Enterprise AI
A Enterprise AI é a aplicação deliberada da IA no coração de uma organização: assente nos seus próprios dados, moldada pelas suas políticas e integrada nos sistemas e processos que as equipas utilizam todos os dias.
Na Parte I, vimos duas formas como a adoção de IA nas organizações pode correr mal.
A Shadow AI coloca a IA fora do perímetro da organização. As pessoas usam-na porque as ajuda a fazer o seu trabalho, mas a organização não consegue ver o que está a ser utilizado, que dados estão a ser partilhados nem o que está a ser aprendido. A organização assume o risco sem colher o benefício.
A Shallow AI coloca a IA dentro da organização, mas apenas dentro de cada área funcional. Cada equipa passa a ter a sua própria ferramenta inteligente, mas a inteligência termina nos limites dessa ferramenta. A organização melhora nas tarefas isoladas sem melhorar nos processos que as ligam.
A Enterprise AI resolve ambos os problemas ao tornar a IA parte da própria organização. Coloca a IA onde o trabalho acontece, dá-lhe o contexto que a organização já possui e permite que o que se aprende numa área funcional seja útil noutra.
Resolver a Shadow AI
Os colaboradores recorrem a ferramentas não aprovadas porque essas ferramentas resolvem o problema que têm à frente. Não é a aprovação que torna uma ferramenta útil. Uma alternativa mais lenta, mais difícil de usar ou isolada dos dados de que o trabalho precisa será simplesmente contornada.
A resposta é dar às pessoas IA que valha verdadeiramente a pena usar no trabalho que mais importa: modelos suficientemente bons para serem a primeira coisa a que recorrem, ligados aos dados e sistemas que o trabalho exige, dentro dos controlos de segurança e das políticas que a organização escolheu.
Quando o caminho seguro é também o caminho útil, deixa de haver uma escolha a fazer. Ninguém tem de decidir entre concluir o trabalho e cumprir as regras, porque deixam de ser decisões distintas.
É esta a diferença que a Enterprise AI faz, e é mais ampla do que parece. Dentro da organização, o contexto já lá está. Grande parte do trabalho com uma ferramenta pública consiste em juntar as peças: encontrar o ficheiro, perceber qual das três versões é a atual, colá-lo e depois explicar do que se trata. Uma IA que já tem o registo do cliente, os tickets em aberto e o histórico do que foi resolvido da última vez dispensa tudo isso. O problema é descrito uma vez e a resposta chega com o nível de detalhe de que o trabalho realmente precisa.
Conhece também o negócio da organização, coisa que nenhuma ferramenta pública faz. Um modelo externo a quem se pergunte como funciona o processo de escalamento ou como o produto se comporta num caso-limite específico apenas pode tentar adivinhar, porque está a raciocinar sobre um negócio que nunca viu. Uma resposta aparentemente segura, mas errada, sobre a própria organização é uma alucinação com base na qual alguém irá agir, precisamente porque se trata do tipo de detalhe que ninguém se lembra de confirmar.
Além disso, pode agir com a autoridade da organização. Ligada aos sistemas onde o trabalho já decorre, atualiza o ticket, escreve o resumo no registo do cliente e abre a alteração para revisão, com as mesmas permissões da pessoa que fez o pedido. Uma ferramenta externa ou não consegue aceder a esses sistemas, obrigando alguém a transferir manualmente o resultado, ou lá chega através de uma ligação criada em privado por um colaborador, sem um modelo de permissões nem rasto das alterações efetuadas.
O conhecimento criado ao longo do processo também fica guardado. Com uma ferramenta pública, a parte útil do trabalho permanece com a pessoa e com a ferramenta utilizada: que informação foi relevante, o que foi excluído e o que tornou aquele caso diferente. A Enterprise AI integra esse conhecimento nos sistemas da própria organização, para que continue disponível mesmo depois de a pessoa que realizou o trabalho ter saído.
Perante isto, a ferramenta não aprovada deixa de ser a opção útil. É apenas um modelo capaz a trabalhar a partir do conteúdo fornecido, cego àquilo que ficou por dar, e a devolver o resultado ao colaborador para que este o coloque onde é necessário. A Shadow AI não desaparece por imposição de políticas. É ultrapassada por uma alternativa melhor.
Mas trazer a IA para dentro da organização não significa que esse conhecimento acompanhe automaticamente o trabalho. Pode continuar preso ao sistema ou à área funcional onde foi criado. A organização tem a inteligência, mas continua a ter de a fazer passar de uma área funcional para outra. É esse o problema da Shallow AI.
Resolver a Shallow AI
A Shadow AI foi ultrapassada por haver uma alternativa melhor. Aqui não existe uma alternativa a ultrapassar. As ferramentas aprovadas não são mais lentas, não são mais difíceis de utilizar nem estão isoladas dos dados de que a sua própria área funcional precisa. Cada uma é boa no trabalho para o qual foi adquirida. O problema é que a ferramenta foi limitada a uma área funcional, enquanto o trabalho atravessa várias. O que tem de mudar não é a qualidade de cada ferramenta, mas aquilo a que a inteligência está ligada: ao processo, em vez da área funcional; ao caso, em vez do registo mantido por um sistema em particular.
