Que a maioria dos projetos de inteligência artificial têm falhado você já deve saber. Também deve ter pelo menos ouvido falar que boa parte dessas falhas é consequência da falta de arquitetura de dados, de querer implantar inteligência artificial sem ter entendido um real problema de negócio que justificasse o investimento, ou, ainda, por querer implantar apenas quando tiver o estado da arte de uma arquitetura de dados (o que pode levar 4 anos de trabalho). 

Em conversa com o Coletivo Tech, o cofundador e general manager da Physa, Gustavo Fróes, passa por esses pontos, mas traz alguns alertas importantes sobre o olhar que precisa ser lançado em projetos do tipo. Ele também argumenta sobre o papel do CIO, que precisa estar cada vez mais ligado à estratégia do negócio ou mesmo sobre como encara o perfil profissional para projetos de sucesso. Na visão dele, ter consultores que sabem de tudo um pouco – e assim eles são treinados na Physa – faz toda a diferença em projetos complexos e que demandam interlocução constante com as áreas de negócio. 

Receita de bolo para resolver os 95% de projetos de IA sem ROI não há, seja pela diversidade de setores ou mesmo pelas particularidades de cada empresa, mas nos trechos da conversa que você lerá a seguir, existem bons argumentos para pelo menos não iniciar o próximo investimento sem pensar em questões do negócio a serem resolvidas, agilidade com responsabilidade e dados minimamente tratados. 

Vitor Cavalcanti – Boa parte dos projetos de IA falham pelo não entendimento do problema de negócio. Uma vez entendido o desafio, seja na tomada de decisão ou aplicação em analytics, existe um roteiro mais adequado que a gente pode sugerir para se ter resultado com esse investimento em inteligência artificial?

Gustavo Froes – Você tocou no ponto crucial que é o analytics, que, quando funciona bem, ele vem de trás para frente, mas raramente é assim. Pega a quantidade de dados que eu tenho, traz mais dados, compra dados externos, coloca tudo no data lake, tenta achar em sites e aí vê o que que vai dar. Esses são os projetos que ficam anos e anos, você fica procurando dados para achar coisas e você não sabe o que está procurando.

Então quando eu começo de trás para frente, falo assim: “Olha, qual o problema de negócio que eu tenho? Quais são as decisões mais relevantes que eu tomo que realmente fazem diferença aqui no meu negócio?” Eu, por exemplo, faço muito projeto para varejo, e escolher quais produtos que eu vou ofertar, quanto que eu compro de cada um, qual preço que eu vou cobrar, onde eu aloco isso nas lojas, nos canais, são decisões que fazem diferença.

Tendo essas decisões, qual é a melhor caminho? E se eu pudesse tomar decisões desse jeito, eu faria a diferença? Para eu tomar desse jeito, quais dados que eu preciso? Quais são os sistemas? Quais inputs, quais são os outputs, qual que é o melhor modelo para poder resolver isso? Tem problemas que eu resolvo com modelos preditivos, tem coisa que é modelos de otimização, tem hora que é simulações. Entender bem qual modelo é mais adequado também faz diferença.

E aí tem todo o desafio de habilidade que você precisa para colocar isso na prática. No fundo, são pessoas de negócio que vão tomar essa decisão, não é o cientista de dados. Entender de negócios, de change management que precisa ser feito, ter uma visão mais holística dessa jornada como um todo ajuda bastante a ter mais sucesso. Além disso, é preciso fazer as perguntas certas. Qual que é o foco aqui, porque você pode entrar num buraco sem fundo; vai investigando, investigando, trazendo mais variável, e às vezes não é o problema que de fato que você precisa resolver.

VC – É impressionante como essa questão das perguntas certas, ela vai e volta em vários em vários pontos do projeto. Ela é importante no começo, para você tomar uma decisão, e na hora do uso da inteligência artificial, assim como era na época do analytics, quando surgiu análise preditiva. Lembro que muitas empresas falhavam porque não tinha equipe capaz de produzir questionamentos corretos.

GF – Esse é o ponto que todo mundo fala sobre substituir a força de trabalho, mas tem certas habilidades que me parecem muito mais perenes, tipo entender qual é o problema, conhecer de negócios, e isso é importante. Uma coisa que a gente tem, por exemplo, dentro da empresa e que é muito importante, é a mesma pessoa entender bastante de modelagem, de análise de IA, entender de tecnologia – porque essas decisões você precisa tomar em escala, então, você precisa construir uma arquitetura em volta disso – e entender de negócio, para entender quais são os tradeoffs que eu preciso modelar de fato.

