O avanço da inteligência artificial nas empresas deve ser feito com o uso da ferramenta certa, para o trabalho certo e com o propósito certo: é o que expôs nesta segunda-feira, 28, Deepak Seth, diretor analista do Gartner. Durante a Conferência Gartner Data & Analytics em São Paulo, o executivo explicou que o uso de IA dentro das empresas deve ser feito de forma específica, uma vez que se adotado de forma massiva (como a contratação de diversas licenças de copilot para os usuários) os trabalhadores começam a usar, mas depois o uso cai.
“A razão para isso acontecer é que, ao olharmos internamente nas companhias, 10% dos empregados sabem o que fazer com uma nova tecnologia. Mas 70% em uma grande organização não conseguem aprender novas tarefas. Outros 10% vão continuar no mesmo”, explicou.
“O foco das companhias não deve ser apenas nos 10% que sabem usar a nova tecnologia, mas no meio, os 70% que podem se tornar produtivos com IA. Isso com apoio de especialistas e líderes que entendam e mostrem como podem se tornar mais produtivos”, completou.
Gartner e o passo a passo da IA empresarial
O diretor afirmou que a adoção da tecnologia pode ser usada por todas as companhias por três caminhos diferentes:
- Criando sua própria IA;
- Adicionando IA de terceiros em seus produtos;
- Misturando IA própria com IA de terceiros.
Com isso, o desafio recai aos líderes de dados e analytics (aqui chamados de CDAO ou Chief Data & Analytics Officer, uma evolução do CDO) que devem decidir o melhor caminho entre as três vertentes.
Atualmente, uma análise do Gartner com executivos de dados e analytics aponta que apenas 35% das empresas vão para IA construída e combinada, a maioria (65%) prefere usar IA própria ou incorporada de terceiros.
Modelos de IA nas empresas
Da mesma forma, Seth explicou que a construção de modelos de inteligência artificial também mudou. Antes a ideia era ter uma grande gama de dados para ter um grande modelo de linguagem e melhor entrega de produtos e serviços. Em sua visão, o momento é ter o dado certo, no tamanho certo para uma tarefa específica. Com isso, o diretor vê um avanço dos modelos pequenos de linguagem (SLM) e modelos específicos por indústria.
“Quando vimos os primeiros modelos de IA, a regra era ‘quanto maior modelo e mais dados, melhor é o modelo’. Portanto, as companhias de IA começaram a abordar que seus modelos tinham 500 milhões de parâmetros, 1 bilhão de parâmetros, 2 bilhões de parâmetros. Mas agora as plataformas perceberam que modelo grande não significa um modelo efetivo”, disse. “Por exemplo, uma empresa farmacêutica não precisa de um LLM com grandes escritores como Miguel de Cervantes ou Charles Dickens, ela precisa de um modelo construído em dados de saúde ou fármacos”, comparou.
Seth reconhece que esta mudança de LLMs para SLMs (small language models) e modelos específicos é lenta, mas está começando e acredita que, em breve, será comum ter modelos com pouco consumo de dados, como aqueles voltados para indústria de carros, finanças e transportes.
Por sua vez, Jorg Heizenberg, VP e analista do Gartner, afirmou que, pelo fato de IA ter se tornado mainstream, a maioria das organizações e líderes de dados focaram em ter grandes espaços de armazenamento de dados, como data lakes e data warehouses. Mas agora começam a enxergar que essa estrutura não é tão necessária.
“Hoje é muito mais sobre garantir que o dado está pronto e tem o seu propósito. É melhor ter o dado certo do que ter todos os dados possíveis. E essa é a grande virada de chave”, afirmou Heizenberg.
Imagem principal: Deepak Seth, diretor analista do Gartner (de pé); Jorg Heizenberg, VP e analista do Gartner (crédito: Henrique Medeiros/Mobile Time)
