INTRODUÇÃO
O impacto da adoção de dados e IA nas organizações: revelando os prós, os contras e as preocupações futuras.
Na era digital, os dados e a inteligência artificial (IA) surgiram como ferramentas poderosas que podem revolucionar a maneira como as organizações operam. A adoção de tecnologias de dados e IA tem o potencial de impulsionar a eficiência, aprimorar os processos de tomada de decisão e abrir novas oportunidades para empresas em vários setores. No entanto, como acontece com qualquer tecnologia transformadora, há aspectos positivos e negativos a serem considerados. Este artigo explora o impacto da adoção de dados e IA nas organizações, destacando os benefícios, as desvantagens e os pontos de preocupação para o futuro.
IMPACTO DE DADOS E IA NAS ORGANIZAÇÕES
Aspectos positivos
- Tomada de decisão aprimorada: os dados e a IA permitem que as organizações acessem e analisem grandes quantidades de informações, capacitando-as a tomar decisões baseadas em dados. Os algoritmos de IA podem processar conjuntos de dados complexos, identificar padrões e gerar insights que os analistas humanos podem ignorar. Isso leva a uma tomada de decisão mais bem informada, maior eficiência operacional e uma vantagem competitiva no mercado.
- Maior eficiência e produtividade: a automação alimentada por IA pode simplificar tarefas repetitivas, permitindo que os funcionários se concentrem em atividades mais complexas e de valor agregado. Ao automatizar processos rotineiros, as organizações podem obter maior eficiência, reduzir custos e alocar recursos estrategicamente. Além disso, os chatbots e assistentes virtuais com tecnologia de IA aprimoram o atendimento ao cliente, fornecendo suporte em tempo real, melhorando os tempos de resposta e aumentando a satisfação do cliente.
- Experiências personalizadas: insights baseados em dados permitem que as organizações personalizem produtos, serviços e experiências de acordo com as preferências individuais dos clientes. Ao analisar os dados do cliente, os algoritmos de IA podem gerar recomendações personalizadas, campanhas de marketing e interfaces de usuário. Essa abordagem personalizada aumenta o envolvimento do cliente, promove a fidelidade e impulsiona o crescimento da receita.
- Segurança e proteção aprimoradas: as tecnologias de IA podem melhorar significativamente a segurança e a proteção em vários setores. Por exemplo, sistemas de vigilância baseados em IA podem identificar ameaças potenciais, monitorar atividades em tempo real e prevenir incidentes criminais. Na área da saúde, os algoritmos de IA podem analisar dados médicos para detectar sinais precoces de doenças e melhorar os resultados dos pacientes. Além disso, as soluções de segurança cibernética baseadas em IA podem identificar e mitigar riscos potenciais, protegendo as organizações contra ameaças cibernéticas.
Aspectos negativos
- Privacidade e ética de dados: a adoção de dados e IA levanta preocupações sobre privacidade e implicações éticas. As organizações devem garantir que as práticas de coleta e uso de dados sigam as diretrizes legais e éticas. Violações de dados e manuseio incorreto podem levar a graves danos à reputação e consequências legais. Além disso, o uso de algoritmos de IA levanta preocupações com relação a preconceito, justiça e transparência, exigindo desenvolvimento e implantação de IA responsável
- Deslocamento de empregos e mudanças na força de trabalho: o potencial de automação da IA pode levar ao deslocamento de empregos em certos setores, causando preocupações sobre desemprego e desigualdade econômica. As organizações devem planejar e gerenciar cuidadosamente as transições da força de trabalho, requalificando os funcionários para trabalhar junto com os sistemas de IA. A integração colaborativa de IA e inteligência humana pode desbloquear novas funções e oportunidades de trabalho.
- Dependência excessiva da tecnologia: embora a IA e a tomada de decisão baseada em dados sejam ferramentas poderosas, a dependência excessiva da tecnologia pode ser prejudicial. As organizações devem encontrar um equilíbrio entre o julgamento humano e os insights de IA. Confiar apenas em algoritmos de IA pode levar à exclusão de fatores intangíveis, diminuindo a criatividade, a intuição e o pensamento crítico. A supervisão e a intervenção humana são cruciais para a tomada de decisões éticas e a responsabilidade.
