Deloitte alerta que inteligência artificial generativa precisa evoluir para inteligência autônoma nas empresas
As organizações empresariais precisam avançar além das aplicações tradicionais de inteligência artificial generativa e investir em sistemas de inteligência autônoma para obter crescimento real e sustentável. Essa é a avaliação da consultoria Deloitte, que identifica uma mudança significativa no centro de gravidade da adoção de IA nas empresas.
Segundo Prakul Sharma, líder da prática de IA e Insights da Deloitte Consulting LLP, a inteligência artificial generativa atual, como chatbots e assistentes conversacionais, oferece melhorias pontuais de produtividade, mas raramente altera a estrutura fundamental de custos ou receitas de grandes organizações. Essas ferramentas produzem respostas, porém não perseguem resultados concretos de forma independente.
A consultoria classifica essa evolução em três etapas dentro de uma curva de maturidade da inteligência. Na primeira fase, chamada de inteligência assistida, a IA e a análise de dados ajudam profissionais a interpretar informações. Na segunda, conhecida como inteligência artificial, o aprendizado de máquina complementa as decisões humanas. Já a terceira etapa, chamada de inteligência autônoma, representa sistemas capazes de decidir e executar ações dentro de limites definidos, sem necessidade de intervenção humana constante em cada etapa.
Para extrair valor econômico real dessas tecnologias, os sistemas autônomos precisam estar integrados diretamente aos processos que geram receita ou que possuem custos elevados. Um exemplo prático pode ser observado no setor de compras corporativas, onde uma aplicação autônoma pode cruzar continuamente dados de inventário da cadeia de suprimentos com preços atualizados de fornecedores em sistemas de planejamento empresarial. O sistema então autoriza pedidos de compra dentro de parâmetros financeiros predefinidos, pausando apenas quando ocorrem desvios que exigem aprovação humana.
Sharma detalha que a primeira recomendação da Deloitte para iniciar essa transformação é realizar uma auditoria completa de decisões e processos. Os líderes devem identificar uma ou duas cadeias de valor onde os resultados são prejudicados por decisões lentas ou imprecisas, mapeando como essas decisões são tomadas atualmente. As perguntas essenciais incluem quem possui os dados necessários, quem tem autoridade para decidir, onde ocorrem falhas nas transferências de responsabilidade, quais ações são requeridas e onde o julgamento humano está sendo aplicado indevidamente.
Quando o alvo operacional é isolado, a execução tecnológica frequentemente encontra obstáculos relacionados à infraestrutura de dados existente. Os modelos de fundação das principais empresas fornecedoras evoluíram rapidamente e são capazes de realizar raciocínios complexos, tornando-se commodities amplamente intercambiáveis. O verdadeiro gargalo técnico está na conexão desses motores de raciocínio com arquiteturas de dados legadas.
Sharma observa que os problemas reais surgem muito antes de a pergunta chegar ao modelo de linguagem. Muitos clientes selecionam um caso de uso antes de mapear o processo subjacente, resultando em agentes que automatizam fluxos de trabalho que já estavam quebrados ou mal estruturados. Além disso, sistemas autônomos exigem dados de qualidade decisória, não apenas dados de relatórios. Isso significa controles de linhagem e acesso que a maioria das infraestruturas de dados corporativas não foi projetada para suportar.
A diferença é significativa porque a maioria das estruturas de dados empresariais foi construída para analistas humanos, não para sistemas autônomos. Dados de nível relatórios, agregados em ciclos noturnos ou semanais e estruturados para consumo em dashboards, são adequados quando uma pessoa aplica julgamento antes de agir. Um agente autônomo não possui esse respaldo. Quando recupera um preço de contrato ou um nível de estoque para executar uma transação, esse valor precisa ter um registro de tempo atual o suficiente para ser vinculativo, uma procedência rastreável e controles de acesso que confirmem que o agente está autorizado a ler e agir sobre ele.
A transição de ambientes de testes controlados para implantação corporativa real representa um desafio completamente diferente. Um teste em pequena escala pode funcionar perfeitamente usando conjuntos de dados cuidadosamente selecionados, mas implantar essa capacidade em milhares de funcionários e plataformas de software interconectadas expõe vulnerabilidades significativas. Navegar em ambientes de segurança corporativa modernos exige integrar a arquitetura de agentes profundamente com provedores de identidade existentes e controles de segurança nativos da nuvem em ecossistemas de nuvem híbrida.
O principal obstáculo identificado pela consultoria é o que eles denominam de lacuna de produção. Um piloto pode ter sucesso com um prompt inteligente, um conjunto de dados curado e uma equipe dedicada executando manualmente, mas a implantação corporativa exige avaliações contínuas, identidade e autorização que funcionem em sistemas que o piloto nunca acessou, gestão de mudanças para os usuários e um modelo financeiro capaz de absorver custos baseados em uso em escala. Somado a isso está a dívida de governança: controles, trilhas de auditoria e frameworks de risco dispensados para acelerar um piloto frequentemente se tornam os itens bloqueadores quando equipes jurídicas e de compliance avaliam uma expansão para produção.
Os clientes que conseguem avançar são aqueles que não tratam os pilotos como experimentos, mas sim como a primeira instância de produção de uma plataforma reutilizável. Essa abordagem inclui as mesmas avaliações, modelo de identidade e governança desde o início. Em vez de recomeçar do zero, isso permite que o segundo e o terceiro caso de uso construam sobre o primeiro.
O que une todas essas falhas é que cada uma permanece invisível durante um piloto bem executado. Uma equipe dedicada com um conjunto de dados selecionado e cobertura da gerência pode mascarar controles de identidade ausentes, dados desatualizados e revisões de conformidade adiadas por tempo suficiente para produzir uma demonstração convincente. É apenas quando o sistema precisa operar na empresa completa, com usuários reais, dados atualizados e escrutínio jurídico, que as lacunas se tornam bloqueadores estruturais sem soluções alternativas conhecidas.
Construir uma plataforma reutilizável desde o início, com verificação de identidade, avaliações contínuas de modelos e monitoramento financeiro tratados como requisitos fundamentais e não como adições pós-lançamento, é o que permite às organizações evitar reconstruir essas fundações para cada implantação subsequente.
