A IA Não Escala Até Que Você Pare de Chamá-la de Inovação

A maioria das empresas tem uma equipe que lida com IA. Menos ainda têm IA totalmente operacionalizada. A lacuna entre a experimentação e a implantação em nível empresarial é onde a maioria das organizações para, passando por provas de conceito que nunca chegam ao cliente. A mudança que está em andamento é sobre a disciplina operacional para entregar IA como um produto.

Philippe Rambach é o Chief AI Officer na Schneider Electric, líder global em gerenciamento de energia e automação industrial. As duas atividades principais da empresa, tecnologia para gerenciamento de energia e automação de operações industriais, concentram-se em ajudar os clientes a serem mais eficientes usando menos recursos e energia com menor emissão de carbono em edifícios, fábricas, residências, data centers, rede elétrica, etc.

A Schneider Electric usa o Databricks como uma plataforma chave dentro de seu ecossistema mais amplo de dados e IA, aplicando as capacidades unificadas de dados e IA do Databricks para ingerir e processar grandes volumes de telemetria industrial, potencializar o machine learning em escala em ambientes multi-cloud e permitir o acesso a dados em linguagem natural através do Databricks Genie. Philippe construiu a organização de IA da empresa do zero. Sua equipe de 400 pessoas está dividida igualmente entre incorporar inteligência em produtos voltados para o cliente e melhorar as operações internas em escala.

Na perspectiva de Philippe, as empresas que implementam IA com sucesso em escala são aquelas que aplicam o mesmo rigor de desenvolvimento de produtos que aplicariam a qualquer outra capacidade que entregam, com revisões de etapa, gerenciamento de portfólio e equipes responsáveis pela produção.

O que realmente significa AI-native

Aly McGue: À medida que mais organizações incorporam IA em seus produtos, a linha entre um aplicativo genuinamente AI-native e um produto tradicional com inteligência adicionada pode se tornar tênue. Como você pensa sobre essa distinção?

Philippe Rambach: O ponto principal é que, quando a IA é nativa, ela faz parte integrante da proposta de valor do aplicativo. Sem IA, o produto não tem valor ou perde a maior parte de seu valor. Não estamos construindo algo por cima do aplicativo. É central para o que a solução entrega.

As necessidades de nossos clientes não mudaram realmente com a IA. Eles ainda querem resultados: melhor tempo de atividade, melhor eficiência energética, menores custos de energia e maior resiliência. Você poderia ir à nossa base instalada e dizer: "Vocês deveriam comprar isso porque é novo", e eles não ficariam tão animados. A verdadeira mudança é passar do adicional para o AI-native, de "é super empolgante" para entregar valor central: ajudar os clientes a operar com menos energia, energia mais barata e energia mais descarbonizada. Isso tem que estar no centro da solução, não ao lado dela.

Construindo para escala, não para prova de conceito

Aly: Você descreveu AI-native como central para o valor do produto. O que foi necessário, organizacionalmente, para tornar isso real em termos de pessoas, processos e plataformas?

Philippe: Do lado das pessoas, volta à necessidade de mesclar conhecimento de domínio com conhecimento de IA. Uma equipe de IA por si só construirá coisas super sofisticadas que parecem muito boas, o que eu chamo de “objetos brilhantes”, mas não necessariamente coisas que realmente ajudam os clientes. Então, criamos um modelo de hub-and-spoke.

Cada solução começa com um caso de negócio de propriedade da linha de negócios. Em seguida, formamos uma equipe de scrum no sentido ágil puro com todos os recursos necessários para implantar em escala: especialistas em IA, pessoas voltadas para o cliente, integração de TI, desenvolvedores de software do negócio, treinamento de vendas, precificação, etc. A equipe não para quando provou a viabilidade técnica ou entregou uma prova de conceito. Eles param quando a solução está em produção e em processo de suporte.

Do lado da plataforma, se você realmente quer ir AI-native em velocidade total em uma empresa como a nossa, você não pode ter milhares de soluções técnicas diferentes. Estabelecemos uma equipe para definir e manter um único conjunto de tecnologias centrais em toda a empresa. A qualquer momento, existe uma plataforma. O Databricks desempenha um papel fundamental nisso. Ele gerencia a infraestrutura, os dados e o fluxo de dados, para que possamos gastar mais tempo na lógica de negócios e no problema a ser resolvido, em vez de dificuldades técnicas de baixo nível.

Minha forte convicção é que as empresas devem parar de tratar a IA como inovação e começar a tratá-la como desenvolvimento de produto. Acho que essa é a mudança mais importante. Temos um processo com revisões de etapa, assim como qualquer produto, passando por ideação, exploração, incubação, industrialização e operação. Entre cada fase, meu colega do lado do negócio e eu decidimos se está tecnicamente pronto, comercialmente viável e se o plano de negócios se sustenta antes de seguirmos em frente. Trimestralmente, revisamos todo o roteiro e portfólio. Tratamos a IA como qualquer outro produto que entregamos. Essa é a diferença.

Alinhando equipes em torno do valor de negócio da IA

Aly: Com tantas partes móveis, como você mantém as equipes multifuncionais alinhadas desde o primeiro caso de negócio até a implantação em produção?

Philippe: Começar com casos de uso e valor de negócio é a melhor maneira de alinhar as pessoas. Em vez de debater para sempre sobre qual provedor de tecnologia é o melhor, começamos com as necessidades do cliente. Em uma empresa bem gerenciada, é isso que move as pessoas.