Pontos de preocupação para o futuro
- Viés algorítmico e discriminação: a presença de dados tendenciosos ou algoritmos falhos pode perpetuar a discriminação e a desigualdade. As organizações devem abordar ativamente os vieses nos dados de treinamento, algoritmos e processos de tomada de decisão. Auditorias regulares, diversas equipes de desenvolvimento e sistemas transparentes de IA podem ajudar a mitigar essas preocupações.
- Transformação do mercado de trabalho: à medida que a tecnologia de IA avança, as organizações devem antecipar e se preparar proativamente para as mudanças no mercado de trabalho. A colaboração entre indústria, governos e instituições educacionais é vital para aprimorar e requalificar a força de trabalho, garantindo que os indivíduos estejam equipados com as habilidades necessárias para os empregos do futuro.
- Estruturas regulatórias e responsabilidade: governos e órgãos reguladores enfrentam o desafio de desenvolver estruturas abrangentes que abordem as implicações éticas, legais e sociais da IA. O estabelecimento de diretrizes, padrões e medidas de responsabilidade claras pode promover a confiança e garantir a adoção responsável da IA nas organizações.
CONCLUSÃO
A adoção de dados e IA nas organizações tem potencial transformador, trazendo inúmeros benefícios como melhoria na tomada de decisões, ganhos de eficiência e experiências personalizadas. No entanto, também apresenta desafios, incluindo questões de privacidade, deslocamento de empregos e a necessidade de desenvolvimento ético de IA. Para aproveitar todo o potencial dos dados e da IA, as organizações devem enfrentar esses desafios com responsabilidade, abordando as preocupações relacionadas ao preconceito, privacidade e colaboração humano-IA. Ao fazer isso, eles podem construir um futuro em que os dados e a IA sejam aproveitados para o benefício da sociedade, mantendo os padrões éticos e promovendo a inclusão.
REFERÊNCIAS BIBLIOGRÁFICAS
ACEMOGLU, D.; RESTREPO, P. Robots and jobs: Evidence from us labor markets. Journal of Political Economy, Elsevier B.V., v. 128, n. 6, p. 2188 – 2244, 2020. Disponível em: http://dx:doi:org/10:1016/S0169-7218(11)02410-5. Acesso em: 17/02/2021.
ADADI, A.; BERRADA, M. Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access, v. 6, p. 52138 – 52160, 2018. Disponível em: DOI:10:1109/ACCESS:2018:2870052. Acesso em: 19/07/2020.
ADAMS, R. J.; SMART, P.; HUFF, A. S. Shades of Grey: Guidelines for Working with the Grey Literature in Systematic Reviews for Management and Organizational Studies. IJMR, v. 19, n. 4, p. 432 – 454, 2017. ISSN 14682370. Disponível em: https://doi:org/10:1111/ijmr:12102. Acesso em: 25/10/2020.
ALEXANDROV, N. M. Explainable AI decisions for human-autonomy interactions. 17th AIAA Aviation Technology, Integration, and Operations Conference, n. June, p. 1 – 7, 2017. ISSN 9781624105081. Disponível em: https://doi:org/10:2514/6:2017-3991. Acesso em: 20/07/2020.
ANSARI, F.; EROL, S.; SIHN, W. Rethinking Human-Machine Learning in Industry 4.0: How Does the Paradigm Shift Treat the Role of Human Learning? Procedia Manufacturing, v. 23, n. 2017, p. 117 – 122, 2018. ISSN 23519789. Disponível em: https://doi:org/10:1016/j:promfg:2018:04:003. Acesso em: 12/07/2020.
BCG. The big leap toward AI at scale. BCG Henderson Institute, 2018. Disponível em: https://www:bcg:com/en-ch/publications/2018/big-leap-toward-ai- scale:aspx. Acesso em: 17/05/2020.
BENBYA, H.; DAVENPORT, T. H.; PACHIDI, S. Special Issue Editorial: Artificial Intelligence in Organizations: Current State and Future Opportunities. MIS Quarterly Executive, v. 19, n. 4, 2020. Disponível em: https://aisel:aisnet:org/misqe/vol19/iss4/4. Acesso em: 17/02/2021.