Retomemos o exemplo do cliente da Parte I. O apoio ao cliente investiga e o que aprende fica associado ao caso, em vez de permanecer na ferramenta de apoio: o que foi reproduzido, o que foi excluído, de que conta se trata e o que aconteceu nas duas últimas ocasiões. A engenharia abre o mesmo caso com todo esse contexto intacto, em vez de começar a partir do resumo de uma investigação que não consegue consultar. Não há nada para reconstruir antes de o trabalho propriamente dito começar. A correção é publicada. A equipa comercial não está a assistir a dois acontecimentos separados por três semanas; consegue ver o verdadeiro estado do trabalho sem ter de perguntar a ninguém.
Nada disto representa uma quarta ferramenta, nem exige um sistema que saiba tudo. A IA do apoio ao cliente pode continuar especializada e adaptada ao trabalho dessa área funcional. O que muda é o local onde o caso reside. O caso pertence à organização, e não à ferramenta que o abriu. Assim, quando o trabalho atravessa uma fronteira, o que foi aprendido atravessa com ele, incluindo o raciocínio que nunca chegou a ser um campo no sistema de ninguém. A inteligência organiza-se em torno do processo, em vez de ficar presa dentro da ferramenta.
Isto é mais difícil do que comprar uma ferramenta, e a dificuldade não é técnica. Exige que a organização tenha descrito o processo: por onde o trabalho passa, o que deve acompanhá-lo, que exceções são reais e quais existem apenas por hábito. A maioria das organizações nunca formalizou este conhecimento. As regras não escritas que tornam impossível comprar um processo transversal são as mesmas que têm de se tornar explícitas antes de se poder construir uma solução. Esse trabalho não é um custo da Enterprise AI. É o que torna a Enterprise AI possível: uma organização a aprender a descrever-se a si própria.
Desta forma, os ganhos acumulam-se em vez de se dispersarem. A organização não tem de se descrever por inteiro de uma só vez; descreve um processo, e esse trabalho facilita o seguinte. Cada processo que a organização descreve passa a ser uma base para o próximo. O que uma equipa aprende deixa de pertencer apenas a essa equipa.
É também por isso que nenhum fornecedor consegue entregar tudo. É possível comprar modelos e plataformas, e a maior parte das ferramentas individuais vale a pena comprar. O que não está à venda é a camada que sabe como funciona este negócio em concreto: que passagens de conhecimento são importantes, que dados são sensíveis, que exceção é rotina e qual delas exige chamar alguém. Comprar uma ferramenta por área funcional não altera essa camada, e é aí que a maioria das iniciativas de adoção de IA fica pelo caminho.
E é aí que a vantagem perdura. Uma ferramenta disponível para todos não confere vantagem a ninguém; quando um concorrente pode adquirir a licença do mesmo assistente nessa mesma tarde, qualquer vantagem que este ofereça será absorvida pelo mercado num trimestre. A camada que está por cima é diferente, porque é construída à volta de um negócio em concreto: os seus dados, os seus processos e aquilo que já faz melhor do que qualquer outro. Mais demorada de construir e impossível de adquirir.
A Shadow AI deu à organização exposição máxima e proveito mínimo. A Shallow AI deu-lhe cobertura máxima e profundidade mínima. A Enterprise AI é o que lhe dá as duas coisas: proveito máximo e profundidade máxima.
Como a Lynxmind pode ajudar
É aqui que entra a Lynxmind. Trabalhamos com as organizações para construir essa camada: a parte que conhece o negócio desta organização em particular e que nenhum fornecedor lhe pode entregar pronta. O primeiro passo é descrever o negócio: retirar um processo da cabeça das pessoas e torná-lo suficientemente explícito para servir de base a uma solução. É um trabalho que fazemos consigo, não por si.
A partir daí, concebemos e construímos a solução de ponta a ponta: os agentes, os modelos e os fluxos de trabalho, bem como a infraestrutura de IA, a segurança, a governação e o modelo de implementação que os sustentam. A integração faz parte do trabalho, mas ligar sistemas não é o objetivo. O objetivo é dar à IA o contexto, o acesso e a capacidade de atuação de que precisa para se integrar na forma como se trabalha. Quer funcione na cloud, quer no seu próprio ambiente, quer em ambos, cada capacidade fica no sítio certo, sujeita aos controlos que a organização já exige.
O resultado é uma IA que faz mais do que produzir uma resposta. Leva o conhecimento e as regras da própria organização para o trabalho e melhora nos processos em que participa. Começamos por um processo; o seguinte fica menos dispendioso graças ao primeiro.
