A Inteligência Artificial (IA) é um dos temas mais discutidos no mundo corporativo, especialmente após o lançamento do ChatGPT em 2022. A adoção da tecnologia tem sido uma demanda recorrente para gestores de TI, mas o sucesso não acompanha o entusiasmo: 85% dos projetos de IA falham. O motivo principal? As empresas frequentemente embarcam na implementação sem compreender quais dores de negócio desejam solucionar, resultando em desperdício de tempo e recursos.
Em qualquer aplicativo de rede social e até nas mídias mais tradicionais, a
Inteligência Artificial (IA) é comentada a todo momento. Acredito que qualquer
gestor de Tecnologia de qualquer segmento, já recebeu inúmeros pedidos para
implantação de projetos de IA, especialmente após a apresentação do
ChatGPT em 2022.
A pressa na adoção da IA pode comprometer o sucesso
Freqüentemente, os negócios desejam implementar novas tecnologias, mas falham ao identificar corretamente os desafios que pretendem solucionar. Muitas vezes, sequer sabemos por onde começar. Esse é o ponto crítico em que muitos projetos de IA desmoronam: não conhecer o negócio, suas principais dores e como formular hipóteses para as predições podem ser extremamente danosas. Apenas adotar modelos genéricos não garantirá o retorno ou os recursos desejados pela alta liderança.
Além disso, é essencial compreender que projetos de IA são, na verdade, projetos de dados. A maior parte do esforço – cerca de 80% do trabalho – é dedicada à engenharia de dados, envolvendo atividades como aumento, limpeza, rotulagem e incremento dos dados para o treinamento necessário do modelo.
Como gerenciar projetos de IA para evitar falhas?
Os desafios na implementação exigem uma abordagem estratégica. Para projetos que não serão baseados exclusivamente em modelos genéricos ou em Retrieval Augmented Generation (RAG) – técnica que combina bases de conhecimento e ajustes de modelos para responder a desafios específicos –, é fundamental definir quais problemas o modelo deve resolver .
Essa definição orienta toda a criação do backlog e os incrementos do projeto. Após identificar as dores e validar se a IA é a melhor abordagem, a etapa seguinte é determinar quais dados são necessários para sua implementação. Muitas vezes, os dados fundamentais podem estar dispersos em planilhas, e-mails ou até sensores industriais, o que representa um grande desafio para cientistas e engenheiros de dados.
Gestão ágil e frameworks adequados
Dado o alto grau de incerteza, uma abordagem ágil se mostra mais eficaz, pois possibilita ciclos curtos de feedback e incrementos iterativos. Como os prazos são difíceis de estimar e exigem métodos mais exploratórios que incrementais, a gestão deve ser ajustada para evitar falhas, mesmo quando há clareza nas dores do negócio e coerência nos dados levantados.
Com a semelhança entre projetos de IA e projetos de dados, algumas empresas adotam CRISP-DM como metodologia para gerenciar as fases de criação do modelo, treinamento e testes até a inferência em produção. Outras tentativas de adaptação do Scrum, mas sua estrutura pode ser prejudicial devido à dificuldade na estimativa de prazos. O ideal é ajustar métodos para atender às particularidades dos projetos de IA.
Estruturação do backlog e cognitivamente eficiente
Para um projeto de IA bem estruturado, o backlog deve conter três categorias principais:
- Histórias de dados: relacionadas à coleta, estruturação e organização de bases de dados.
- Histórias de usuários: para entender as necessidades e requisitos do negócio.
- Hipóteses para predições: para testar modelos e validar variações.
As iterações devem ser organizadas de forma para garantir ciclos de medição, construção e aprendizado. Se um parâmetro não trouxe a acuracidade esperada, é necessário avaliar novas abordagens, aprendendo com os resultados. A cooperação das iterações deve ser leve, mas eficiente, com reuniões ajustadas conforme a necessidade do tempo. Recomenda-se que o escopo de uma iteração não ultrapasse 30 dias, garantindo entregas contínuas e evitando que o projeto seja amplo demais para ser gerenciável.
Conclusão: IA não é um modismo, mas exige estratégia
Para garantir que um projeto de IA seja bem-sucedido, é essencial:
- Definir claramente as dores do negócio antes da implementação.
- Avaliar se a IA é realmente necessário e evitar projetos baseados apenas no hype.
- Garantir a existência (ou previsão) de dados suficientes para o modelo.
- Ajustar a metodologia de gestão para lidar com as incertezas perigosas aos projetos de IA.
- Contar com uma equipe comprometida e alinhada com os objetivos do projeto.
Seguindo essas recomendações, as chances de sucesso aumentam, possibilitando que seu projeto esteja entre os 15% bem-sucedidos, e não nos 30% que, segundo o Gartner, serão abandonados até 2025 .
Projetos de IA precisam de dados estruturados, estratégia clara e uma gestão ágil e adaptável. Sem isso, o fracasso é quase inevitável.
Siga o Itshow no LinkedIn e assine a nossa News para ficar por dentro de todas as notícias do setor de TI e Telecom!
