O seminário do professor Avi Goldfarb, da Universidade de Toronto, sobre o valor econômico da IA. Goldfarb explicou que a melhor maneira de avaliar o impacto de uma tecnologia potencialmente transformadora é observar como a tecnologia reduz o custo de algo amplamente utilizado. Os computadores, por exemplo, reduziram drasticamente o custo de operações digitais como a aritmética, em várias ordens de grandeza. Como resultado, aprendemos a definir todos os tipos de tarefas em termos de operações digitais, por exemplo, transações financeiras, gerenciamento de estoque, processamento de texto, fotografia e outros. Da mesma forma, a internet reduziu o custo das comunicações e a Web reduziu o custo do acesso à informação, o que levou a um enorme aumento de aplicações baseadas em comunicação e informação, como streaming de música e vídeo e mídia digital.
Por este ponto de vista, a IA é essencialmente uma tecnologia de previsão, e seu impacto econômico é reduzir o custo e expandir o número e a variedade de aplicativos que dependem de previsões. Uma descoberta importante do relatório AI de 2022 foi que a IA está se tornando muito mais acessível e com melhor desempenho, levando à ampla adoção comercial de aplicativos baseados em IA. “Desde 2018, o custo para treinar um sistema de classificação de imagens diminuiu 63,6%, enquanto o tempo de treinamento melhorou 94,4%”, disse o relatório.
Goldfarb e seus colegas Ajay Agrawal e Joshua Gans publicaram sua pesquisa no livro de 2018 Prediction Machines: The Simple Economics of Artificial Intelligence. E recentemente, eles publicaram Power and Prediction: The Disruptive Economics of Artificial Intelligence.
“Quando publicamos Prediction Machines em 2018, pensamos que tínhamos dito tudo o que precisávamos sobre a economia da IA”, escreveram os autores no prefácio de seu novo livro. “Nós estávamos enganados. Definimos uma estrutura para a economia da IA naquele livro, que continua útil até hoje. No entanto, a estrutura das Máquinas de Previsão contou apenas parte da história, a parte das soluções pontuais. Nos anos seguintes, descobrimos que outra parte fundamental da história da IA ainda não havia sido contada, a parte dos sistemas. Contamos essa história aqui.”
“Embora estivéssemos focados nas propriedades econômicas da própria IA – reduzindo o custo da previsão – subestimamos a economia de construir os novos sistemas nos quais as IAs devem ser incorporadas”, acrescentaram. “Se tivéssemos entendido isso melhor, em vez de avaliar o cenário de proeza na produção de modelos de aprendizado de máquina de última geração, teríamos pesquisado o cenário de aplicativos focados em problemas de previsão onde os sistemas nos quais eles seriam ser incorporados já foram projetados para previsão de máquina e não exigiriam o deslocamento de previsões humanas.Teríamos procurado empresas que já empregassem grandes equipes de cientistas de dados que tivessem integrado a análise preditiva ao fluxo de trabalho da organização.”
Em sua busca por tais empresas, eles descobriram que as instituições financeiras estavam entre as mais prontas para implantar IA em escala em suas organizações porque já empregavam grandes equipes de analistas para prever uma variedade de comportamentos criminosos, incluindo fraude, lavagem de dinheiro e descumprimento de sanções. O mesmo aconteceu com as organizações de comércio eletrônico, cujo sucesso dependia de decisões importantes baseadas em dados, como recomendações personalizadas de produtos e gerenciamento inteligente de inventário. Vários outros setores adotaram a IA em áreas específicas, como a descoberta automatizada de medicamentos em produtos farmacêuticos e decisões de subscrição em seguros, mas, embora fossem soluções pontuais promissoras, não podiam ser consideradas soluções transformacionais para todo o sistema.
Como já vimos, nos últimos dois séculos, geralmente há um intervalo de tempo significativo entre a entrada de uma nova tecnologia e seu impacto transformador nas economias e sociedades. Leva um tempo considerável, muitas vezes décadas, para que essas novas tecnologias sejam amplamente adotadas. As tecnologias historicamente transformadoras têm um grande potencial desde o início, mas perceber esse potencial requer um repensar fundamental das organizações e grandes investimentos complementares, incluindo redesenho de processos de negócios; novos produtos inovadores, aplicativos e modelos de negócios; e a requalificação da força de trabalho.
Por exemplo, a produtividade do trabalho nos Estados Unidos cresceu apenas 1,5% entre 1973 e 1995. Esse período de baixa produtividade coincidiu com o rápido crescimento do uso de TI nos negócios, dando origem ao paradoxo da produtividade de Solow, uma referência ao economista Prêmio Nobel do MIT Robert Solow a piada de 1987: “Você pode ver a era do computador em qualquer lugar, menos nas estatísticas de produtividade”. Mas, a partir de meados da década de 1990, a produtividade da mão-de-obra nos EUA aumentou para mais de 2,5%, à medida que as tecnologias de internet em rápido crescimento e a reengenharia de processos de negócios ajudaram a espalhar inovações que aumentam a produtividade em toda a economia.
Da mesma forma, o crescimento da produtividade não aumentou até 40 anos após a introdução da energia elétrica no início da década de 1880. Demorou até a década de 1920 para as empresas descobrirem como reestruturar suas fábricas para aproveitar a energia elétrica com inovações de fabricação, como a linha de montagem.
