos e mecanismos de auditoria para rastrear quem interage com os dados e como eles são usados.

O aprendizado federado pode ser uma abordagem eficaz, permitindo que os modelos de IA sejam treinados em vários conjuntos de dados descentralizados sem migrar os próprios dados, preservando assim a privacidade.

A conformidade regulatória é outro fator-chave. As empresas devem alinhar o uso de IA com as leis globais de privacidade de dados, como LGPD, CCPA e regulamentações específicas do setor. A realização de avaliações regulares do impacto sobre a privacidade e a manutenção de uma documentação clara sobre como as aplicações de IA lidam com os dados podem ajudar as empresas a se manterem em conformidade e a conquistar a confiança dos clientes.

O lado positivo é que muitas organizações estão no caminho certo para lidar com esses desafios:

• 80% dos entrevistados têm uma parte separada de sua função de risco dedicada aos riscos associados à IA ou IA generativa.

• 81% realizam avaliações de risco regulares para identificar possíveis ameaças à segurança introduzidas pela IA generativa.

• 78% mantêm uma documentação robusta para melhorar a explicabilidade de como os modelos de IA generativa funcionam e foram treinados.

• 76% estabelecem estruturas organizacionais, políticas e processos claros para a governança de IA.

• 72% desenvolvem políticas e procedimentos para gerenciar dados e lidar com possíveis riscos.

Superar desafios comuns à adoção da IA requer uma abordagem holística que inclua não apenas equipes de desenvolvimento de IA, mas stakeholders de todos os departamentos de tecnologia, finanças, segurança e jurídico. No entanto, considerando a rapidez com que a tecnologia está evoluindo, o melhor momento para os retardatários começarem é hoje.