O primeiro ano do ChatGPT é apenas o começo de uma revolução permanente de IA. Aqui está o que sua empresa deve fazer para se preparar

O primeiro ano do ChatGPT O início de uma revolução da IA que veio para ficar. Descubra como sua empresa pode se preparar.

Google agora diz que seu próprio modelo GenAI, Gemini, em breve terá uma capacidade computacional cinco vezes maior que a do GPT-4 e potencialmente 20 vezes maior no próximo ano. Para empresas, o GenAI provavelmente não é um salto tecnológico isolado, mas o primeiro de uma série de avanços rápidos que não mostram sinais de diminuição. Nessa nova realidade, quando as empresas conseguirem integrar os atuais LLMs, já estarão ficando para trás na próxima onda de tecnologias GenAI – e na próxima depois disso.

Essa nova realidade de mudança constante é verdadeiramente uma revolução permanente, parafraseando o revolucionário russo Leon Trotsky. A revolução ocorre porque as mudanças que ela traz são muitas vezes súbitas e em grande escala. É permanente porque a velocidade do avanço da IA continuará excedendo o ritmo de aprendizado das organizações, fazendo com que as empresas fiquem cada vez mais distantes da tecnologia de ponta.

Enquanto a revolução dos PCs deu tempo suficiente para as empresas alcançarem eventualmente, o último ano mostra que alcançar é improvável na era da IA. Isso se deve em parte ao fato de que os avanços em IA prometem ser autossustentáveis, em que cada avanço repercute em sistemas novos e antigos, refinando-os e melhorando o desempenho, alterando a forma como vivemos e trabalhamos, e redefinindo o que consideramos possível. Não há um estado final para a revolução permanente da IA – pelo menos não um que possamos esperar em um futuro próximo.

A ideia de que vivemos em uma revolução permanente da IA significa que os esforços de transformação das empresas têm maior probabilidade de ter sucesso quando projetados com uma intenção dual: adoção bem-sucedida de tecnologias maduras e prontidão para experimentação acelerada com tecnologias inovadoras. Já que as empresas continuam aprendendo em um ritmo mais lento do que a tecnologia avança, o sucesso dependerá em grande parte da taxa relativa de aprendizado de um negócio – que, por sua vez, depende de sua capacidade de se tornar um dos primeiros a adotar as tecnologias previsíveis que estão por vir. Hoje, para empresas que trabalham na adoção de LLMs independentes, esse desafio se manifesta na forma de moldar os planos de transformação baseados em LLMs com vistas à chegada do próximo passo – agentes autônomos.

• A lenda do futebol Cristiano Ronaldo é o mais recente mega astro do...
• Dirigir em Manhattan custaria US$ 15 sob o plano de precificação de...
• A acessibilidade habitacional é a pior em décadas. Ela melhorará em...

O próximo disruptor são os agentes autônomos

Os grandes avanços tecnológicos do passado – desde a invenção da máquina a vapor até os computadores pessoais e a internet – capacitaram os humanos ao aumentar suas capacidades físicas e computacionais. As tecnologias de inteligência artificial de hoje, no entanto, expandem o domínio do aumento tecnológico para áreas antigamente consideradas exclusivamente humanas, como a criatividade. A maestria da IA geradora naquilo que era considerado distintamente humano significa que ela impacta a identidade profissional dos trabalhadores do conhecimento de maneiras que nunca antes vimos, prenunciando um futuro muito diferente do mundo de hoje.

Para ter uma ideia de como essa nova realidade pode ser, vamos tomar como exemplo os agentes autônomos, a próxima fronteira mais disruptiva da revolução permanente da IA. Embora a IA já esteja evoluindo e exija cada vez menos intervenção humana, os agentes autônomos dispensam completamente essa intervenção.

Diferentemente dos LLMs atuais, os agentes autônomos precisam de um objetivo inicial, mas não de instruções iterativas. Em vez disso, eles usam uma configuração de sistemas (incluindo LLMs) para desmembrar objetivos complexos em tarefas individuais e dar instruções a outros sistemas para executar essas tarefas. Uma vez definido um objetivo geral, os agentes autônomos são capazes de planejar como executar as tarefas necessárias para alcançá-lo, incluindo criar suas próprias instruções, monitorar os resultados, tomar decisões e gerenciar o trabalho até a conclusão da tarefa.

