O erro que impede empresas de extrair valor real da inteligência artificial

Passados quase quatro anos desde a disseminação dos grandes modelos de linguagem, a maioria das empresas avançou na adoção da inteligência artificial, mas muitas ainda não conseguiram transformar esse investimento em ganhos reais de produtividade ou desempenho. O descompasso se tornou um desafio central para as organizações, mobiliza departamentos de tecnologia, influencia o valor de mercado de empresas do setor e eleva a ansiedade de executivos.

Uma pesquisa de Hyunjin Kim e Dahyeon Kim, do INSEAD, e Rembrand Koning, da Harvard Business School, ajuda a explicar o problema. Os gestores sabem que a IA executa tarefas úteis, mas têm dificuldade para identificar onde e como ela pode transformar seus negócios. Os pesquisadores chamam isso de “problema de mapeamento”: o desafio de descobrir onde a IA pode impactar o processo produtivo e quais atividades precisam ser adaptadas para liberar seu potencial.

Para investigar a questão, os pesquisadores realizaram um experimento de campo com 515 empresas em estágio inicial de diversos países. Todas receberam acesso a ferramentas avançadas de IA, treinamento técnico, mentoria e créditos para uso de APIs. Apenas metade, porém, teve contato com exemplos de como outras organizações haviam redesenhado seus fluxos de trabalho e modelos de negócios com a tecnologia. As empresas expostas a esses exemplos identificaram 44% mais casos de uso para IA do que o grupo de controle, concluíram 12% mais tarefas, tiveram 18% mais chances de conquistar clientes pagantes, geraram quase o dobro de receita e precisaram de significativamente menos capital externo para crescer.

Os pesquisadores sugerem práticas para extrair mais valor da tecnologia. A primeira é mapear os fluxos de trabalho atuais de ponta a ponta, observando onde o trabalho muda de mãos, onde aprovações se acumulam, onde funcionários transferem informações entre sistemas e onde decisões ficam paradas. Esses pontos de transição costumam oferecer oportunidades maiores do que as próprias tarefas. A pergunta fundamental, segundo o estudo, é identificar o que realmente atrasa o processo — em geral, a resposta não está na tarefa mais evidente, mas em uma transferência ou decisão que bloqueia todo o restante.

Outra orientação é esperar que novos gargalos apareçam. Quando uma atividade se acelera, outra pode se transformar em restrição inesperada: um desenvolvimento de produto mais rápido gera mais feedback de clientes e exige maior capacidade de análise, enquanto relatórios automatizados podem revelar problemas de qualidade de dados antes despercebidos. Por isso, a implementação da IA deve ser tratada como processo contínuo, e não como iniciativa isolada. As empresas de melhor desempenho foram além de identificar gargalos e reformularam todo o trabalho ao redor deles. Ao avaliar projetos, os gestores devem ir além de métricas como velocidade ou volume de tarefas. “Caso contrário, você está medindo atividade, não impacto”, afirma Hyunjin Kim.

Esta matéria foi publicada primeiro em Economia · InfoMoney e republicada aqui com tratamento editorial (síntese dos pontos mais relevantes), a partir de feed RSS. Ver publicação original.