Durante mais de 250 anos, os principais propulsores do crescimento econômico foram as inovações tecnológicas. O mais importante deles é o que os economistas chamam de tecnologia com finalidades gerais — uma categoria que inclui a máquina a vapor, a eletricidade e o motor de combustão interna. Cada um catalisou ondas de inovações e oportunidades complementares. O motor de combustão interna, por exemplo, deu origem aos carros, caminhões, aviões, motosserras e cortadores de grama, juntamente com megastores varejistas, centros comerciais, centros de distribuição de transferência direta de carga, novas cadeias de suprimentos e, quando você pensa neles, subúrbios. Empresas diversificadas como a Walmart, UPS e Uber descobriram formas de alavancar a tecnologia para criar novos modelos de negócios criativos.

A tecnologia com finalidade geral mais importante de nossa era é a inteligência artificial (IA), principalmente o aprendizado de máquina (AM) — ou seja, a capacidade da máquina de continuar melhorando o próprio desempenho sem que os seres humanos precisem explicar exatamente como realizar todas as tarefas atribuídas a ela. Somente nos últimos anos o aprendizado de máquina tornou-se mais eficiente e amplamente disponível. Agora podemos construir sistemas que aprendem sozinhos a realizar as tarefas.

Por que esse é um negocio tão grande? Por duas razões: não sabemos explicar exatamente como somos capazes de fazer uma série de coisas — desde reconhecer um rosto até executar um lance inteligente no antigo jogo de estratégia asiático Go. Antes do AM, essa incapacidade de articular nosso próprio conhecimento significava que não podíamos automatizar várias tarefas. Agora podemos.

Segundo, sistemas de AM são em geral excelentes aprendizes. Eles podem chegar a um desempenho super-humano numa grande variedade de atividades, incluindo detectar fraude e diagnosticar doenças. Excelentes aprendizes digitais estão sendo implantados por toda a economia, e seu impacto será profundo.

Na esfera dos negócios, a IA está em posição de causar um impacto transformacional, na escala das primeiras tecnologias com finalidades gerais. Embora ela já esteja sendo utilizada em milhares de empresas pelo mundo todo, a maioria das grandes oportunidades ainda não foi explorada. Os efeitos da IA serão amplificados na próxima década, à medida que manufatura, varejo, transporte, finanças, assistência médica, advocacia, publicidade, seguros, entretenimento, educação e praticamente todos os outros setores transformarem seus processos centrais e modelos de negócio para aproveitar as vantagens do aprendizado de máquina. O gargalo agora está na gestão, implementação e criação de negócios.

Exatamente como várias outras novas tecnologias, no entanto, a IA gerou muita expectativa irrealista. Vemos planos de negócios generosamente salpicados com referências ao aprendizado de máquina, redes neurais e outras formas de tecnologia, com pouca conexão com suas reais capacidades. Simplesmente dizer que um site de encontros “funciona com IA”, por exemplo, não o torna mais eficiente, mas pode ajudar a captar fundos. O artigo foca em descrever o verdadeiro potencial da IA, suas implicações práticas e as barreiras para a sua implantação.

O que a IA pode fazer hoje?
O termo inteligência artificial foi cunhado em 1955 por John McCarthy, professor de matemática do Dartmouth College que organizou uma conferência pioneira sobre o tópico no ano seguinte. Desde então, talvez em parte por causa de seu nome sugestivo, a área deu origem à maior parte das fantasiosas reivindicações e promessas. Em 1957, o economista Herbert Simon previu que os computadores venceriam os humanos numa partida de xadrez em dez anos — levou 40. Em 1967, o cientista cognitivo Marvin Minsky disse: “No espaço de uma geração o problema de criar ‘inteligência artificial’ será substancialmente resolvido”. Simon e Minsky eram dois grandes intelectuais, mas eles cometeram um erro crasso. Por isso, é compreensível que reivindicações decisivas sobre os avanços futuros encontrem certo ceticismo.