BENEŠOVÁ, A.; TUPA, J. Requirements for Education and Qualification of People in Industry 4.0. 27th International Conference on Flexible Automation and Intelligent Manufacturing, v. 11, n. June, p. 2195 – 2202, 2017. ISSN 23519789. Disponível em: https://doi:org/10:1016/j:promfg:2017:07:366. Acesso em: 12/07/2020.
BRYNJOLFSSON, E.; MCAFEE, A. The Business of Artificial Intelligence: what it can and cannot do for your organization. Harvard Business Review, p. 4 – 11, 2017. Disponível em: https://hbr:org/cover-story/2017/07/the-business-of- artificial-intelligence. Acesso em: 05/04/2020.
BRYNJOLFSSON, E.; MITCHELL, T. What can machine learning do? Workforce implications: Profound change is coming, but roles for humans remain. Science, v. 358, n. 6370, p. 1530 – 1534, 2017. Disponível em: DOI:10:1126/science:aap8062. Acesso em: 05/04/2020.
BRYNJOLFSSON, E.; ROCK, D.; SYVERSON, C. Artificial Intelligence and the Modern Productivity Paradox: a Clash of Expectations and Statistics. NBER WORKING PAPER SERIES, p. 23 – 60, 2017. ISSN 2899218714742. Disponível em: http://www:nber:org/papers/w24001. Acesso em: 10/05/2020.
CARPENTER, K. A. et al. Deep learning and virtual drug screening. FUTURE MEDICINAL CHEMISTRY, v. 10, n. 21, p. 1 – 10, Outubro 2018. Disponível em: https://doi:org/10:4155/fmc-2018-0314. Acesso em: 07/03/2021.
CARUSO, L. Digital innovation and the fourth industrial revolution: epochal social changes? AI & Soc / OPEN FORUM, v. 33, n. 3, p. 379 – 392, 2018. Disponível em: DOI:10:1007/s00146-017-0736-1. Acesso em: 19/07/2020.
COGNUB. COGNITIVE COMPUTING AND MACHINE LEARNING. 2020. Online. Disponível em: http://www:cognub:com/index:php/cognitive-platform/. Acesso em: 17/02/2021.
DAUGHERTY, P.; WILSON, J. Together, people and AI are reinventing business processes from the ground up. Accenture, p. 19 –, 2018. Disponível em: https://www:accenture:com/t20180424T033337Zw/us-en/_acnmedia/PDF76/Accenture- Process-Reimagined:pdf. Acesso em: 05/04/2020.
DAVENPORT, T. H. The analytics team. INFORMS Analytics Body of Knowledge, p. 49 – 76, 2018. ISSN 9781119505914. Disponível em: DOI:10:1002/9781119505914:ch3. Acesso em: 05/04/2020.
DAVENPORT, T. H.; BEAN, R. Data and Innovation: How Big Data and AI are Driving Business Innovation. MIT Sloan Management Review, 2018. ISSN 18785891. Disponível em: https://doi:org/10:1590/s0034-759020190604. Acesso em: 05/04/2020.
DAVENPORT, T. H.; KIRBY, J. Only humans need apply: winners and losers in the age of smart machines. Kindle edition. Harper Business, 2016. 281 p. Disponível em: https://www:amazon:com/Only-Humans-Need-Apply-Machines- ebook/dp/B014PT1QYU. Acesso em: 05/04/2020.
DAVENPORT, T. H.; RONANKI, R. Artificial Intelligence for the Real World. Harvard Business Review, p. 108 – 116, 2018. Disponível em: https://hbr:org/2018/01/artificial- intelligence-for-the-real-world. Acesso em: 05/04/2020.
DELOITTE. Skills change, but Capabilities Endure: Why Fostering Human Capabilities First might be more Important than Reskilling in the Future of Work. Deloitte Insights, p. 16 – 16, 2019. Disponível em: https://www2:deloitte:com/us/en/insights/focus/technology-and- the-future-of- work/future-of-work-human-capabilities:html. Acesso em: 19/07/2020.