Nos projetos que a gente pega, é muito comum um cientista de dados saber apenas estatística. Aí você tem a pessoa que sabe matemática, que vai fazer modelo de utilização. Tem um translator, que eu chamo, que é o que faz eles conversarem de alguma maneira. Tem o profissional que entende do negócio. Só que a pessoa de negócio, muitas vezes, não sabe o suficiente para decidir o que é possível e onde realmente a tecnologia ajuda. O de ciência de dados, olha quase tudo como se fosse um vetor Y, uma matriz X, e faz o que o modelo tá mandando, mas não entende de negócio suficiente para saber os tradeoffs. Você ter algumas pessoas que têm conhecimento de todos esses pontos faz muita diferença no projeto.

Ninguém tem paciência nem resiliência de ficar investindo 4 anos sem ver nenhum resultado

VC – Essa multidisciplinaridade de conhecimento é importante mesmo. Agora, voltando na questão do CIO. Eles estão sendo bastante pressionados, seja pelo CEO, seja por conselho, às vezes a própria área de negócio, porque as pessoas querem utilizar IA. Do que você conversa com clientes, você tem visto alguma forma, não digo uma receita de bolo, mas uma maneira de avançar nesse contexto de pressão sem parecer resistente ao novo?

GF – Esse negócio é complexo porque tem muito hype em volta de IA. Você saber onde que tem valor, onde não tem, é difícil, principalmente, quando as coisas são novas. Esse hype ajuda de alguma maneira porque traz investimento, e lá na frente a gente vai descobrir o que que valeu a pena. 

Eu vejo nos casos que eu trabalho que tem mudado um pouco o perfil desses CIOs, são pessoas com visão mais voltada ao negócio que à tecnologia em si. Antes era muito a pessoa de tecnologia e sistema, implementação de SAP, de Oracle. E tinha várias governanças, muito time, em vez de ser uma área meio de serviço ali que ajuda o negócio. Hoje parece que tem CIOs mais conectados, alguns que vem até do negócio e entende tecnologia, mas entende que é uma área que precisa dar resultado. 

O CIO que tem mais conhecimento de negócio, coloca a estrutura de TI para realmente atender o negócio. E projetos como de AI precisam ser ágeis, demanda muita interação. Nesse sentido, o papel do CIO deveria ser mais de dar essa estrutura do que fazer um projeto de IA. Isso, para mim, deveria vir mais das áreas de negócio. Eu penso assim: quem no varejo de moda, por exemplo, define qual produto que vai comprar, quanto que compra, qual preço que eu cobro, tudo é área de negócio. Então, é uma inteligência que ela precisa desenvolver, ela devia estar liderando isso e não o CIO, o CIO deveria dar o suporte, infraestrutura, os dados que ele precisa. É algo meio em conjunto, multifuncional. 

VC – Essa interação e suporte são essenciais mesmo. Mas você cita a questão dos dados. A gente sabe que inteligência artificial sem uma estrutura adequada e sem dados não é nada. Independentemente de onde está o dado. O que tenho visto é que muitos projetos de IA falham ou não são iniciados, porque as empresas não têm essa arquitetura de dados adequada. Dá a sensação de que foi algo negligenciado.

GF – Em boa parte dos meus projetos, eu diria que parte importante das horas gastas é em encanamento e elétrica, ou seja, ficar conectando o dado, limpando o dado e trazendo o dado certo. Se o dado é ruim, a saída do modelo vai ser ruim. Mas a questão dos dados sempre foi um problema difícil de resolver, porque você tem milhares de pessoas tomando decisões diferentes com suas planilhas e eu sei que conectar isso tudo é difícil. 

Aí temos dois mundos: um onde eu saio fazendo IA com os dados que eu tenho e vou ter os problemas que a gente comentou aqui. E tem um mundo de que preciso ter todos os dados conectados, perfeitos, comprar as fontes externas para eu começar um projeto. Então vou ficar 3, 4 anos fazendo essa infraestrutura. É o mundo ideal e funcionaria, mas ninguém tem paciência nem resiliência de ficar investindo 4 anos sem ver nenhum resultado.

Em nossos projetos, o que a gente vê que tem sucesso é uma marcha que a gente chama de Go Wide e Go Deep. Go Wide é essa parte da tecnologia de infraestrutura, trazer os dados, a nuvem que tem ali por trás da arquitetura dos sistemas e tudo que você tem que pensar e tem que ir construindo. O Go Deep é eu pegar uma decisão que seja relevante da empresa e aplicar analytics bem avançado, mas até o final mesmo, para realmente trazer o modelo, entender como é que eu tomo essa decisão. Aí esses dados não vão estar prontos, vou ter que pegar a área, o Excel da área de marketing e fazer, mas eu preciso mostrar um caso rápido aqui, alguma coisa que tem valor de fato para o negócio. Se eu tiver esses dados adequados, o modelo realmente vai tomar decisões inteligentes e vai fazer diferença. Em vez de eu gastar milhões estruturando todos os dados, eu foco, e 90% desses dados às vezes eu nem preciso.

