A inteligência artificial (IA) é hoje para as empresas o que a Internet era há 25 anos, no alvor do novo milénio. Alguns — os entusiastas e os inovadores — veem uma oportunidade neste admirável mundo novo. Outros, mais céticos ou cautelosos, limitam-se a esperar que a onda os leve em frente sem grande esforço. Muito se tem escrito e debatido sobre IA para empresas, e não pretendo limitar-me a repetir o que já aparece todos os dias nas notícias.
Este artigo é uma reflexão pessoal que procura responder a uma pergunta que ouço com frequência dos meus clientes de consultoria: “Como pode a IA ajudar o meu negócio?”
Como pode a IA ajudar o meu negócio?
Acredite-se ou não, ouço esta pergunta constantemente. Todos temos alguma ideia do que é a IA — todos vimos Black Mirror na Netflix, e a IA aparece nas notícias quase todos os dias —, mas muito poucas empresas têm uma ideia clara de como a incorporar com sucesso nas suas operações. E ainda menos a utilizam de facto!
Na minha perspetiva, antes sequer de começar a pensar na adoção da IA, há duas perguntas críticas a que todas as organizações têm de responder:
- Qual o grau de maturidade e de preparação dos processos de negócio para adotar IA?
- Como é a infraestrutura de dados atual?
Avaliar a preparação dos processos de negócio para a IA
Os processos definem a forma como uma empresa funciona no dia a dia. Pode pensar-se nos processos como um conjunto de regras operacionais que determinam claramente como as coisas funcionam: uma sequência de atividades realizadas por um grupo de pessoas para alcançar um resultado ou objetivo específico. Envolvem responsabilidades, dados, documentação e tecnologia.
O recrutamento é um bom exemplo de processo de negócio — tal como as compras ou o serviço ao cliente.
Para integrar com sucesso a IA nos processos de negócio, é preciso avaliar o grau de preparação desses processos. Consoante a dimensão e a complexidade da organização, esta avaliação pode ser exigente — por isso, é necessário um modelo de avaliação (framework) estruturado.
Eis algumas perguntas-chave a considerar na avaliação da maturidade dos processos de negócio:
- Até que ponto o processo é repetitivo? É executado diariamente, de hora a hora ou continuamente? Ou é pouco frequente? → Quanto mais repetitivo for o processo, maior o potencial de automação com IA.
- Até que ponto o processo está claramente definido? Está documentado e é partilhado com todos? Os objetivos e as responsabilidades estão claramente definidos? Os colaboradores receberam formação sobre o processo? Ou é subjetivo, com diferentes membros da equipa a executá-lo de formas completamente diferentes?
- Até que ponto o processo depende de dados? Que tipo de dados estão envolvidos — estruturados, semiestruturados ou não estruturados?
- A eficiência do processo é medida? Quanto tempo demora a executar do início ao fim? Quantos erros ou falhas ocorrem em média? Com que frequência se repetem passos?
Naturalmente, uma avaliação completa envolve muitas outras perguntas, mas o objetivo é criar um modelo que calcule uma pontuação de maturidade e mostre até que ponto a organização está preparada para adotar a automação inteligente.
Exemplo: automação do processo de compras
Um processo de compras típico pode envolver os seguintes passos:
- Pedido de compra: Um departamento submete um pedido de bens ou serviços.
- Processo de aprovação: Um gestor ou a equipa de compras analisa o pedido e aprova-o ou recusa-o.
- Seleção de fornecedores: As compras identificam e contactam potenciais fornecedores.
- Análise de orçamentos: Os orçamentos dos fornecedores são recolhidos e comparados.
- Criação da nota de encomenda (PO): É emitida uma nota de encomenda ao fornecedor selecionado.
- Entrega e receção: Os bens ou serviços são recebidos e inspecionados.
- Conferência da fatura e pagamento: A fatura é conferida com a nota de encomenda e com o comprovativo de entrega, e depois paga.
Como pode a IA automatizar este processo de forma inteligente?
A IA — em especial a IA generativa — pode fazer muito pela automação inteligente. Existem muitos modelos pré-treinados, como os modelos GPT da OpenAI, o PaLM da Google, o Llama da Meta e o Stable Diffusion da Stability AI, que podem ser afinados ou integrados nos fluxos de trabalho das empresas.