A IA agora está emergindo como a tecnologia definidora da nossa era. As tecnologias de IA estão se aproximando ou superando os níveis humanos de desempenho em visão, reconhecimento de fala, tradução de idiomas e outros domínios, que, não muito tempo atrás, eram vistos como exclusivo dos humanos. Nos próximos anos, grandes avanços em aprendizado profundo e modelos de fundação levarão a aplicativos baseados em IA ainda mais impressionantes.
Ao mesmo tempo, as oportunidades para a IA melhorar a qualidade das decisões de negócios e criar valor econômico são ilimitadas, observaram Agrawal, Gans e Goldfarb em From Predictions to Transformations, um artigo da Harvard Business Review baseado em seu novo livro. “Mas como as decisões em uma área de uma organização geralmente têm impacto nas decisões em outras áreas, a introdução da IA geralmente envolve o redesenho de sistemas inteiros. Dessa forma, a IA é semelhante às tecnologias inovadoras do passado, como a eletricidade, que inicialmente foi usada apenas de forma restrita, mas acabou transformando a manufatura por completo”.
Em outras palavras, apesar de suas conotações de inteligência humana, a implantação generalizada de sistemas de IA em toda a economia seguirá um ciclo de vida semelhante ao das tecnologias historicamente transformadoras e exigirá um repensar fundamental de organizações, processos, modelos de negócios e talentos.
Deixe-me resumir alguns dos principais desafios na implantação de sistemas baseados em IA.
A mudança dos sistemas de IA leva tempo. “Apesar de algumas marcas alternativas, as novas tecnologias de IA são basicamente avanços nas estatísticas. Eles permitem prever resultados mais multifacetados e, ao fazê-lo, aproveitar dados que, de outra forma, poderiam não ser explorados. E suas aplicações iniciais foram focadas no que poderiam entregar imediatamente: previsões melhores e mais baratas do que os humanos estavam fazendo.”
O artigo argumenta que, embora a tradução de idiomas, a análise de imagens médicas e a detecção de fraudes financeiras sejam avanços impressionantes da IA, eles dificilmente são transformadores. “Eles se encaixam nos negócios existentes sem muito barulho, substituindo precisamente os humanos que tradicionalmente faziam previsões. Em todos os outros aspectos, os negócios permanecem inalterados.” Neste ponto, o impacto da IA está longe do impacto transformador da eletricidade ou TI.
A IA está mudando a tomada de decisões. “A maioria das decisões exige duas coisas do tomador de decisão: a capacidade de prever os possíveis resultados de uma decisão e julgamento. A previsão é amplamente baseada em dados. O julgamento é basicamente uma avaliação subjetiva de fatores contextuais que não são facilmente reduzidos a dados”.
O julgamento é a parte da tomada de decisão que, ao contrário da previsão, não pode ser explicitamente descrita e executada por uma máquina. Enquanto as previsões são geralmente baseadas em informações, o julgamento é baseado em fatores indescritíveis como intuição, sentimentos inconscientes ou analogias com situações um tanto semelhantes do nosso passado.
Com o tempo, descobriremos que muitas tarefas podem ser reformuladas como problemas de previsão. E, à medida que as previsões de máquina se tornam baratas e comuns, o valor do julgamento e de outras tarefas humanas que alavancam e complementam a previsão aumentará.
A IA muda a incerteza. “O valor da IA vem da melhoria das decisões ao prever o que acontecerá com fatores que, de outra forma, seriam incertos. Mas uma consequência é que suas próprias decisões se tornam menos confiáveis para os outros. A introdução da IA na cadeia de valor significa que seus parceiros terão que coordenar muito mais para absorver essa incerteza.”
Por exemplo, se os restaurantes adotarem a IA para uma previsão precisa da demanda, provavelmente desperdiçarão menos, venderão mais e se tornarão mais lucrativos. No entanto, seus fornecedores agora enfrentam maior imprevisibilidade porque os pedidos de restaurantes provavelmente mudam de semana para semana. Como resultado, os fornecedores precisam adotar a IA para prever melhor os pedidos de seus clientes, e suas incertezas de demanda agora são repassadas para os próximos níveis da cadeia de suprimentos.
Os sistemas de IA requerem coordenação com modularidade. “A adoção da IA geralmente envolve um sistema que encontra um equilíbrio ideal entre modularidade e coordenação. A modularidade isola as decisões em uma parte da organização da variabilidade – os efeitos cascata – que a IA cria em outras. Reduz a necessidade de confiabilidade. A coordenação, por outro lado, contraria a falta de confiabilidade que acompanha a adoção da IA.”
“A promessa da tecnologia de previsão da IA é semelhante à da eletricidade e da computação pessoal”, escreveram os autores em conclusão. “Como eles, a IA começou resolvendo alguns problemas imediatos, criando valor em aplicativos isolados e estritamente limitados. Mas, à medida que as pessoas se envolvem com a IA, elas identificam novas oportunidades para criar soluções ou melhorar a eficiência e a produtividade. … À medida que essas oportunidades forem concretizadas, elas criarão novos desafios que, por sua vez, proporcionarão mais oportunidades. Assim, à medida que a IA se espalha pelas cadeias de suprimentos e ecossistemas, descobriremos que todos os processos e práticas que consideramos normais estão sendo transformados – não pela tecnologia em si, mas pela criatividade das pessoas que a estão usando”.
