De projetos de IA a uma capacidade operacional

À medida que as empresas avançam além dos pilotos e das provas de conceito, uma nova pergunta surge nas conversas de executivos: quando a AI deixa de ser uma série de projetos e começa a fazer parte da operação do negócio?

Naveen Zutshi, CIO da Databricks, trabalha em estreita colaboração com CIOs e líderes de negócios que estão conduzindo a transição da experimentação para a IA em escala empresarial. Nestas Perguntas e Respostas, Naveen baseia-se em cargos de liderança anteriores em empresas como Palo Alto Networks, Gap Inc. e Walmart, onde liderou esforços complexos de modernização que transformaram ambientes legados em arquiteturas escaláveis e cloud-first.

O que ficou claro em nossa conversa é o seguinte: o ponto de inflexão não está nos modelos. Trata-se de modernização, governança e disciplina operacional.

A IA está passando dos experimentos para o P&L

Catherine: Qual é o sinal mais claro que você está vendo de que a experimentação com IA está dando lugar à IA como uma capacidade operacional?

Naveen: Acredito que o setor ainda tem muito trabalho a fazer para gerar valor real com a IA. Mas, nos últimos seis a doze meses, tenho visto uma mudança notável. Passo tempo com CIOs e líderes de negócios de várias indústrias, e três padrões se destacam.

Primeiro, estou ouvindo exemplos cada vez mais concretos de IA sendo usada no trabalho diário. Curiosamente, setores regulamentados que eram considerados retardatários na jornada na cloud — como saúde e serviços financeiros, por exemplo — agora estão entre os primeiros a adotar a tecnologia. Estamos vendo a IA ser usada para automação de back-office, detecção de fraudes, geração de alfa em retornos de investimento, anotações clínicas, descoberta de medicamentos e até mesmo suporte e prevenção em centrais de atendimento a crises. Segundo, os líderes de negócios estão cada vez mais envolvidos na conversa. Historicamente, as discussões sobre IA eram dominadas por engenheiros e cientistas de dados. Agora, os grupos de negócios estão participando da discussão sobre como os dados e a IA podem transformar suas funções. Mais importante ainda, eles estão compartilhando exemplos de como já fizeram isso. A IA realmente chegou para ficar quando aparece nos KPIs de negócios.

Terceiro, o financiamento mudou. A IA costumava vir de orçamentos de inovação ou fundos discricionários. Agora, é um item importante no P&L, financiado diretamente pelas unidades de negócios ou de forma centralizada pela organização do CIO ou CTO. Essa mudança, por si só, sinaliza um compromisso operacional. Não deve demorar muito para que os gastos com ferramentas de IA se tornem um item de despesa importante, depois dos gastos com pessoal e nuvem. Na Databricks, estamos separando os gastos com IA dos gastos gerais com SaaS.

O verdadeiro gargalo: legado, não talento

Catherine: Em conversas com seus colegas do setor, quais temas comuns surgem como pontos de atrito para colocar projetos de IA em produção?

Naveen: Estive com 20 CIOs esta semana, e o talento estava novamente no topo dos resultados da pesquisa como uma das principais restrições. Mas, na minha experiência, a causa raiz é muitas vezes o legado.

As organizações estão sobrecarregadas com sistemas legados, proliferação de SaaS, proliferação on-premise e complexidade arquitetônica. Com o tempo, seja por inércia ou por prioridades concorrentes, elas não tomaram uma ação decisiva para eliminá-lo. Mas manter os sistemas legados é insidioso. A modernização não só aumenta a velocidade, como os sistemas legados também drenam talentos. Fica mais difícil atrair e reter os melhores engenheiros quando seu trabalho principal é manter os sistemas funcionando em vez de construir sistemas modernos.

Toda vez que optei por modernizar — seja compute, armazenamento, arquitetura de dados ou camadas de aplicação — me arrependi de não ter feito isso antes. A modernização libera a produtividade, restaura o senso de missão e simplifica o ambiente. Sempre foi uma decisão sem arrependimentos.

Uma arquitetura moderna e aberta que permite que você conecte os melhores modelos de IA sem precisar desmontar e substituir seu stack oferece estes benefícios:

• Uma camada de governança unificada que reduz a complexidade da movimentação de dados.
• Simplicidade e velocidade ao reduzir a proliferação de ferramentas.
• A capacidade de focar os melhores talentos em trabalhos de alto valor em vez de em manutenção.

Essa é muitas vezes a verdadeira solução.

As decisões de plataforma que determinam a escalabilidade da IA

Catherine: Quais são as principais decisões de plataforma que mais determinam se a IA é escalável?

Naveen: Primeiro, a camada de dados. Tanto dados estruturados quanto não estruturados (que representam quase 80% dos dados corporativos). Você deve combinar ambos sob uma camada de governança comum. O ponto mais crítico é: leve os modelos até os dados, e não os dados até os modelos. Mover dados entre ambientes cria complexidade e desafios de controle. Uma arquitetura unificada simplifica o gerenciamento e melhora a segurança.