VC – Falando especificamente de analytics, é algo que sempre apareceu em prioridade de investimento.  Hoje, de forma geral, você acha que a gente tem uma maturidade melhor no uso de ferramentas de analytics? Pergunto isso até tendo em mente que não somo s uma sociedade da prevenção, da tomada de decisão baseada em dado.

GF – A maturidade em si, eu vejo pouca ainda. Temos uma infinidade de dados, uma riqueza absurda, mas pouco utilizada, muito por causa dos problemas que a gente está discutindo: o que é hype, o que gera valor, por onde começo, tenho que aplicar qualquer modelo de IA?

Você pode criar uma capacidade interna para desenvolver e é difícil ter esse tipo de recurso. Eu posso comprar um software, um sistema que fala que resolve esse problema. E aí começam as questões. Acho que IA tem poder absurdo, realmente melhora bastante o que você consegue fazer, mas a computação e a IA funcionam bem em problemas mais específicos. A gente pode até entrar na questão de GenAI, de como é que funciona, mas especificidade é onde o computador faz muito bem. 

No fundo, tudo precisa ser muito customizado para poder funcionar bem para uma empresa. Se um software desses realmente resolvesse todos esses problemas, já tinha dominado o mercado. 

Adoraria ser software porque é mais escalável

VC – Mas falando do trabalho de vocês especificamente, o que que é o diferencial quando você fala de analytics e IA aplicada comparado com o que outras consultorias ou empresas de software oferecem?

GF – Em relação à consultoria, eu acho que o diferencial é que a gente tem realmente uma pegada bem mais técnica do que consultorias de gestão em geral. Mas existem outras que se posicionam igual a gente e têm conhecimento técnico. Mas o que eu vejo de maior diferencial é algo interno da nossa empresa, algo que por acidente aprendi ainda na End-to-End Analytics (empresa onde ele trabalhou no Vale do Silício e na subsidiária brasileira) e acabou propagando para a cultura da Physa que é esse aprendizado multidisciplinar na mesma pessoa. Todos os meus consultores sabem tecnologias, estatística, otimização, mas sabem comunicar e conhecem de negócio. A gente treina todo mundo em tudo. 

Quando tenho tudo muito segmentado, eu tenho profissional muito especialista só de otimização, outro só de estatística, esses conhecimentos ficam espalhados em pessoas diferentes. Por melhor que cada um deles seja em relação a um consultor meu naquele assunto, o fato de estarem espalhados parece fazer diferença para poder conectar as coisas. Para o projeto ter sucesso, é muito mais a integração das funções, dos sistemas, que o modelo em si. E você conseguir integrar isso tudo e criar algo que realmente funcione na prática faz diferença.

VC – Muito do seu diferencial está na forma como você treina seus talentos. E quando falamos com CIOs, a falta de talentos está entre as principais barreiras para implantar IA. Que tipo de dica você poderia dar para as empresas? Como vocês têm ajudado clientes a driblar esse desafio?

GF – Um dos nossos valores, inclusive, é deixar nossos clientes bastante independentes, até porque a gente conhece nossa limitação e tamanho e não consegue atender o cliente o resto da vida. O jeito de fazer isso nos projetos é ajudar o cliente inclusive a entrevistar alguns profissionais para trazer para dentro. Trabalhamos lado a lado com o cientista de dados dele, essa pessoa se torna parte do meu time no projeto, vai ter tarefas e a gente vai ficar discutindo ali porque o melhor modelo é esse, qual é a melhor função matemática aqui para essa situação, discutindo o projeto junto com o problema de negócio. 

A gente abre os códigos para os clientes, que podem dar manutenção; a gente explica linha a linha. Mas é um desafio, dado isso tudo, a gente nunca conseguiu fazer o cliente ficar totalmente independente. Isso é meio até contraintuitivo, quanto mais complexidade a gente coloca no sistema, mais fácil fica, sabe? Quanto mais complexidade eu consigo abstrair e deixar o sistema pensar, deixo para o usuário um output bem fácil de usar, mas é complexo chegar nessa visão. 

E visualmente você tem que ver por que ele (sistema) chegou nessa decisão, porque ela faz sentido e ela é melhor decisão. E se eu testar isso no histórico, eu vejo que isso funcionaria muito bem. Além disso, vamos medir para a frente, ver o que é que está acontecendo, ver se estou chegando nos indicadores de negócio que eu falei que ia chegar e isso vai se retroalimentando e dando mais confiança. Mas é um desafio grande. Porque eu também tenho dificuldade de contratar, de treinar e é pouco escalável. Eu adoraria ser software porque é mais escalável de fato, é um modelo de negócio mais rentável até. Mas o problema do software é que a gente vê que a IA funciona muito bem quando é muito específico para aquela situação e aí o software é mais genérico.