Vamos começar explorando o que a IA já está fazendo e a velocidade com que está sendo aperfeiçoada. Os maiores avanços ocorreram em duas grandes áreas: percepção e cognição. Na primeira categoria alguns dos avanços mais práticos foram em relação à fala. O reconhecimento de voz ainda está longe da perfeição, mas milhões de pessoas já o utilizam — por exemplo, com o Siri, Alexa e Google Assistant. O texto que você está lendo agora foi originalmente ditado para um computador e depois transcrito com precisão suficiente para torná-lo mais rápido que a digitação. Um estudo realizado por James Landay, cientista da computação de Stanford, e colegas mostrou que o reconhecimento de voz já é cerca de três vezes mais rápido, em média, que digitar num telefone celular. A taxa de erro, que antes era de 8,5%, caiu para 4,9%. O que é surpreendente é que essa melhoria substancial não surgiu nos últimos dez anos, mas só em meados de 2016.

O reconhecimento de imagem também melhorou sensivelmente. Você pode ter percebido que o Facebook e outros aplicativos já reconhecem muitos dos rostos de nossos amigos em fotos postadas que o habilitam a marcá-los com seus nomes. Um aplicativo instalado em seu smartphone poderá reconhecer praticamente qualquer pássaro na mata. O reconhecimento de imagem está até substituindo os cartões de identificação nas sedes corporativas. Sistemas de visão, como os utilizados em carros autodirigidos, anteriormente cometiam erros na identificação de pedestres à taxa de 1 por 30 quadros (as câmeras desses sistemas registram cerca de 30 quadros por segundo). Atualmente eles erram com frequência menor que um em 30 milhões de quadros. A taxa de erro no reconhecimento de imagens a partir de uma grande base de dados chamada ImageNet, com vários milhões de fotografias comuns, confusas ou completamente esquisitas, diminuiu de mais de 30% em 2010 para 4% em 2016, nos melhores sistemas (ver quadro “‘Cachorrinhos ou bolinho’: os progressos no reconhecimento de imagem”).
A velocidade de aprimoramento aumentou rapidamente nos últimos anos à medida que uma nova abordagem, baseada em redes neurais muito amplas ou “profundas”, foi adotada. A abordagem do AM para os sistemas visuais ainda está longe da perfeição — mas até as pessoas têm problemas em identificar rapidamente as caras de cãezinhos ou, o que é mais embaraçoso, ver suas carinhas lindas onde não há nenhuma.

A segunda grande melhoria foi na cognição e resolução de problemas. As máquinas já venceram os melhores jogadores (humanos) de poker e Go — realizações que especialistas tinham previsto que levariam, pelo menos, mais uma década. A equipe do DeepMind da Google usou sistemas de AM para melhorar a eficiência da refrigeração em centros de dados em mais de 15%, mesmo depois de terem sido otimizados por especialistas humanos. A empresa de segurança cibernética Deep Instinct utiliza agentes inteligentes para detectar um malware, e a PayPal os utiliza para impedir lavagem de dinheiro. Um sistema usando tecnologia IBM automatiza os processos de queixa de uma empresa de seguros em Cingapura, e um sistema da Lumidatum, empresa de plataformas de ciências, oferece conselhos no momento certo para melhorar o atendimento ao cliente. Dezenas de empresas estão utilizando o AM para otimizar estoques e melhorar as sugestões de produtos aos clientes. A Infinite Analytics desenvolveu um sistema de AM para prever se um usuário clicaria em determinado anúncio, melhorando a disposição de anúncios online para uma empresa global de artigos de consumo, e outro para melhorar o processo de busca e descoberta de uma loja brasileira de varejo online. O primeiro sistema triplicou o retorno sobre o investimento em publicidade, e o segundo resultou em US$ 125 milhões de aumento nas receitas anuais.