Por exemplo, um agente autônomo pode analisar interações anteriores com clientes e os resultados de cada uma e aprender, por conta própria, qual é a melhor maneira de responder a clientes. Usando GenAI, o agente pode criar uma campanha inteira de marketing por e-mail personalizada com base em dados de campanhas anteriores. Isso inclui, por exemplo, tomar decisões sobre design de e-mail, agendamento, gráficos e assunto, e então executar essas decisões interagindo diretamente com sistemas externos, como o CRM. Ele até mesmo pode escolher sozinho quem deve ser o alvo da campanha com base em respostas a campanhas anteriores e decidir se o número de aberturas, visualizações, cliques e respostas é significativo o suficiente para relatar à gerência. Em um futuro próximo, um único agente autônomo poderá desempenhar o papel de uma equipe inteira de marketing digital.

Agentes autônomos ainda não estão prontos para uso generalizado nas empresas, mas eles estão claramente no horizonte imediato. Especialistas estimam que agentes autônomos estarão prontos para se tornarem populares em três a cinco anos. Na verdade, há apenas algumas semanas, a OpenAI lançou seus chatbots personalizados, capazes de usar chamadas de interface de programação de aplicativos (API), onde um aplicativo solicita dados ou serviços de outro para recuperação de informações e execução de ações simples por meio de sistemas externos. Esses sistemas não são agentes autônomos no sentido literal, pois ainda não conseguem operar com base em metas de ordem superior. No entanto, eles são fortemente indicativos da trajetória do desenvolvimento do GenAI, desde LLMs independentes até agentes autônomos capazes de perceber e agir em seu ambiente para atingir um objetivo específico.

A chegada de agentes autônomos terá amplas implicações para indivíduos, equipes e organizações inteiras. Os indivíduos precisarão se atualizar com frequência, pois os requisitos mudam rapidamente junto com a automação maior até mesmo de tarefas complexas. As estruturas de equipe e configurações de funções precisarão se adaptar rapidamente diante da automação de fluxos de trabalho completos. As organizações também estarão sujeitas a mudanças constantes e recalibração necessária, à medida que a automação traz uma crescente comoditização das fontes de vantagem competitiva de hoje.

Se não há um estado final, como você pode se preparar?

Em um mundo de revolução permanente, a prudência exige que os líderes estejam constantemente atentos ao que está por vir, mesmo que as aplicações comerciais exatas de uma tecnologia em estágio inicial ainda não sejam aparentes. Assim que novas tecnologias surgirem no horizonte, é imperativo que as empresas desenvolvam planos de transformação robustos para facilitar a adoção da próxima onda de tecnologias. Empresas que decidem adiar o planejamento em torno de agentes autônomos até que se tornem populares correm o risco de ficar para trás, um déficit que será agravado por novos desenvolvimentos atualmente imprevisíveis nas tecnologias de IA.

Há uma oportunidade real aqui para as empresas começarem a aprender a aprender: isto é, tratando agentes autônomos como um teste para verificar se a empresa está no caminho da adaptação genuinamente pronta para o futuro, de modo que ela possa desenvolver habilidades organizacionais para se tornar ainda mais rápida na adoção do que vier depois dos agentes. Então, como as empresas que já estão no processo de transformação para adotar os atuais LLMs independentes também se preparam para agentes autônomos? Seus planos de transformação do GenAI precisam ser robustos em quatro dimensões principais: arquitetura de tecnologia, força de trabalho, modelo operacional e políticas.

Arquitetura. Empresas que trabalham com a adoção do GenAI hoje estão investindo na configuração de sua arquitetura de dados para garantir que os LLMs possam recuperar dados de todos os sistemas empresariais. Para se preparar simultaneamente para agentes autônomos, é crucial estabelecer fluxos de informações bidirecionais que permitam que os agentes tomem ações usando esses sistemas, e não apenas extraiam informações deles. Para fazer isso, ao desenvolver novas ferramentas e tecnologias, as empresas devem garantir que estejam criando APIs bidirecionais que possam transmitir instruções compreensíveis para um agente, além de executar as instruções de um agente.

