Onde a inteligência artificial ajuda mesmo uma PME
Não é uma lista de cinquenta ferramentas. É a distinção entre quatro abordagens que costumam ser confundidas, e a regra simples para saber qual é a certa para o seu problema.
A pergunta que mais recebemos sobre isto está mal formulada. Não é “onde é que podemos usar IA”. É “que problema é que temos, e qual é a ferramenta mais barata que o resolve”.
Muitas vezes a resposta não envolve IA nenhuma. E quando envolve, a parte difícil não é pôr o modelo a funcionar, é decidir o que acontece quando ele se engana.
Quatro coisas que são confundidas
Vale a pena separar, porque a diferença de custo entre elas é de várias ordens de grandeza.
Automação
Regras que alguém escreveu. Quando a encomenda passa a paga, cria a guia e avisa o armazém. Não há inteligência nenhuma e é essa a virtude: é previsível, barata, e quando falha percebe-se porquê em minutos.
A maior parte do trabalho repetitivo de uma empresa cabe aqui. Se o seu problema se resolve com regras, usar IA é pagar mais por um resultado menos previsível.
Software
Um sistema que guarda informação, aplica regras e mostra ecrãs a pessoas. Um CRM, um backoffice, um portal. Também não tem inteligência nenhuma, e resolve a maior parte dos problemas de organização.
Modelos de linguagem
A peça nova. Sabem interpretar e produzir texto. Servem para aquilo que não se consegue reduzir a regras: perceber o que um cliente quis dizer num email mal escrito, extrair a data de vencimento de vinte formatos de fatura diferentes, resumir uma conversa de trinta mensagens.
O que fazem bem é transformar informação desarrumada em informação arrumada. É muito, e é menos do que costuma ser vendido.
Agentes
Um modelo de linguagem com autorização para agir: consultar sistemas, escrever registos, enviar mensagens. É a categoria com mais entusiasmo e mais desilusão, porque cada passo herda a incerteza do anterior. Uma cadeia de cinco passos com 95% de fiabilidade em cada um sai a menos de 80% no fim.
Funcionam quando os passos são poucos, verificáveis, e há uma pessoa a confirmar o que tem consequência.
A regra que usamos
Comece pela abordagem mais aborrecida que resolve o problema.
Se dá para resolver com uma regra, resolva com uma regra. Se precisa de guardar e mostrar informação, é software. Só quando o problema é interpretar linguagem ou documentos sem formato fixo é que a IA passa a ser a ferramenta certa, e não a mais cara a fazer o mesmo.
Onde funciona mesmo, em empresas pequenas
Classificar o que entra. Trezentos emails por semana, e alguém decide se é pedido de orçamento, reclamação, fatura ou publicidade. O modelo propõe, os casos duvidosos vão para uma pessoa. Ganha-se tempo sem arriscar nada, porque classificar mal um email tem correção fácil.
Ler documentos. Faturas de fornecedores, guias, fichas técnicas. A leitura automática poupa a transcrição; a conferência humana dos campos que contam evita o problema contabilístico.
Encontrar o que já está escrito. Anos de procedimentos e emails onde ninguém encontra nada. Uma pesquisa que responde e mostra de onde tirou a resposta vale muito mais do que uma que responde e pronto, porque a fonte é o que permite confiar.
Preparar respostas. O sistema escreve o rascunho com base no que já foi respondido antes. Uma pessoa lê, corrige, envia. Isto é diferente de um robô a responder a clientes, e a diferença importa.
Onde não funciona
Onde não há como verificar. Se ninguém consegue dizer se a resposta está certa, não há medição, e sem medição não se sabe se melhorou ou piorou.
Onde o erro é caro e o volume impede revisão. Dez mil decisões por dia com custo real em cada erro é uma conta que muitas vezes não fecha.
Como substituto de organização. Se a informação está espalhada por cinco sítios e nenhum está certo, um modelo de linguagem por cima disso responde com confiança a partir de dados errados. Primeiro arruma-se, depois automatiza-se.
O que perguntar a quem lhe vender isto
Três perguntas que separam depressa uma proposta séria de uma demonstração:
Como é que medem se está a acertar? A resposta certa envolve um conjunto de casos reais com a resposta conhecida, testado antes de entrar em produção. Se a resposta for “vê-se pelo uso”, não há medição.
O que acontece quando se engana? Deve haver um caminho previsto: parar, chamar uma pessoa, registar. Se a resposta for que raramente se engana, a pergunta não foi respondida.
Os nossos dados vão treinar modelos de terceiros? Tem de haver uma resposta escrita, com o fornecedor identificado e onde é que os dados são tratados.
O princípio, que não muda
A tecnologia por trás disto muda de mês a mês e o que estiver aqui escrito sobre modelos vai envelhecer depressa. O princípio não envelhece: a IA é infraestrutura de bastidor, e quem responde pelo resultado continua a ser uma pessoa.
Nos sistemas que operamos, 100% das mensagens enviadas são revistas por alguém antes de saírem. Não porque o modelo erre muito. Porque a alternativa é assinar por cima do que não se leu.
Se quiser perceber se algum destes casos existe na sua operação, é isso que olhamos numa página à parte: IA para empresas.