Também é essencial evitar se prender a um único provedor de modelo. Os modelos de fronteira estão evoluindo rapidamente. Um gateway de IA ou camada de abstração permite que você use vários modelos e escolha o melhor para a tarefa em questão.

Por fim, trate a IA como uma capacidade central, investindo pesado em observabilidade, qualidade, validação e testes. O desenvolvimento está acelerando. É nos testes que a disciplina importa. Você pode gastar 80% do seu tempo validando e refinando e apenas 20% construindo. E eu acrescentaria mais uma coisa: cada vez mais, o contexto e o estado importam. Os sistemas de IA precisam de memória e continuidade para que possam melhorar com o tempo.

Quando dados e IA não são mais conversas separadas

Catherine: Quais são as consequências de manter os executivos de negócios fora das iniciativas de dados e IA?

Naveen: Em muitas empresas, a estratégia de IA é liderada por equipes de dados. Mas também é um imperativo de negócios. Sem dados empresariais limpos e de alta qualidade, a IA não será útil em um ambiente corporativo. Laboratórios de ponta ensinam modelos na web. As empresas devem ensinar modelos em seus próprios dados. Ao mesmo tempo, a inovação pode acontecer na borda. Se você tiver um stack de dados e IA consistente com autenticação e controles de acesso adequados, as equipes podem construir agentes e aplicações com segurança sem fragmentar a arquitetura. A chave é a consistência e a governança por trás da inovação distribuída.

Onde a IA agêntica está pronta — e onde não está

Catherine: Quais fluxos de trabalho estão mais prontos para a autonomia de agentes?

Naveen: Além dos fluxos de trabalho de desenvolvimento de software, que são maduros no uso de IA, estamos vendo um grande sucesso nos fluxos de trabalho de entrada no mercado. As equipes de marketing e pré-vendas estão usando agentes para melhorar o alcance outbound e o direcionamento, muitas vezes superando os processos manuais.

Os agentes também se destacam ao processar grandes volumes de informações para apoiar decisões. Em vez de esperar semanas por relatórios ad hoc de analistas, os líderes podem consultar os dados diretamente e receber percepções rapidamente, tanto em dados estruturados quanto não estruturados.

Onde os agentes ainda não estão prontos é em fluxos de trabalho determinísticos que exigem 100% de consistência e precisão. A IA pode auxiliar, mas não deve substituir o julgamento humano. Também há o risco do que é chamado de “AI slop” — resultados que parecem plausíveis, mas carecem de profundidade. Os líderes devem aliar a adoção à supervisão.

Definindo o sucesso além do hype

Catherine: Como você define o sucesso ao escalar dados e IA?

Naveen: Eu me baseio em quatro dimensões:

1. Eficiência
2. Efetividade e impacto na receita
3. Qualidade dos resultados
4. Redução de riscos

Para sistemas de IA, também me concentro em entradas controláveis. Por exemplo, em um sistema de IA de vendas, qual porcentagem da entrada de dados agora é automatizada por um agente? Essa métrica de entrada deve se correlacionar com ganhos de produtividade. Ou, qual porcentagem das recomendações do agente são adotadas e qual é a eficácia delas em comparação com abordagens manuais? Você pode fazer testes A/B com elas. A redução do tempo de ciclo e a economia de custos são importantes, mas apenas no contexto de resultados de negócios mais amplos.

Um plano de 12 meses: Começar, Parar e Continuar

Catherine: Se você tivesse que dar aos seus colegas um conselho para os próximos 12 meses no modelo "começar, parar e continuar", qual seria?

Naveen: Eu diria para parar de alimentar o monstro do legado. Pare de tratar a governança e a segurança de IA como algo secundário. E evite substituir a proliferação de SaaS pela proliferação de agentes. Se os agentes não forem adotados ou não estiverem entregando valor, elimine-os.

Então, eu diria para adotar uma abordagem baseada em habilidades ou de jobs-to-be-done. Em vez de substituir aplicativos inteiros, identifique tarefas específicas que os agentes podem executar melhor. Construa credibilidade por meio de vitórias focadas. Mapeie sua jornada de engatinhar, andar e execução. E, por fim, eu diria para continuar investindo em dados e governança, especialmente para dados não estruturados. E o mais importante: mantenha o foco no negócio. Comece com o usuário, o cliente e o resultado. A tecnologia por si só não cria valor.

O ponto de inflexão executivo

O ponto de inflexão executivo trata-se de prontidão operacional, arquitetura moderna, governança unificada, testes disciplinados, resultados mensuráveis e alinhamento de negócios.

A IA se torna uma capacidade operacional quando passa da experimentação para a responsabilização — quando aparece em KPIs, linhas orçamentárias e decisões de arquitetura. As organizações que reconhecem essa mudança precocemente não irão simplesmente implantar mais IA. Eles construirão empresas que estejam estruturalmente prontas para isso.

Para saber mais sobre como construir um modelo operacional eficaz, baixe o Modelo de Maturidade de IA da Databricks.

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