Cinco executivos compartilham suas maiores lições e melhores práticas para adoção de IA
por Christy Maver e Aly McGue
Dee Fitzgerald (CDO, Danone), Prem Natarajan (EVP, Chief Scientist, Capital One), Ratheesh Kamoor (Group VP, Head of Data and Analytics, Warner Bros. Discovery), Razal Minhas (VP, Data, Engineering and ML Platforms, Ford Credit), Murali Vridhachalam (VP, IT Head of Cloud, Data and AI, Gilead Sciences) e Arsalan Tavakoli (Co-founder and SVP of Field Engineering, Databricks) compartilham insights executivos em Leading the AI-Ready Enterprise.
O que é preciso para transformar a ambição em IA em resultados de negócios mensuráveis? Conversamos com executivos impulsionados por IA de marcas líderes para entender como eles estão pensando em ROI e valor tangível em suas iniciativas de IA – mantendo a governança em primeiro plano.
O que emergiu da discussão foi uma tensão compartilhada: os executivos sentem a pressão de implantar agentes rapidamente sem comprometer a confiança, a governança ou o controle de custos.
Agora passei a acreditar que a implantação é o primeiro passo na escada da IA para o céu… E tudo o que vem depois, o monitoramento, a observabilidade, a avaliação de desempenho, o aprendizado contínuo, esses são os passos que agregam valor. — Prem Natarajan, EVP, Chief Scientist na Capital One
Os líderes descreveram um "momento do possível" onde os avanços tecnológicos estão liberando a criatividade e mobilizando equipes em toda a empresa. Com a IA agora sendo uma prioridade no nível de CEO, as organizações estão indo além de simples experimentos para aprovar casos de uso impactantes, enquanto melhorias rápidas na precisão do modelo estão expandindo o escopo do que pode ser implantado quase mensalmente. À medida que os agentes orquestram fluxos de trabalho complexos e de várias etapas, as empresas descobrem que uma governança rigorosa é a base para a inovação.
A discussão revelou cinco práticas que qualquer organização pode adotar para escalar agentes de IA de forma responsável e eficaz:
Os líderes enfatizaram que a governança de dados e IA deve fazer parte do ciclo de vida do agente, não um ponto de verificação posterior.
Murali Vridhachalam, VP, IT Head of Cloud, Data and AI na Gilead Sciences, compartilhou que cada agente passa por uma revisão formal de risco:
Mesmo antes de um agente ser desenvolvido, ele precisa passar por uma avaliação de risco. E dependendo dos níveis de risco, as aprovações adequadas são obtidas. A coisa mais importante para nós é: como o framework de risco é integrado à experiência do usuário?
Como parte de uma estratégia abrangente de governança corporativa, algumas organizações estão estabelecendo conselhos de governança. Esses conselhos ajudam a definir a direção estratégica e as políticas para tópicos como propriedade e responsabilidade de dados, conformidade, qualidade de dados, risco e muito mais.
Ratheesh Kamoor, Group VP, Head of Data and Analytics na Warner Bros. Discovery, compartilhou como sua organização utiliza um conselho especializado para impedir que funcionários colem inadvertidamente PII sensíveis em ferramentas de IA, exigindo um "sinal verde" multifuncional de líderes C-level, jurídicos e técnicos para cada caso de uso. Como a IA é fundamentalmente probabilística, Razal Minhas, VP, Data, Engineering and ML Platforms na Ford Credit, enfatizou que a governança não pode ser uma "aprovação única", mas deve envolver reavaliação contínua para garantir que o perfil de risco de um modelo não tenha mudado devido a fatores ambientais externos.
Em última análise, essa supervisão centralizada evita o que Arsalan Tavakoli-Shiraji, Co-founder and SVP of Field Engineering da Databricks, chama de "proliferação" de métricas conflitantes, ancorando seus agentes em "definições certificadas" e dados padronizados, em vez de permitir que operem em "seis versões diferentes" da verdade.