Por exemplo:
- Ler e classificar documentos: A IA consegue ler pedidos de compra (emails, formulários) e classificá-los automaticamente em categorias como “Equipamento informático” ou “Material de escritório.”
- Fluxos de aprovação inteligentes: Com base em regras de negócio (por exemplo, limites de valor, pontuações de risco dos fornecedores), a IA pode atribuir a tarefa de aprovação à pessoa certa — ou até pré-aprovar automaticamente certos tipos de pedidos.
- Conferência de faturas e notas de encomenda: A IA consegue ler faturas e conferi-las automaticamente com as notas de encomenda e os comprovativos de entrega correspondentes, identificando de imediato as discrepâncias.
- Deteção de duplicados e de fraude: Os modelos de IA conseguem detetar pagamentos duplicados ou padrões suspeitos que possam indicar fraude.
Em suma: a IA não substitui o processo humano; potencia-o, tornando-o mais rápido, mais exato e menos dispendioso.
Como é que a infraestrutura de dados suporta a IA?
Os sistemas de IA, em especial os sistemas de machine learning (ML), dependem completamente dos dados. A qualidade, a quantidade e a variedade dos dados são críticas para o sucesso. Sem uma infraestrutura de dados sólida, simplesmente não é possível desenvolver uma capacidade de IA ou ML fiável para o negócio — tal como hoje não é possível construir uma empresa moderna assente apenas em ficheiros Excel dispersos.
Eis uma autoavaliação rápida da preparação da infraestrutura de dados para a IA:
- Disponibilidade e acessibilidade dos dados: As fontes de dados estão integradas e facilmente acessíveis às equipas de IA, ou estão fechadas em silos?
- Qualidade e coerência dos dados: Os dados são exatos, completos, coerentes e atualizados com regularidade? Ou as equipas de IA têm constantemente de os limpar e corrigir antes de os usar?
- Infraestrutura de armazenamento: Consegue lidar com conjuntos de dados grandes e variados (estruturados, semiestruturados, não estruturados)? Existe armazenamento na cloud disponível e escalável?
- Otimização para IA/ML: A infraestrutura foi construída para suportar fluxos de trabalho de machine learning (por exemplo, feature stores, controlo de versões de modelos, registo de experiências)?
Naturalmente, uma avaliação completa envolveria perguntas adicionais, mas estas cobrem o essencial para um diagnóstico interno rápido. Se a organização ainda não estiver preparada, o foco deve estar em construir primeiro esta base — porque sem uma infraestrutura de dados sólida não há sistemas de IA fiáveis.
O que podem as empresas fazer com ML quando estiverem preparadas?
Assim que as bases de dados e de infraestrutura estiverem montadas, as empresas podem gerar valor real desenvolvendo modelos de ML para:
- Conhecer melhor os clientes, criando segmentos comportamentais (clusters de clientes).
- Recomendar produtos, serviços ou conteúdos aos clientes para aumentar as vendas.
- Prever o abandono de clientes (churn) para os reter de forma proativa.
- Melhorar as operações financeiras, prevendo vendas, procura ou fluxos de caixa.
- Otimizar as operações, como rotas de entrega, níveis de stock e afetação de pessoal.
E, para cada uma destas funções, há algoritmos comprovados prontos a ajudar.
Custo de oportunidade – e se a minha empresa não adotar a IA?
Optar hoje por não adotar a IA tem um custo de oportunidade real que as empresas não se podem dar ao luxo de ignorar. Enquanto algumas empresas vão usar a IA para melhorar a eficiência, reduzir custos, melhorar a experiência dos clientes e inovar mais depressa, as que adiarem arriscam-se a ficar para trás. Os concorrentes que integrarem a IA com sucesso vão conseguir operar de forma mais enxuta, tomar melhores decisões com base em dados e reagir mais rapidamente às mudanças do mercado. Isto pode significar perder clientes, quota de mercado e rentabilidade ao longo do tempo — não porque os produtos ou serviços sejam piores, mas porque as operações e os processos de decisão são mais lentos, menos precisos e mais dispendiosos. No ambiente de negócio acelerado de hoje, ficar parado é, na prática, andar para trás.