Os sistemas de aprendizado de máquina não estão apenas substituindo os antigos algoritmos em muitas aplicações, mas agora são superiores em muitas tarefas que antes eram mais bem executadas por seres humanos. Embora os sistemas estejam longe de ser perfeitos, sua taxa de erro — cerca de 5% — na base de dados da ImageNet está no mesmo nível ou até melhor que o desempenho dos seres humanos. O reconhecimento de voz, mesmo em ambientes ruidosos, também está praticamente igual ao do desempenho humano. Chegar a esse limiar abre uma vasta gama de possibilidades para transformar as empresas e a economia. Uma vez que sistemas baseados em IA superarem o desempenho humano em determinada tarefa, eles terão probabilidade muito maior de se disseminar com rapidez. Por exemplo, a Aptonomy e a Sanbot, fabricantes, respectivamente, de drones e robôs, estão utilizando sistemas visuais aprimorados para automatizar boa parte do trabalho de guardas de segurança. A empresa de software Affectiva, entre outras, os utiliza para reconhecer emoções como alegria, surpresa e raiva em focus groups. E a Enlitic é uma de várias start-ups de aprendizado profundo que os utiliza para escanear imagens clínicas e ajudar no diagnóstico do câncer.


Os resultados são impressionantes, mas a aplicabilidade de sistemas baseados em IA ainda é bastante reduzida. Seu desempenho notável na base de dados da ImageNet, por exemplo, mesmo com milhões de imagens, nem sempre se reflete em sucesso similar “na natureza”, onde as condições de iluminação, ângulos, resolução e contexto podem ser muito diferentes. Mais basicamente, podemos nos surpreender com um sistema que entende chinês e traduz para o inglês, mas não podemos esperar que esse sistema entenda o significado de determinado caractere chinês — nem pensar onde comer em Pequim. Se alguém executa bem uma tarefa, é natural supor que a pessoa tem certa competência em tarefas relacionadas. Mas os sistemas de AM são treinados para executar determinadas tarefas, e normalmente seu conhecimento não generaliza. A falácia de que a compreensão limitada do computador implica compreensão mais ampla é talvez a maior fonte de confusão e exagero nas reclamações sobre o progresso da IA. Estamos longe de ver máquinas que mostram uma inteligência geral em diversas áreas.

Entenda o aprendizado de máquina
O mais importante a ser entendido sobre o AM é que sua abordagem é fundamentalmente diferente de criar um software: a máquina aprende com exemplos, e não por ser explicitamente programada para determinado resultado. Essa é uma importante ruptura das práticas anteriores. Na maior parte dos últimos 50 anos, os avanços na TI e suas aplicações focaram na codificação de conhecimento e procedimentos existentes e em integrá-los às máquinas. De fato, o termo “codificar” denota o processo doloroso de transformar o conhecimento da cabeça dos desenvolvedores numa forma que as máquinas possam entender e executar. Essa abordagem tem uma vulnerabilidade fundamental: boa parte do nosso conhecimento é tácito, ou seja, não é possível explicá-lo por completo. Para nós, é praticamente impossível escrever instruções que habilitem outra pessoa a aprender a andar de bicicleta ou a reconhecer o rosto de um amigo.

Em outras palavras, todos nós sabemos mais do que dizemos. Esse fato é tão importante que tem nome: paradoxo de Polanyi, por causa do filósofo e polímata Michael Polanyi, que o descreveu em 1964. O paradoxo de Polanyi não só limita o que podemos dizer um ao outro, mas historicamente impõe uma restrição fundamental em nossa capacidade de dotar as máquinas de inteligência. Por muito tempo, isso limitou as atividades que as máquinas poderiam realizar produtivamente na economia.

O aprendizado de máquina está avançando além desses limites. Nessa segunda onda da segunda idade das máquinas, as máquinas construídas por seres humanos estão aprendendo com exemplos e usando feedback estruturado para resolver problemas sozinhas, como o problema clássico de Polanyi de reconhecimento de rosto.

