Em um mundo cada vez mais orientado por dados, a adoção de tecnologias tem se mostrado um divisor de águas para empresas em todos os setores. Isso ficou ainda mais evidente com a popularização da Inteligência Artificial Generativa (AI Gen), que provocou, em um espaço tão curto de tempo, uma mudança significativa na forma como pensamos sobre inovação e os desafios e oportunidades que ela traz. Esta tecnologia não só oferece a capacidade de gerar novas ofertas, produtos e serviços, mas também coloca um poder sem precedentes nas mãos das organizações, permitindo avanços consideráveis.
No entanto, a empolgação com essas possibilidades, frequentemente, esconde uma verdade essencial: sem um planejamento claro, mesmo as tecnologias mais avançadas podem falhar em alcançar todo o seu potencial. Pode-se observar isso pelo Ciclo de Hype do Gartner, de 1995, definido como um modelo que descreve como novas ferramentas evoluem desde a introdução até a maturidade. Ele começa com a inovação inicial e grande entusiasmo, levando a expectativas exageradas e altos investimentos. Quando os resultados não correspondem às expectativas, o interesse diminui, e os investimentos retraem — este é o "Vale da Desilusão". Em seguida, ocorre uma fase de recuperação, onde as aplicações práticas começam a emergir e a tecnologia se estabiliza, culminando em uma adoção mais madura e produtiva.
Esses ciclos foram muito visíveis nos últimos anos, tanto Big Data quanto Machine Learning (ML), que passaram pelas fases de hype e desilusão, são bons exemplos. No auge, diversas empresas investiram pesadamente em Big Data, mas muitos projetos não alcançaram os resultados esperados, levando a uma retração dos investimentos em 2013 e 2014, de acordo com o Gartner. A recuperação veio com um foco em aplicações práticas que mostraram valor real. O ML, por sua vez, obteve grandes investimentos entre 2016 e 2017, mas também enfrentou sua fase de desilusão devido à complexidade técnica e falta de profissionais qualificados. A recuperação foi mais custosa, exigindo investimentos adicionais em capacitação e desenvolvimento de algoritmos para alcançar resultados consistentes.
Agora, ambas, Big Data e ML, já superaram a fase de recuperação. Empresas como Intel e IBM demonstraram valor real ao focar em aplicações práticas e sustentáveis, resultando em melhorias operacionais e novas oportunidades de receita. No caso do ML, foram necessários investimentos contínuos em capacitação e algoritmos robustos. Hoje, essas tecnologias otimizam processos e melhoram a tomada de decisões. Existem aprendizados superimportantes que devem ser utilizados no novo ciclo que estamos vivendo: é necessário criar estratégias de dados com governança para uma melhor potencialização de resultados.
Nesse momento, estamos vivendo a fase da AI Gen. Diferente da ML, que opera com base em algoritmos que aprendem com grandes quantidades de dados para realizar tarefas específicas, desde simples automações até complexas análises preditivas, a AI Gen não se limita a analisar dados, mas é capaz de "criar" conteúdo completamente novo a partir do que foi aprendido. Essa capacidade faz dela uma ferramenta poderosa para inovação e personalização em larga escala, pois possibilita trabalhar com uma habilidade criativa, de experimentação, onde o ser humano é um "copiloto" dessa experiência. Hoje, é possível criar os AI "Workers", que podem desenvolver tarefas com base em regras ou até mesmo aprendizado ao longo do tempo. Gosto de pensar que a AI Gen permite abrir a caixa de Pandora, enquanto a ML trabalha na eficiência de resultado específico.
Com relação à eficiência, em todos os casos, ML, AI Gen e Big Data, existe um fator imprescindível para o sucesso: uma estratégia de dados robusta. Esta estratégia não apenas abrange a coleta e armazenamento de dados, sua limpeza e integração, que são as partes técnicas usualmente pensadas quando se fala de dados, mas também um entendimento claro dos objetivos estratégicos da companhia para um desdobramento de como essa estratégia de dados será montada, considerando negócio, tecnologia, governança e pessoas. Organizar isso em um planejamento não só dá um direcionamento claro, mas também aponta os caminhos a serem perseguidos para que a empresa obtenha os resultados esperados.
Novamente, não se trata de um tema isolado, pois toda a estratégia de dados por trás disso vem da estratégia de negócios. A governança de dados, portanto, deixa de ser uma mera formalidade ou para uso regulatório, é um componente central da estratégia de dados de uma empresa. Uma boa governança assegura que os dados são acessíveis, consistentes, seguros e utilizáveis, enquanto estão em conformidade com as regulamentações pertinentes. Isso é especialmente importante para a AI Gen, onde a qualidade e a integridade dos dados podem influenciar diretamente na criação de novos conteúdos. Empresas que implementam rigorosas políticas de governança de dados podem, assim, garantir que suas iniciativas de AI sejam não só eficazes, mas também éticas e legalmente defensáveis.
De volta para o momento atual, a fase da AI Gen está no pico de suas expectativas infladas, com investimentos em startups de AI Gen totalizando US$ 14,1 bilhões na primeira metade de 2023, superando, em mais de cinco vezes, o total de 2022 segundo o Gartner. Ferramentas como o Chat GPT impulsionaram essa onda de investimentos, mas espera-se que a tecnologia também passe pelo vale da desilusão. A diferença, agora, está na escala e velocidade dos investimentos, que são, significativamente, maiores, além dos riscos mais complexos envolvendo segurança, privacidade e regulação.
Conseguir passar pelo momento de hype sem cair profundamente no vale da desilusão é tratar esse movimento como uma jornada, não um destino. É essencial o entendimento do estado atual da empresa e de sua maturidade analítica para desenvolver uma estratégia de dados robusta que alinhe com os objetivos de negócio, abordando aspectos de governança de dados que garantam segurança, privacidade e conformidade regulatória. Capacitar a equipe com as habilidades necessárias e aplicar AI Gen a casos de uso específicos, também permitirá que as organizações naveguem pelo ciclo de hype com maior eficiência, resultando em um retorno de investimento mais sustentável e produtivo.
Portanto, empresas que ainda não têm os dados governados ou não estão em um caminho para ser uma empresa orientada por dados e por AI devem deixar de explorar esse universo da AI Gen? Não, muito pelo contrário, usar a AI Gen vai garantir uma série de benefícios e resultados, mas o grande potencial está nos dados e, para isso, é necessário ter estratégia e pensar nos investimentos para potencializar os resultados. Com um pilar fundamentado em governança, a inovação pode ser feita de modo sustentável e íntegro a longo prazo.
Matheus Anversa, fundador e CEO da Dojo, empresa do Grupo FCamara.