Um tema recorrente entre os líderes foi a mudança estratégica em direção à orquestração de tarefas complexas por meio de agentes especializados. Em vez de simplesmente desconstruir o trabalho em partes simples, as organizações agora estão focando em impulsionar resultados de alto nível por meio de um framework multiagente que gerencia autonomamente fluxos de trabalho sofisticados e de várias etapas em toda a empresa.
Com agentes de IA, estamos saindo de uma abordagem de tarefa única para algo mais orquestrado e baseado em resultados. Por exemplo, integração de funcionários – há várias tarefas… emissão de um laptop ou registro do funcionário no Workday. Agora é integração de funcionários baseada em resultados, que está executando autonomamente tarefas independentemente em diferentes sistemas. — Murali Vridhachalam
Natarajan observou que os benefícios reais vêm quando você pode automatizar essas tarefas: “Se você puder trazer um modelo de IA que seja realmente capaz de cuidar de uma tarefa especializada específica por conta própria… as possibilidades são infinitas quando você olha ao redor e diz, quantas tarefas complexas posso decompor em tarefas menores e realizáveis, nas quais posso pegar um modelo de IA especializado… e realmente automatizar fluxos de trabalho complexos?”
À medida que as equipes expandem sua curiosidade e uso de ferramentas de IA, há uma necessidade crescente de sandboxes cuidadosas e ambientes controlados. Esses ambientes serão espaços sancionados para as equipes auditarem o desempenho dos agentes em relação a sistemas legados, sem arriscar operações em tempo real.
Razal Minhas, da Ford Credit, descreveu como sua organização executa "capacidades ocultas onde algo está em produção. Mas… está rodando silenciosamente em segundo plano como um desafiante."
Essa abordagem permite que as organizações validem a precisão antes que um agente sequer toque em um fluxo de trabalho do cliente. Ao reservar espaço para experimentação, os líderes podem incentivar sua força de trabalho a testar hipóteses ousadas e descobrir novo valor, mantendo o "raio de explosão" da experimentação firmemente contido.
Todos os executivos concordaram que a adoção acelera quando as primeiras vitórias são concretas e repetíveis.
Um exemplo concreto dessa abordagem é da Capital One, onde a equipe priorizou o "Chat Concierge", uma ferramenta voltada para o cliente para concessionárias de automóveis. Essa aplicação representa uma "maneira de baixo risco, mas útil" de validar software agentivo no mundo real.
Essa abordagem medida permite que organizações como a Capital One estabeleçam vitórias iniciais e construam a confiança institucional necessária para aplicações mais complexas. Como Natarajan colocou, ver essas ferramentas em ação "desencadeou a criatividade em um lugar onde todos agora são empiristas."
A implantação responsável requer a preparação dos funcionários para colaborar efetivamente com os agentes. Dee Fitzgerald, Chief Data Officer na Danone, compartilhou insights sobre como mais de 90.000 funcionários, muitos dos quais trabalham na fábrica ou na linha de frente, estão transformando seu trabalho com IA: "Gastamos muito tempo treinando e aprimorando como fazer prompts."
Interfaces de linguagem natural dentro da plataforma são essenciais para permitir que usuários não técnicos trabalhem com dados e IA de forma segura, sem exigir conhecimento de SQL ou Python.
Uma mensagem unificadora em toda a mesa redonda: a IA agentiva só funciona quando dados, governança, orquestração e computação residem dentro de uma arquitetura única e segura. Os líderes apontaram repetidamente para a necessidade de produtos de dados certificados, guardrails consistentes e uma plataforma que possa implantar e monitorar agentes em fluxos de trabalho diversos.
Veja a discussão completa para saber como os líderes estão operacionalizando agentes em fluxos de trabalho de RH, finanças, cadeia de suprimentos e criativos – e quais passos sua organização pode dar nos próximos 90 dias para implantar agentes de forma responsável e acelerar o impacto nos negócios.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.