Inteligência Artificial: do barato​ ao estratégico.​

img

A Primeira Vez

Até o Plano Cruzado (1994), a maioria das empresas no Brasil focava em operações financeiras de curtíssimo prazo como o “overnight” (aplicações no dia 1 e resgate no dia seguinte) e o “float na arrecadação” (aplicação dos valores a recolher de impostos por alguns dias, antes do recolhimento obrigatório ao governo). As corporações que recebiam à vista eram altamente beneficiadas, muitas vezes lucrando mais com isso do com sua atividade-fim. Vivi esse período numa multinacional de cigarros, cujas vendas eram 95% à vista e o caixa diário de USD 500MM. A chegada do Plano Real trouxe um grande desafio: como mudar o perfil das aplicações, de curtíssimo prazo para curto e médio prazos, mantendo a rentabilidade e a liquidez?

Foi quando ouvi falar pela primeira vez em “Inteligência Artificial”. Nessa época não havia consultorias ou startups voltados para essa tecnologia, apenas instituições acadêmicas. Assim, contratamos uma universidade e seu depto. especializado (PUC-RJ, ICA) para tentar resolver o problema. Após análise, a equipe optou pelo uso dos chamados “Algoritmos Genéticos”. Lembro-me também de ter sido apelidado de “Inteligente Artificial” pelos colegas financeiros, céticos do sucesso dessa tecnologia… Resultado: criamos um modelo que calculava mais de 1000 fluxos de caixa, em até 5 minutos encontrando o fluxo mais rentável. Os resultados foram tão impressionantes que, em 1997, foram objeto de artigos no Jornal do Commercio, na Computer World e em publicações científicas especializadas (1), (2).

O que é Inteligência Artificial?
A bem da verdade, os algoritmos relacionados à evolução darwiniana já existiam desde 1950 (3), tendo sido refinados por vários cientistas no decorrer do tempo. É o que o marketing chama hoje de “Inteligência Artificial”, “Data Analytics”, “Machine Learning”, “Big Data” e similares.

Mas o que é realmente Inteligência Artificial? Uma das definições que considero mais adequadas é a de Agarval, Gans e Goldfarb (4): “Inteligência Artificial são tecnologias de predição”, sendo que “predição é a capacidade de gerar informação faltante”. Como economistas, esses autores possuem uma visão mais ampla que a meramente tecnológica. Eles contextualizam o uso da IA para a tomada de decisões na economia. E nesse sentido, quanto melhor a previsão, melhor e mais barato o processo decisório. Para os economistas, não existe uma “Nova Economia”, uma vez que os fundamentos e desafios econômicos permanecem os mesmos. O que a Internet trouxe na realidade foi a redução de custos de se fazer negócios. O custo das previsões diminuiu, sua qualidade aumentou, e hoje a IA é capaz de transformar o escopo e a escala dos modelos de negócio, como veremos adiante.

Quais as questões estratégicas que IA traz?
Como mencionado anteriormente, o advento da Internet e da IA resultou num custo menor de se fazer negócios e de se prever o futuro, suscitando várias reflexões estratégicas:

IA e Modelos de Negócio
O negócio atual da Amazon é do tipo “compra-e-entrega”. Mas o que acontecerá quando a Amazon obtiver um grau de assertividade de 90% nas previsões de compra de seus clientes (hoje é de 5%)? Há uma grande possibilidade do modelo tornar-se “entrega-e-compra”! Porque? Porque o custo das devoluções (estoques, logística, SAC, sistemas) será menor do que o aumento correspondente nas vendas. Empresas que agregam informações online e offline de seus clientes, de forma granular e usando os modelos de IA adequados, conseguirão prever o comportamento de seus clientes e atendê-los antes mesmo deles solicitarem. Não é à toa que a Amazon entrou com uma patente em 2013 para uma tecnologia de “despacho antecipado”…

IA e o Escopo do Negócio
As empresas de aviação americanas United e a American Airlines optam por manter suas rotas regionais, mesmo havendo empresas como American Eagle e a SkyWest, especializadas nesse tipo de rota. A razão para isso é que, no caso de mau tempo, as grandes empresas não dependem das regionais para reprogramar seus vôos. O que está em jogo é a incerteza sobre o tempo. Quanto mais essas previsões se aprimorarem, mas as grandes empresas poderão sub-contratar as regionais, reduzindo assim seus ativos e mantendo o nível de atendimento.

IA e Capital
Estudos feitos pelos economistas Sharon Novak e Scott Stern (6) demonstraram como as empresas de automóveis de luxo conseguiam lançar novas versões mais rápido, fabricando diretamente suas partes. Em contraposição, os fabricantes que sub-contratavam a produção de suas peças lançavam automóveis com menos problemas de qualidade. No entanto, caso ferramentas de IA fossem usadas, identificando as principais tendências dos consumidores de forma antecipada, a empresa poderia abrir mão de verticalizar a produção (fábricas próprias de peças) e reduzir seu custo de capital.

IA e Mão-de-Obra
Conforme já discutido anteriormente, a disponibilização dos algoritmos de Inteligência Artificial reduziu os custos de previsão. Com isso, o valor relativo da capacidade de julgamento aumenta, destacando o papel decisório da mão-de-obra nas tarefas corporativas. Essa será uma expectativa crescente sobre os colaboradores. As empresas deverão prover o treinamento necessário para tal, assim como recrutar e manter perfis mais alinhados com o de tomadores de decisão. As avaliações de desempenho terão que ser individualizadas, com critérios específicos, relacionados aos tipos de decisão de cada colaborador.