Outra coisa que gostaria de destacar é a estrutura de responsabilidade. Em muitas empresas que analisei, uma equipe constrói uma prova de conceito e outra deve industrializá-la. Essas duas equipes têm metas muito diferentes e acabam desalinhadas. Em nosso modelo, a mesma equipe é responsável por toda a jornada — da ideação à implantação em escala. Eles ainda podem construir uma prova de conceito ao longo do caminho, mas o fazem com o estado final em mente. Em outras organizações, um grupo pode se concentrar em demonstrar algo interessante, enquanto outro otimiza para escalabilidade. Quando uma única equipe é responsável por ambos, essa tensão desaparece.

De solicitar dados a conversar com eles

Aly: O Databricks Genie oferece aos usuários não técnicos uma interface de linguagem natural para consultar dados diretamente. Que mudança você está vendo internamente?

Philippe: Um dos principais desafios no momento, especialmente em soluções agentivas, é como acessar as informações corretas de seus dados quando esses dados são cada vez mais não estruturados. O Genie é muito promissor nesse aspecto. Ele nos economiza tempo em atividades centrais comuns a muitos clientes, como extrair dados de um banco de dados em linguagem natural.

Internamente, o Genie acabou de ser lançado, então ainda está no início. Mas o entusiasmo é enorme. As pessoas estão cansadas de pedir a alguém para fazer uma análise e receber algo uma hora ou um dia depois que não é exatamente o que queriam. A capacidade de obter dados por conta própria em linguagem natural é uma enorme melhoria na forma como trabalhamos. Precisamos garantir que obtemos precisão suficiente, e estamos trabalhando em estreita colaboração com o Databricks nisso. Mas o potencial de adesão é muito forte.

Por que os modelos sozinhos não são a resposta

Aly: Quando tantos modelos poderosos estão disponíveis externamente, qual é o argumento para construir aplicativos AI-native com seus próprios dados e infraestrutura?

Philippe: Nós absolutamente usamos modelos externos. Não desenvolvemos nossos próprios modelos de linguagem; usamos muitos deles. Mas um modelo por si só nunca é uma solução completa. Ele precisa de contexto, salvaguardas, interfaces de usuário, às vezes uma combinação de IA analítica clássica com modelos de linguagem grandes, às vezes múltiplos LLMs potencializando múltiplos agentes tomando decisões com base em diferentes critérios. Construímos sistemas multi-agentes nos quais os agentes às vezes competem em vez de apenas colaborar.

Pegue nosso EcoStruxure™ Microgrid Advisor, por exemplo. Um cliente tem alguns edifícios, talvez um campus universitário, com painéis solares e geração eólica. Ingerimos todos esses dados do local em alta frequência para prever com precisão a produção e a demanda de energia. Em seguida, a IA otimiza a cada 15 minutos com base nas próximas 48 horas: é melhor usar a energia que você está produzindo agora, vendê-la para a rede, comprar da rede ou armazená-la para amanhã? Isso não é um modelo. Isso é previsão, otimização e tomada de decisão em tempo real trabalhando juntos nos dados operacionais do cliente. Vemos uma redução de até 20% nos custos de energia com soluções como essa.

Os modelos estão disponíveis para todos. O que não está disponível para todos é a base específica do domínio em torno da qual você os orquestra. Você precisa de tudo.

Conselhos para líderes que iniciam este trabalho

Aly: Para líderes que estão no início deste trabalho, quais são as lições que você gostaria que mais organizações internalizassem antes de escalar a IA?

Philippe: Primeiro, comece com o caso de negócio, não com a tecnologia. Não comece com "há uma nova coisa de algum fornecedor". Comece com o que você precisa transformar e como a IA pode ajudar, para que você possa focar no impacto em escala.

Segundo, treine sua equipe. A transformação de IA não acontecerá se as pessoas não tiverem o que chamo de relacionamento adulto com a IA. Ela faz coisas maravilhosas, mas não tudo. Não é tão assustadora quanto algumas pessoas pensam. Você precisa educar suas equipes sobre como usá-la e suas limitações.

Terceiro, e provavelmente o mais provocador: não se esqueça de tudo o que você já sabe. Quando as pessoas iniciam um projeto de IA, elas esquecem que é, antes de tudo, um projeto. Elas esquecem que é, antes de tudo, uma transformação. Nossa empresa aprendeu por anos como gerenciar mudanças. Uma grande parte de um projeto de IA é exatamente isso. Algumas partes precisam de reinvenção, mas não tudo.

Considerações Finais

A escolha mais deliberada de Philippe é recusar-se a tratar a IA como algo especial. Não em seu potencial, que é enorme, mas em como ela deve ser gerenciada. O modelo hub-and-spoke, as revisões de portão, a insistência em uma plataforma e a propriedade completa da equipe. Estas não são estratégias de IA. São estratégias de produto aplicadas com o mesmo rigor que a Schneider Electric aplicaria a qualquer outra capacidade que envia aos clientes.

Para executivos que ainda gerenciam IA como uma função de inovação com equipes separadas, cronogramas separados e responsabilidade separada, a provocação vale a pena ser considerada. As empresas que implementam IA em escala não são as que têm os protótipos mais criativos. São aquelas que pararam de chamá-la de inovação e começaram a enviá-la como um produto.

Para aprender com mais de 25 líderes do setor e definir seu caminho para operacionalizar a IA, baixe “Making AI Deliver” da Economist Enterprise, com o apoio da Databricks.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original