Diferentes formas do aprendizado de máquina
A IA e o AM podem ter diferentes formas, mas boa parte de seu sucesso nos últimos anos foi numa categoria: sistemas de aprendizado supervisionado nos quais as máquinas recebem uma quantidade enorme de exemplos da resposta correta para determinado problema. Esse processo quase sempre envolve um mapeamento a partir de um conjunto de inputs X, para um conjunto de outputs Y. Os inputs, por exemplo, podem ser imagens de vários animais, e os outputs corretos podem ser rótulos para aqueles animais: cachorro, gato, cavalo. Os inputs também podem ser formas de onda de uma gravação sonora, e os outputs, palavras: “sim”, “não”, “olá”, “até logo” (ver quadro “Sistemas de aprendizado supervisionado” ).

Sistemas bem-sucedidos geralmente utilizam um conjunto de dados de treinamento com milhares ou até milhões de exemplos, onde cada um é rotulado com uma resposta correta. O sistema pode então ser liberado para procurar novos exemplos. Se o treinamento for bem-sucedido, as respostas previstas pelos sistemas serão extremamente precisas.

Os algoritmos responsáveis por boa parte desse sucesso dependem de uma abordagem chamada aprendizado profundo, que utiliza redes neurais. Os algoritmos de aprendizado profundo têm uma vantagem significativa sobre as gerações anteriores de algoritmos de AM: eles otimizam a utilização de conjuntos de dados muito maiores. Os sistemas antigos melhoravam à medida que aumentava o número de exemplos nos dados de treinamento, mas somente até certo limiar. Além dele os dados adicionais não melhoravam as previsões. Segundo Andrew Ng, um dos gigantes da área, redes neurais profundas não parecem estabilizar dessa forma: mais dados levam a previsões cada vez melhores. Alguns sistemas muito grandes são treinados com 36 milhões de exemplos ou mais. É óbvio que trabalhar com conjuntos de dados extremamente grandes requer um poder de processamento cada vez maior, e essa é uma das razões por que sistemas muito grandes geralmente rodam em supercomputadores ou arquiteturas especializadas de computadores.

Qualquer situação em que você tenha uma quantidade enorme de dados sobre comportamento e esteja tentando prever um resultado é uma aplicação potencial para sistemas de aprendizado supervisionado.

Jeff Wilke, que chefia a divisão de relacionamento com o cliente da Amazon, afirma que os sistemas de aprendizado supervisionado substituíram amplamente os algoritmos de filtragem baseados na memória que eram utilizados para fazer sugestões personalizadas aos clientes. Em outros casos, os algoritmos clássicos para determinar o nível de estoque e otimizar cadeias de suprimentos foram substituídos por sistemas mais robustos e eficientes baseados no aprendizado de máquina. A JPMorgan Chase introduziu um sistema para rever contratos comerciais. Essa atividade, que costumava consumir 360 mil horas dos analistas de empréstimos, agora leva alguns segundos. E sistemas de aprendizado supervisionado já estão sendo usados no diagnóstico de câncer de pele. Esses são apenas alguns exemplos.

Quando (e se) aprendermos a construir aprendizes não supervisionados robustos, possibilidades impressionantes se abrirão. Essas máquinas poderiam analisar problemas complexos de formas novas para nos ajudar a descobrir padrões — na disseminação de doenças, nas oscilações de preço de títulos mobiliários do mercado, nos hábitos de compra dos clientes e assim por diante — que desconhecemos completamente. Essas possibilidades levaram Yann LeCun, chefe de pesquisa de IA da Facebook e professor da New York University, a comparar sistemas de aprendizado supervisionado com a cobertura do bolo, e o aprendizado não supervisionado com o próprio bolo.