IA e Dados
A maior parte das empresas de bens de consumo necessita comprar dados, por não ter acesso direto ao seu público consumidor. Empresas como a L’Oréal, por exemplo, não tem condições de saber diretamente o comportamento das vendas em todos os seus canais (exceto os próprios), tendo que adquirir informações de empresas especializadas. Já empresas como Google e Facebook, por outro lado, optaram por construir e manter infra-estruturas de dados, uma vez que o custo de aquisição dessas informações seria muito maior. Esse é um tradeoff que as empresas precisam fazer: até que ponto devem continuar adquirindo dados externos ou criar e manter suas próprias estruturas de dados, para gerar previsões que agreguem valor?

IA e Venda de Previsões
Há casos em que empresas que possuem vastas bases de dados desejam monetizá-las, porém sem perder a propriedade dos mesmos. A solução que encontraram foi vender previsões sobre esses dados. Microsoft, Google e Facebook, por exemplo, inserem os anúncios das empresas pagantes onde seus algoritmos identificam o público-alvo mais propenso à compra. Outro exemplo de estratégia de monetização de previsões foi a da TWC (The Weather Channel), empresa americana de mídia criada em 1980. Ela descobriu que seus dados e previsões valem muito mais do que simplesmente informar se haverá chuva, sol ou neve: 1/3 terço da economia americana depende das previsões de tempo. O Walmart, por exemplo, afirmou que essas informações são fundamentais para seus modelos preditivos de vendas. A TWC hoje é um conglomerado de empresas focadas em extrair valor de seus dados e de suas previsões (7).

Onde a IA pode ser melhor empregada que os humanos?
Essa é uma discussão que não caberia num simples artigo, porém vale à pena entender alguns conceitos e suas consequências. Nossos economistas Agarval, Gans e Goldfarb criaram um diagrama chamado de “Anatomia de uma Tarefa” (5):

Neste diagrama vemos que as ações requerem previsão e julgamento para serem implementadas. A previsão, por sua vez, deve ser alimentada tanto por dados externos quanto por dados de feedback de ações anteriores e dos resultados correspondentes obtidos. O “barateamento” dos mecanismos de previsão faz com que o valor do julgamento aumente. Portanto, os humanos serão cada vez mais responsáveis pelas decisões (julgamento) e pela coleta de dados (das ações, dos resultados e externos). Isso porque a complexidade para uma máquina “julgar” é muito alta. Na linguagem dos desenvolvedores, isso corresponderia a uma quantidade enorme de “if-then-else’s”. Além disso, as máquinas não têm a capacidade de buscar as melhores fontes de dados para gerar suas previsões.

Como implementar IA?
Uma vez que estamos lidando com a automação de processos, é necessário decompor o fluxo de trabalho desejado em suas tarefas específicas. Para cada tarefa em questão, calcula-se o custo/benefício (ou ROI) de uso de uma ferramenta de IA. Esse processo é facilitado pelo uso do “Artificial Intelligence Canvas” (4), onde cada componente pode ser analisado quanto ao seu potencial de automação:

A adoção de IA implicará sempre em escolhas (“tradeoffs”)
A implementação de ferramentas preditivas, como qualquer decisão econômica, implica nos executivos priorizar certos aspectos em detrimento de outros. Por exemplo, a implementação rápida de uma ferramenta de previsão sem seu devido “treinamento” pode resultar em erros e insatisfação dos clientes, vôos atrasados entre rotas regionais e nacionais ou falta de estoques. É o tradeoff da “velocidade x exatidão”. O tradeoff “autonomia x controle” foi exemplificado no caso da indústria automobilística de luxo, com a decisão de verticalizar a produção de peças ou terceirizá-las. Outro tradeoff importante é o “dados x privacidade”, ou seja, quanto mais as empresas desejam acertar as previsões sobre hábitos de seus clientes, mais dados necessitarão dos mesmos, entrando-se dessa forma numa seara delicada de privacidade de informações. Algumas pessoas estarão dispostas a ceder seus dados pessoais para obter benefícios ou ser melhor atendidas; outras se recusarão a compartilhar informações mais íntimas.

Chegaremos em um tempo onde as ferramentas de previsão conhecerão nossos hábitos e desejos mais do que nós mesmos? …

 

Sérgio Hartenberg
18 de Setembro de 2018

 

Referências
(1) Sérgio Hartenberg, Computerworld, pp. 1 e 8, Vol III, No. 195, 27/01/97.

(2) FLUXO DE CAIXA INTELIGENTE: PLANEJAMENTO E OTIMIZAÇÃO POR ALGORITMOS GENÉTICOS, MARCO AURÉLIO PACHECO, MARLEY M. R. VELLASCO, CARLOS H. P. LOPES, Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, 1997

(3) Turing, Alan M. “Computing machinery and intelligence”. Mind. LIX (238): 433–460. doi:10.1093/mind/LIX.236.433.

(4) Prediction Machines: The Simple Economics of Artificial Intelligence Hardcover – April 17, 2018, by Ajay Agrawal, Joshua Gans, Avi Goldfarb

(5) What to Expect From Artificial Intelligence, MIT Sloan Management Review, Magazine: Spring 2017, February 07, 2017, Ajay Agrawal, Joshua S. Gans, and Avi Goldfarb.

(6) Sharon Novak and Scott Stern, “How Does Outsourcing Affect Performance Dynamics? Evidence from the Automobile Industry”, Management Science 54, no. 12 (december 2008): 1963-1979.

(7) Rogers, David L.. The Digital Transformation Playbook: Rethink Your Business for the Digital Age (Columbia Business School Publishing). Columbia University Press. Kindle Edition.

Popular Articles

img

Inteligência Artificial e a “Lei de Amara”

“Primaveras” e “invernos” da Inteligência

Read More
img

Metamorshopping

Lembra-se do tempo em que shopping centers eram pa

Read More