Modelos operacionais para IA empresarial

À medida que a IA se incorpora aos processos de negócios essenciais, as conversas executivas estão se voltando para a durabilidade. Para os líderes técnicos, a questão não é mais se a IA pode agregar valor, mas se a organização está estruturada para apoiá-la ao longo do tempo.

Conversei com Dael Williamson, diretor de tecnologia da EMEA, para explorar o que realmente distingue as empresas que levam a AI a sério daquelas que estão simplesmente experimentando.

O que surgiu foi uma view do modelo operacional da IA empresarial, destacando onde a estrutura e a propriedade são mais importantes do que as escolhas tecnológicas.

Os sinais que indicam que uma organização leva a IA a sério

Catherine Brown: Quando você entra em uma organização que está investindo seriamente em AI, o que você procura primeiro em seu modelo operacional e nas escolhas de plataforma?

Dael Williamson: A maioria das organizações hoje reconhece que a AI é real e que ela é importante. O que varia é a clareza com que esse compromisso se manifesta no modelo operacional.

A primeira coisa que eu observo é a responsabilidade. Quem é o responsável pelos dados e quem é o responsável pela IA, e quão próxima essa responsabilidade está do CEO. Se os dados e a IA forem de responsabilidade direta do CEO ou de alguém próximo a ele, isso sinaliza um alto nível de importância estratégica. Na maioria das vezes, a propriedade está vários níveis abaixo e, em muitos casos, os dados e a IA pertencem a grupos totalmente diferentes.

Quando a IA está estruturalmente distante dos dados, o resultado tende a ser casos de uso estáticos e experiências fragmentadas. Mas o mundo em que as organizações operam é dinâmico. O tráfego muda. Os mercados mudam. As cadeias de suprimentos flutuam. Se os dados e a IA estiverem separados, torna-se muito difícil responder a essa realidade em tempo real.

A segunda coisa que procuro é se a organização tem um inventário de seus ativos de dados. Embora os ativos financeiros e físicos sejam bem documentados, muitas organizações ainda estão amadurecendo a forma como catalogam e compreendem os ativos de dados. Em muitos casos, as organizações não sabem ao certo quais dados possuem, onde eles estão ou quão valiosos podem ser.

O terceiro sinal é a amplitude com que a organização define os dados. Muitos ainda pensam em dados principalmente como tabelas estruturadas ou logs. Mas imagens, e-mails, ferramentas de colaboração (documentos, planilhas) e código contêm percepções operacionais valiosas. As organizações que expandem sua definição de dados tendem a gerar muito mais valor ao longo do tempo.

Por que a proximidade entre dados e IA é importante

Catherine: Muito do que você descreveu se resume ao quão intimamente os dados e a IA estão conectados. Por que essa proximidade é tão importante na prática?

Dael: Quando os dados e a IA operam na mesma base, as organizações podem dar suporte a casos de uso mais dinâmicos. Quando estão separados, a IA tende a depender de entradas mais lentas e estáticas.

Ferramentas tradicionais de governança e catálogo são muito eficazes no gerenciamento de dados estruturados, mas têm dificuldade com fontes não estruturadas e que mudam rapidamente. Esse é um dos motivos pelos quais expandir o escopo da governança de dados é difícil, e pelos quais inventários de dados abrangentes ainda são raros.

Se você está tentando resolver problemas como modelagem de liquidez, risco de crédito ou resiliência da cadeia de suprimentos, você precisa que a AI trabalhe diretamente com dados oportunos e continuamente atualizados. Caso contrário, a tomada de decisões é sempre adiada, e as percepções chegam depois do momento em que são mais úteis.

Catherine: Como as empresas líderes estão estruturando a relação entre as equipes centrais e a área de negócios?

Dael: O líder responsável por dados e IA precisa de um lugar na mesa executiva e precisa ter um profundo entendimento de como esses sistemas realmente funcionam. A IA se comporta de maneira diferente do software tradicional, e as organizações se beneficiam quando a liderança reflete essa realidade.

Quando se trata de ferramentas, as empresas líderes resistem à tentação de depender exclusivamente de recursos de IA incorporados em dezenas de ferramentas SaaS. Embora essas ferramentas possam melhorar a produtividade individual, elas raramente ajudam as equipes a trabalhar de forma coesa entre as funções. Com o tempo, essa abordagem tende a reforçar inconsistências existentes em definições, métricas e processos.