Força de trabalho. À medida que o GenAI domina um conjunto cada vez maior de tarefas, as empresas precisarão calibrar seu planejamento estratégico de força de trabalho para contratar e treinar pessoas com habilidades que promovam o uso e a supervisão eficazes dos LLMs. Agentes autônomos levantam a possibilidade de automação de fluxos de trabalho completos, em vez de tarefas discretas. Isso significa que equipes funcionais e de unidades de negócios inteiras precisarão ser reconfiguradas, com o potencial de reduzir significativamente os requisitos e custos de mão de obra no futuro. Para avaliar sua preparação, as empresas devem testar e simular situações de automação de fluxo de trabalho de ponta a ponta cada vez maiores.

Modelo operacional. A chegada de agentes autônomos provavelmente transformará em comodidade as fontes atuais de vantagem competitiva, tornando importante que as empresas desenvolvam sua capacidade de realizar prototipagem rápida para casos de uso de agentes autônomos. Mais importante ainda, os modelos operacionais das empresas precisarão ser estabelecidos antecipando a automação progressiva das funções de planejamento pelos agentes. A implantação inicial de agentes provavelmente exigirá supervisão humana próxima, mas o equilíbrio de funções e responsabilidades deve se deslocar em favor dos agentes à medida que eles se tornarem mais confiáveis e sofisticados. Quanto mais o modelo operacional de uma empresa estiver configurado para permitir essa mudança progressiva desde o início, mais provável será que a empresa colha todos os benefícios da automação impulsionada por agentes.

Políticas. Garantir uma licença social para o uso de qualquer nova tecnologia, especialmente uma disruptiva, é crucial para seu sucesso. Essa necessidade será especialmente aguda com agentes autônomos tomando e implementando decisões com supervisão humana mínima ou inexistente. A regulamentação formal pode levar tempo, mas, para gerar e manter uma aceitação generalizada pela sociedade, as empresas devem ser extremamente vigilantes na aplicação de diretrizes para garantir o uso seguro e apropriado. Até que a regulamentação esteja em vigor, a autorregulação, como demonstrado por inúmeras indústrias no passado, também é um passo responsável que ajudará na busca de uma licença social. No entanto, a autorregulação por si só não é uma solução sustentável a longo prazo. As organizações devem se envolver ativamente com os órgãos reguladores para ajudar a elaborar a abordagem correta para governar e monitorar o uso dessas tecnologias emergentes.

Conclusão

A velocidade do avanço da IA generativa uma vez que atinge o uso generalizado mostra que adotar uma abordagem de esperar para ver em relação a novas tecnologias emergentes não é mais uma opção. O estado constante da interrupção causada pela rápida evolução da tecnologia se resume a uma revolução permanente em que as empresas devem se preparar para o previsível – agora. Isso não significa simplesmente perseguir o que há de mais recente, mas recalibrar para maximizar a adaptabilidade – na infraestrutura de dados da organização, no planejamento de força de trabalho e nas operações. Para as empresas, o que pode parecer desafios distintos de adoção tecnológica de IA são, na verdade, uma maratona em alta velocidade.

Leia outros artigos de François Candelon.

François Candelon é diretor executivo e sócio sênior do escritório de Paris do Boston Consulting Group e diretor global do BCG Henderson Institute (BHI). Mikhail Burtsev é um Fellow de IA no Instituto de Ciências Matemáticas de Londres. Gaurav Jha é um consultor no BCG e embaixador no BCG Henderson Institute. Dan Sack é diretor executivo e sócio do BCG X, divisão de construção e design de tecnologia do Boston Consulting Group. Leonid Zhukov é diretor do BCG Global A.I. Institute e está baseado no escritório de Nova York da BCG. David Zuluaga Martínez é sócio do BCG e embaixador no BCG Henderson Institute.