Outra pequena área, mas crescente, é o aprendizado por reforço. Essa abordagem está integrada em sistemas que dominamos, como os videogames Atari e os jogos de tabuleiro como o Go. Ele está ajudando a otimizar o uso do poder de bancos de dados e a desenvolver estratégias de comércio para o mercado de ações. Os robôs criados pela Kindred utilizam aprendizado de máquina para identificar e escolher objetos que eles nunca encontraram antes, acelerando o processo de “pegar e colocar” nos centros de distribuição de mercadorias para os consumidores. Nos sistemas de aprendizado por reforço, o programador especifica o estado atual do sistema e a meta, lista as ações permitidas e descreve os elementos do ambiente que restringem os resultados para cada uma dessas ações. Utilizando ações permitidas, o sistema precisa descobrir como chegar o mais perto possível da meta. Esses sistemas funcionam bem quando os humanos podem especificar a meta, mas não necessariamente como chegar lá. A Microsoft, por exemplo, utilizou aprendizado por reforço para selecionar manchetes para as novas histórias do MSN.com “recompensando” o sistema com um escore mais alto quando mais visitantes clicavam no link. O sistema tentou maximizar seu escore com base nas regras que seus projetistas impuseram. Isso significa, é claro, que um sistema de aprendizado por reforço otimizará a meta que você explicitamente recompensar, não necessariamente a meta na qual você está de fato interessado (como o valor do relacionamento com o cliente), por isso é fundamental especificar a meta com correção e clareza.

Faça o aprendizado de máquina funcionar
Há três boas notícias para as organizações que pretendem utilizar AM atualmente. Primeiro, as habilidades da IA estão se espalhando rapidamente. O mundo ainda não tem cientistas de dados e experts suficientes em aprendizado de máquina, mas a demanda está sendo satisfeita por recursos educacionais online e pelas universidades. Os melhores, incluindo Udacity, Coursera e fast.ai, oferecem muito mais que conceitos tecnológicos introdutórios. Eles podem, na verdade, fazer com que alunos inteligentes e motivados se tornem capazes de criar aplicações de AM em nível industrial. Além disso, para treinar seu próprio pessoal as empresas interessadas podem usar plataformas de talento online como Upwork, Topcoder e Kaggle para encontrar especialistas em AM com expertise comprovada.

O segundo desenvolvimento bem-vindo é que os algoritmos e o hardware necessários para a moderna IA podem ser adquiridos ou alugados à medida que forem necessários. A Google, Amazon, Microsoft, Salesforce e outras empresas estão disponibilizando poderosa infraestrutura de AM via nuvem. A competição implacável entre esses rivais significa que as empresas que querem experimentar ou implantar o AM terão, com o passar do tempo, capacidades cada vez mais disponíveis e a preços mais baixos.

A última boa noticia, e provavelmente a mais desvalorizada, é que você pode não precisar de tantos dados para começar a utilizar produtivamente o AM. O desempenho da maioria dos sistemas de aprendizado de máquina melhora à medida que lhes são fornecidos mais dados para trabalhar, por isso parece lógico concluir que a empresa com o maior volume de dados vencerá. Esse poderá ser o caso se “vencer” significa “dominar o mercado global para uma única aplicação com alvo em publicidade ou reconhecimento de fala”. Mas se, ao contrário, vencer for definido como uma melhoria significativa de desempenho, então ficará muito mais fácil obter dados suficientes.

Sebastian Thrun, cofundador da Udacity, observou, por exemplo, que alguns de seus vendedores eram muito mais eficientes que outros quando respondiam a questões que eram feitas na sala de bate-papo. Thrun e seu aluno de pós-graduação Zayd Enam perceberam que os registros de sua sala de bate-papo eram em essência um conjunto de dados de treinamento rotulados — exatamente o que um sistema de aprendizado supervisionado precisa. As interações que levavam a uma venda eram rotuladas como sucesso e todas as outras eram rotuladas como fracassos. Zayd usou os dados para prever que respostas os vendedores bem-sucedidos tinham maior probabilidade de dar a certas perguntas muito comuns e depois compartilhou essas previsões com os outros vendedores para estimulá-los a melhorar seu desempenho. Depois de mil ciclos de treinamento, os vendedores tinham aumentado sua efetividade em 54% e conseguiram atender o dobro de clientes de uma vez.

