O sucesso de uma iniciativa de inteligência artificial não pode ser medido apenas pelo número de usuários.
Essa distinção será cada vez mais importante.
Uma empresa pode comprar milhares de licenças de uma ferramenta de IA, obter uma boa taxa de ativação e ainda assim não capturar praticamente nenhum resultado financeiro.
Isso acontece porque existe uma cadeia entre uso e valor.
Podemos pensar nela assim:
Disponibilização → Uso → Adoção → Mudança de processo → Resultado operacional → Resultado financeiro
Cada estágio é diferente.
Comprar uma licença não significa que alguém a utilizará.
Utilizar não significa que a ferramenta foi incorporada ao trabalho.
Incorporar ao trabalho não significa que houve melhoria de produtividade.
E produtividade não significa necessariamente economia ou aumento de receita.
Imagine uma equipe que utiliza IA para reduzir em 30% o tempo gasto na elaboração de determinados documentos.
É um ganho de produtividade.
Mas qual foi o resultado para a empresa?
A equipe passou a produzir 30% mais?
Reduziu prazo de entrega?
Melhorou a qualidade?
Conseguiu atender mais clientes sem contratar novas pessoas?
Ou simplesmente ganhou algum tempo livre que foi absorvido por outras atividades?
Todas essas situações são possíveis.
Por isso, “horas economizadas” não deveriam ser automaticamente convertidas em ROI.
Existe uma diferença importante entre produtividade potencial e valor capturado.
Isso também explica por que projetos de IA precisam ser acompanhados por diferentes grupos de indicadores.
O primeiro é a qualidade da própria solução.
A IA responde corretamente? É confiável? Produz resultados adequados? Está baseada nas informações corretas?
O segundo é a qualidade operacional.
Qual a disponibilidade? Latência? Custo de operação? Número de erros? Capacidade de escala?
O terceiro é adoção.
Os usuários realmente utilizam a solução? Com que frequência? Em quais situações? Ela foi incorporada ao fluxo de trabalho?
Depois vêm os indicadores do processo.
Tempo de atendimento, capacidade, erros, conversão, velocidade, satisfação, retrabalho ou qualquer outro indicador relacionado ao problema que está sendo resolvido.
Só então chegamos ao resultado de negócio.
Receita. Margem. Redução de custo. Retenção. Risco. Capacidade de crescimento.
Esse encadeamento ajuda inclusive a diagnosticar por que um projeto não está entregando o resultado esperado.
O modelo pode ser bom e ninguém usar.
Os usuários podem utilizar e o processo não mudar.
O processo pode melhorar, mas a empresa não capturar financeiramente o ganho.
São problemas completamente diferentes.
Outro cuidado é não abandonar projetos promissores cedo demais.
IA é diferente de muitos sistemas tradicionais porque algumas soluções evoluem com a interação entre tecnologia, usuários e especialistas.
Um primeiro piloto pode não produzir imediatamente o resultado financeiro esperado e, ainda assim, demonstrar sinais importantes: usuários adotando a solução, qualidade melhorando, aprendizado acontecendo e processos começando a mudar.
Isso não significa aceitar projetos sem retorno indefinidamente.
Significa medir de forma inteligente.
Para mim, todo caso de uso relevante deveria começar com três definições muito simples:
Qual é a linha de base? Qual resultado queremos mudar? Como saberemos que o valor foi efetivamente capturado?
Se não conseguimos responder a essas perguntas antes do projeto, provavelmente teremos dificuldade para explicar o ROI depois.
À medida que empresas aumentarem seus investimentos em IA, essa disciplina se tornará essencial.
A discussão deixará de ser:
“Quantas pessoas estão usando IA?”
E passará a ser:
“Que resultado do negócio mudou porque estamos usando IA?”