Diretor do Gartner revela como escolher a IA ideal para empresas

A integração da inteligência artificial (IA) nas empresas exige estratégia, com a ferramenta certa para a tarefa certa e o propósito adequado. Deepak Seth, diretor analista do Gartner, destacou durante a Conferência Gartner Data & Analytics em São Paulo que a adoção massiva de copilots pode levar a um uso inicial elevado, seguido por uma queda no interesse dos usuários. A chave é focar nos 70% dos funcionários que podem se tornar produtivos com o apoio de especialistas.

O Desafio da Adoção de IA nas Empresas

Seth explicou que apenas 10% dos empregados sabem como usar uma nova tecnologia de imediato. Outros 10% permanecem resistentes à mudança. O grande desafio, então, é capacitar os 70% restantes, que precisam de orientação para integrar a IA em suas rotinas de trabalho. Para isso, é essencial o suporte de líderes e especialistas que mostrem como a IA nas empresas pode aumentar a produtividade.

As empresas podem adotar a IA de três formas distintas:

• Criando sua própria IA.
• Adicionando IA de terceiros em seus produtos.
• Combinando IA própria com IA de terceiros.

A decisão sobre qual caminho seguir recai sobre os líderes de dados e analytics, os CDAOs (Chief Data & Analytics Officer). Atualmente, uma análise do Gartner revela que apenas 35% das empresas optam por construir e combinar IA, enquanto a maioria (65%) prefere usar IA própria ou incorporada de terceiros.

Modelos de IA e a Mudança de Paradigma

A construção de modelos de inteligência artificial também está passando por uma transformação. Antes, a tendência era utilizar uma vasta quantidade de dados para criar um modelo de linguagem amplo, visando aprimorar a entrega de produtos e serviços. No entanto, Seth acredita que o futuro reside em ter os dados certos, no tamanho adequado, para tarefas específicas. Essa visão impulsiona o avanço dos modelos pequenos de linguagem (SLM) e modelos especializados por setor.

“Inicialmente, a regra era clara: quanto maior o modelo e mais dados, melhor o resultado. As empresas de IA anunciavam modelos com 500 milhões, 1 bilhão, até 2 bilhões de parâmetros. Mas agora, percebemos que tamanho não é sinônimo de efetividade”, afirmou Seth. Ele exemplificou que uma farmacêutica não precisa de um LLM (Large Language Model) com habilidades literárias, mas sim de um modelo treinado em dados de saúde e fármacos. Inclusive, a tecnologia de câmeras com IA promete mais segurança em eventos.

Essa transição dos LLMs para os SLMs e modelos específicos é gradual, mas já está em curso. Seth acredita que, em breve, será comum o uso de modelos com baixo consumo de dados, voltados para setores como o automotivo, financeiro e de transportes.

A Importância dos Dados Certos

Jorg Heizenberg, VP e analista do Gartner, complementa que, com a popularização da IA, muitas organizações focaram em armazenar grandes volumes de dados em data lakes e data warehouses. No entanto, essa estrutura nem sempre é a mais eficiente.

“O foco agora é garantir que os dados estejam prontos e alinhados com seu propósito. É preferível ter os dados certos do que todos os dados possíveis. Essa é a grande mudança de mentalidade”, concluiu Heizenberg. Essa mudança de foco pode ser comparada à necessidade de dados precisos no desenvolvimento do Framework D1 para aceleração da inteligência artificial.

Este conteúdo foi auxiliado por Inteligência Artificial, mas escrito e revisado por um humano.

André Luiz

André atua como jornalista de tecnologia desde 2009 quando fundou o Tekimobile. Também trabalhou na implantação do portal Tudocelular.com no Brasil e já escreveu para outros portais como AndroidPIT e Techtudo. É formado em eletrônica e automação, trabalhando com tecnologia há 26 anos.