A start-up de IA WorkFusion adota abordagem similar. Ela trabalha com empresas para obter níveis mais altos de automatização nos processos de retaguarda do escritório, como pagamento de faturas internacionais, e concretiza grandes comercializações entre instituições financeiras. O motivo pelo qual esses processos ainda não foram automatizados é que eles são muito complexos. A informação relevante nem sempre é apresentada da mesma forma o tempo todo (“Como sabemos de que moeda eles estão falando?”), portanto é necessário interpretar e julgar. O software da WorkFusion observa as pessoas por trás dos bastidores enquanto trabalham e utiliza suas ações como dados de treinamento para tarefas cognitivas de classificação. (“Esta fatura está em dólares, esta em ienes, esta em euros…”) Uma vez que o sistema esteja suficientemente confiante em suas classificações, ele assume o processo.

O aprendizado de máquina está produzindo mudanças em três níveis: tarefas e funções, processos de negócios e modelos de negócios. Um exemplo de reprojeção de tarefa e função é o uso de sistemas de visão de máquina para identificar potenciais células cancerosas — permitindo que os radiologistas dediquem mais tempo aos casos realmente críticos, interajam com os parentes do paciente e coordenem atividades com outros médicos. Um exemplo de reprojeto de processos é a reinvenção do fluxo de trabalho e layout dos centros de abastecimento da Amazon depois da introdução de robôs e algoritmos de otimização baseados em aprendizado de máquina. De modo similar, os modelos de negócios precisam ser repensados para aproveitar os sistemas de AM que podem sugerir de forma inteligente músicas ou filmes personalizados. Em vez de vender canções à la carte com base nas escolhas dos clientes, um modelo melhor ofereceria uma inscrição numa estação personalizada que previsse e executasse a música que determinado cliente gostaria de ouvir, mesmo se a pessoa nunca a tivesse ouvido antes.

Observe que os sistemas de aprendizado de máquina quase nunca substituem o modelo de negócios, a tarefa ou o processo completos. A maioria deles complementa as atividades humanas, o que pode agregar sempre mais valor ao trabalho. A regra mais eficiente para a nova divisão de trabalho raramente, ou nunca, “entrega todas as tarefas para a máquina”. Ao contrário, se a conclusão bem-sucedida de um processo requer dez passos, um ou dois podem tornar-se automatizados enquanto o resto se torna mais valioso para os humanos executar. Por exemplo, os sistemas de apoio às salas de bate-papo de vendas na Udacity não tentam construir um robô que domine toda a conversa. Em vez disso, ele aconselha aos vendedores humanos como melhorar seu desempenho. Os humanos permaneceram em seus postos, mas se tornaram extremamente mais eficientes e efetivos. Essa abordagem é muito mais viável que tentar projetar máquinas que possam fazer tudo que os humanos fazem. Em geral leva a um trabalho mais satisfatório para as pessoas envolvidas e em última instância a melhores resultados para os clientes.

Projetar e implementar novas combinações de tecnologia, habilidades humanas e bens de capital para satisfazer as necessidades dos clientes requer criatividade e planejamento de larga escala. É uma tarefa que as máquinas não conseguem executar com muita eficiência. Isso torna a função de um empreendedor ou gestor de negócios uma das atividades mais recompensadoras da sociedade na era do AM.

Riscos e limites
A segunda onda da segunda idade da máquina vem acompanhada de novos riscos. Em especial, os sistemas de aprendizado de máquina, muitas vezes, têm baixo poder de interpretação, o que significa que os humanos têm dificuldade de descobrir como os sistemas chegaram às suas decisões. Redes neurais profundas podem ter centenas de milhões de conexões, cada uma delas com uma pequena participação na decisão final. Como resultado, as previsões dos sistemas tendem a resistir a explicações simples e claras. Ao contrário dos humanos, as máquinas (ainda) não são boas contadoras de histórias. Elas nem sempre podem explicar racionalmente por que determinado candidato foi aceito ou rejeitado para um emprego, ou um medicamento em particular foi recomendado. Ironicamente, mesmo quando começamos a superar o paradoxo de Polanyi, enfrentando um tipo de versão reversa, as máquinas sabem mais do que podem nos contar.