Ao mesmo tempo, essas organizações estão repensando a equação 'construir versus comprar'. Elas não pretendem construir tudo internamente, mas também evitam o aprisionamento tecnológico excessivo. Portabilidade, transparência e controle sobre os ativos de dados e de IA são cada vez mais importantes.

As organizações bem-sucedidas também gerenciam as iniciativas de IA como um portfólio. Nem todo projeto é bem-sucedido. Alguns precisam ser pausados. Outros justificam investimento adicional. Tratar a AI como um portfólio de apostas, em vez de um roteiro linear, permite que as organizações se adaptem à medida que a tecnología e as condições de negócios evoluem.

Como será o modelo operacional de IA empresarial daqui a três anos

Catherine: Olhando para o futuro, como você espera que os modelos operacionais de IA empresarial mudem nos próximos três anos?

Dael: A maioria das organizações ainda estará em algum estágio de transformação, mas uma das maiores mudanças será a redução da lacuna tradicional entre a TI e os negócios. As equipes de negócios se tornarão mais fluentes tecnicamente, e as equipes técnicas se alinharão mais estreitamente com os resultados de negócios. Essa mudança já está em andamento e continuará.

Como resultado, é provável que as organizações de TI mudem de tamanho e formato. Historicamente, a TI tem se concentrado na gestão de riscos, na governança e na complexidade operacional. A AI é cada vez mais eficaz nessas áreas, especialmente em cibersegurança, suporte de IT e compliance.

Quando as organizações também reduzem a complexidade legada e se afastam de ecossistemas de fornecedores isolados, os modelos operacionais começam a mudar de forma mais fundamental. As equipes se tornam menos definidas pelos sistemas que usam e mais pelos resultados que entregam.

Com o tempo, isso pode levar a organizações mais enxutas ou à criação de unidades totalmente novas focadas em novas formas de criação de valor. A forma exata como isso acontecerá será diferente para cada empresa.

Como as habilidades e os cargos evoluem em uma empresa orientada por IA

Catherine: Esse tipo de mudança no modelo operacional tem grandes implicações para os talentos. Para nossa última pergunta, como você vê a evolução das habilidades e dos cargos?

Dael: Muitas organizações de TI continuarão a encolher, em grande parte porque grande parte da tecnologia empresarial ainda é construída sobre sistemas de décadas que são caros de manter. Ao mesmo tempo, o ciclo de vida de desenvolvimento de software está mudando. Tarefas que antes consumiam a maior parte do esforço, como a codificação manual, são cada vez mais assistidas por AI. Agora, mais tempo é gasto em avaliação, testes comportamentais, barreiras de proteção e monitoramento contínuo.

Essa mudança aproxima as equipes de negócios e técnicas. As equipes de negócios se envolvem mais na definição e validação do comportamento. As equipes técnicas se concentram mais em resultados, confiabilidade e governança. Novos cargos estão surgindo em torno da observabilidade, orquestração e supervisão de sistemas. Esses cargos geralmente combinam habilidades técnicas, operacionais e organizacionais e nem sempre vêm de formações de engenharia tradicionais.

A própria gestão também está evoluindo. À medida que a IA assume mais trabalho administrativo, a gestão se volta para a análise, o julgamento e a melhoria de como o trabalho flui. O pensamento crítico se torna essencial. As pessoas que se sentem à vontade para experimentar, aprender e se adaptar se sairão bem. E mentalidades analíticas e científicas serão cada vez mais valiosas à medida que as organizações navegam nesta transição.

Considerações finais

A prontidão da IA empresarial é, em última análise, uma decisão de modelo operacional. Líderes que estão fazendo progresso sustentado têm uma responsabilidade executiva clara sobre dados e IA, tratam os dados como um ativo conhecido e governado e garantem que a IA trabalhe diretamente com dados oportunos e compartilhados, em vez de por meio de transferências fragmentadas. Elas gerenciam as iniciativas de IA como um portfólio, não como um pipeline, com disciplina sobre onde investir, pausar ou parar. E elas organizam as equipes em torno da avaliação, supervisão e resultados, em vez de ferramentas ou projetos. As organizações que terão sucesso não serão aquelas que preveem o futuro da IA com mais precisão, mas aquelas construídas para se adaptar à medida que ela muda.

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

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