Isso cria três riscos. Primeiro, as máquinas podem ter vieses escondidos, que surgem não de qualquer intenção do projetista, mas dos dados fornecidos para treinar o sistema. Por exemplo, se um sistema aprende quais candidatos a emprego se devem aceitar para uma entrevista usando um conjunto de dados de decisões tomadas por antigos recrutadores humanos, ele pode inadvertidamente aprender a perpetuar seus vieses raciais, de gênero, étnicos ou outros. Além disso, esses vieses podem não aparecer como regra explícita, mas podem estar embutidos em interações sutis entre os milhares de fatores considerados.

O segundo risco é que, ao contrário dos sistemas tradicionais construídos com base em regras lógicas explícitas, os sistemas de redes neurais lidam com realidades estatísticas e não com realidades literais. Isso pode dificultar, ou impossibilitar, provar com total certeza que o sistema vai acertar em todos os casos — principalmente em situações que não foram representadas nos dados de treinamento. A impossibilidade de verificação pode ser um problema em aplicações críticas da missão, como controlar uma usina de energia nuclear, ou quando estão envolvidas decisões de vida ou morte.

Terceiro, quando os sistemas AM cometem erros, o que é inevitável, pode ser difícil diagnosticar e corrigir com precisão o que está saindo errado. A estrutura subjacente que leva à solução pode ser incrivelmente complexa, e a solução estar longe de ser a ótima caso mudem as condições sob as quais o sistema foi treinado.

Embora todos os riscos da IA sejam muito reais, o padrão de referência adequado não é a perfeição, mas sim a melhor alternativa disponível. Afinal, nós humanos temos vieses, cometemos erros e temos problemas para explicar, de fato, como chegamos a determinada decisão. A vantagem dos sistemas baseados em máquinas é que eles podem ser melhorados ao longo do tempo e darão uma resposta consistente sempre que os mesmos dados forem apresentados.

Isso significa que não há limite para o que a inteligência artificial e o aprendizado de máquina podem fazer? A percepção e a cognição cobrem uma boa parte desse território — desde dirigir um carro até prever vendas ou decidir quem contratar ou promover. Acreditamos que são excelentes as chances de que a IA, em breve, atingirá os níveis de desempenho humanos na maioria ou em todas essas áreas. Então, o que a IA e o AM não terão condições de fazer?

Já ouvimos muitas vezes que “a inteligência artificial nunca será capaz de avaliar os seres humanos emocionais, espertos, dissimulados, inconsistentes — ela é muito rígida e impessoal para isso”.

Não concordamos. Os sistemas AM, como os da Affectiva, já estão no nível ou além do desempenho humano em discernir o estado emocional das pessoas com base no tom de voz ou nas expressões faciais. Outros sistemas podem inferir suficientemente bem, até quando os melhores jogadores de poker do mundo estão blefando para vencê-los nas decisões, extremamente complexas, tomadas no campeonato de poker heads-up no Texas. Ler a fisionomia de uma pessoa com precisão é tarefa sutil, mas não mágica. Requer percepção e cognição — exatamente as áreas nas quais o AM está atualmente mais forte e se aprimorando cada vez mais.

Um ótimo ponto para começar a discutir os limites da IA é a frase de Pablo Picasso sobre os computadores: “Mas eles são inúteis. Eles só dão respostas”. Eles, na verdade, estão longe de ser inúteis, como mostram as recentes conquistas de AM, mas a observação de Picasso ainda mostra certo insight. Computadores são dispositivos para responder perguntas, não para fazê-las. Isso significa que empreendedores, inovadores, cientistas, criadores e todas as pessoas que sabem quais os problemas a resolver, oportunidades a agarrar ou novo território a explorar continuarão sendo essenciais.

Analogamente, existem diferenças enormes entre avaliar passivamente o estado mental ou moral de uma pessoa e trabalhar com afinco para mudá-lo. Os sistemas de AM estão se tornando muito eficientes na primeira tarefa, mas continuam bem atrás de nós na última. Nós, humanos, somos uma espécie social por excelência. Outros humanos, não máquinas, são melhores em explorar sinalizadores sociais como compaixão, orgulho, solidariedade e vergonha a fim de persuadir, motivar e inspirar. Em 2014, a Conferência TED e a XPrize Foundation anunciaram um prêmio para “a primeira inteligência artificial que chegasse a esse estágio e apresentasse uma palestra TED com apelo suficiente para ser ovacionada de pé pela plateia”. Duvidamos que o prêmio seja concedido logo.

Acreditamos que as maiores e mais importantes oportunidades para a inteligência humana na nova era do superpoderoso AM está na interface de duas áreas: descobrir em quais problemas trabalhar a seguir, e persuadir muitas pessoas a abordá-los e acompanhar as soluções. Essa é uma definição adequada de liderança que está se tornando muito mais importante na era da segunda máquina.

A divisão de trabalho entre mentes e máquinas é um paradigma que está desmoronando rapidamente. As empresas presas a ele descobrirão que se encontram em crescente desvantagem competitiva em comparação com concorrentes que desejam e são capazes de colocar o AM em prática em todos os locais onde ele se encaixa e que podem descobrir como integrar eficientemente suas capacidades com as da humanidade.

Uma era de mudanças tectônicas no mundo dos negócios trazida pelo progresso tecnológico já está em andamento. Como aconteceu com a máquina a vapor e a eletricidade, não é o acesso a novas tecnologias em si, ou até aos melhores tecnólogos, que separa os vencedores dos perdedores, mas sim os inovadores suficientemente receptivos para ver além do status quo e vislumbrar novas abordagens e espertos o suficiente para utilizá-las. Um dos maiores legados do aprendizado de máquina pode ser a formação de uma nova geração de líderes de negócios.

Para nós, a inteligência artificial, principalmente o aprendizado de máquina, é a tecnologia com finalidade geral mais importante de nossa era. O impacto dessas inovações nos negócios e na economia refletirá não só em suas contribuições diretas, mas também em sua capacidade de permitir e inspirar inovações complementares. Novos produtos e processos estão sendo produzidos com melhores sistemas visuais, de reconhecimento de fala, resolução inteligente de problemas e várias outras capacidades que o aprendizado de máquina pode oferecer.

Alguns especialistas avançaram ainda mais. Gil Pratt, que chefia o instituto de pesquisas da Toyota, comparou a onda atual de tecnologia de IA à explosão cambriana há 500 milhões de anos, que permitiu o surgimento de uma enorme variedade de novas formas de vida. Naquela época, como agora, uma das mais importantes novas capacidades foi a visão. Quando os animais a adquiriram, ela os capacitou a explorar o ambiente de forma muito mais eficiente. Isso catalisou um aumento enorme no número de espécies, tanto de predadores como de presas, e de variedades de nichos ecológicos que foram preenchidos. Atualmente esperamos ver uma enorme variedade também de novos produtos, serviços, processos e formas organizacionais, além de numerosas extinções. Certamente haverá falhas estranhas, mas igualmente sucessos inesperados.

Embora seja difícil prever exatamente quais as empresas que dominarão no novo ambiente, um princípio geral se torna claro: as empresas e os executivos mais habilidosos e adaptáveis prosperarão. As organizações que perceberem e responderem com mais rapidez às oportunidades aproveitarão as vantagens no cenário facilitado pela IA. Por isso, a melhor estratégia é querer experimentar e aprender o quanto antes. Se os gestores não estão intensificando experimentos na área do aprendizado de máquina, eles não estão trabalhando certo. Na próxima década, a IA não substituirá os gestores, mas os gestores que adotarem a IA substituirão os que não o fizerem.
_______________________________________________________________________________
Erik Brynjolfsson é diretor da Iniciativa sobre Economia Digital do MIT, professor de ciências da administração da Faculdade Sloan, do MIT, e pesquisador associado do NBER (Centro Nacional de Pesquisas Econômicas).
Andrew McAfee, cientista e pesquisador principal do MIT, estuda os efeitos das tecnologias digitais nos negócios, na economia e na sociedade. É coautor, com Erik Brynjolfsson, de Machine, platform, crowd: harnessing our digital future (2017) e de The second machine age: work, progress and prosperity in a time of brilliant technologies (2014).

Share with your friends









Submit