DELOITTE. Talent and workforce effects in the age of AI. Deloitte Insights, n. 2nd, p. 28 –, 2020. Disponível em: https://www2:deloitte:com/content/dam/insights/us/articles/6546_talent-and- workforce-effects-in-the-age-of-ai/DI_Talent-and-workforce-effects-in- the-age-of- AI:pdf. Acesso em: 09/08/2020.
DUAN, Y.; CAO, G.; EDWARDS, J. S. Understanding the impact of business analytics on innovation. European Journal of Operational Research, 2018. Disponível em: DOI:10:1016/j:ejor:2018:06:021. Acesso em: 17/02/2021.
DUAN, Y.; EDWARDS, J. S.; DWIVEDI, Y. K. Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda. International Journal of Information Management, p. 63 – 71, 2019. Disponível em: DOI:10:1016/j:ijinfomgt:2019:01:021. Acesso em: 05/04/2020.
FRANK, M. R. et al. Toward understanding the impact of artificial intelligence on labor. PNAS, p. 201900949 – 9, 3 2019. Disponível em: http://www:pnas:org/lookup/doi/10:1073/ pnas:1900949116. Acesso em: 19/07/2020.
GARIBALDO, F.; REBECCHI, E. Nothing but a human. AI & Soc, v. 33, n. 3, p. 313 – 321, 2018. Disponível em: DOI:10:1007/s00146-017-0741-4. Acesso em: 19/07/2020.
GAVRIUSHENKO, M.; KAIKOVA, O.; TERZIYAN, V. Bridging human and machine learning for the needs of collective intelligence development. International Conference on Industry 4.0 and Smart Manufacturing, v. 42, n. 2019, p. 302 – 306, 2020. Disponível em: https://doi:org/10:1016/j:promfg:2020:02:092. Acesso em: 19/07/2020.
HAENLEIN, M.; KAPLAN, A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, v. 61, n. 4, p. 5 – 14, 2019. Disponível em: DOI:10:1177/0008125619864925. Acesso em: 21/11/2020.
HAYES, B. Data Science Skills and the Improbable Unicorn. AnalyticsWeek, Nashua/NH, 2016. Disponível em: https://analyticsweek:com/content/data- science-skills-and-the- improbable-unicorn/. Acesso em: 17/02/2021.
HOWARD, J. Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, v. 62, n. 11, p. 917 – 926, 2019. Disponível em: DOI:10:1002/ajim:23037. Acesso em: 05/04/2020.
INSTITUTO CAPPRA. Mapa da Maturidade Analítica Brasileira. 2020. Online. Disponível em: https://www:cappra:institute/ima. Acesso em: 17/02/2021.
JARRAHI, M. H. Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, p. 577 – 586, 2018. Disponível em: DOI:10:1016/j:bushor:2018:03:007. Acesso em: 19/07/2020.
LEGG, P.; SMITH, J.; DOWNING, A. Visual analytics for collaborative human- machine confidence in human-centric active learning tasks. Human-centric Computing and Information Sciences, v. 9, n. 1, 2019. Disponível em: https://doi:org/10:1186/s13673- 019-0167-8. Acesso em: 05/04/2020.
LOFTUS, M.; MADDEN, M. G. A pedagogy of data and Artificial Intelligence for student subjectification. Teaching in Higher Education, v. 25, n. 4, p. 456 – 475, 2020. Disponível em: DOI: 10:1080/13562517:2020:1748593. Acesso em: 19/07/2020.
MATTHEWS, G. et al. Evolution and revolution: Personality research for the coming world of robots, artificial intelligence, and autonomous systems. Personality and Individual Differences, n. February, p. 109969 –, 2020. Disponível em: https://doi:org/10:1016/j:paid:2020:109969. Acesso em: 19/07/2020.
MCKINSEY. Global AI Survey: AI proves its worth, but few scale impact. Mckinsey Analytics, n. November, p. 1 – 16, 2019a. Disponível em: https://www:mckinsey:com/ featured-insights/artificial-intelligence/global-ai-survey- ai-proves-its-worth-but-few-scale- impact. Acesso em: 19/07/2020.
MCKINSEY. The analytics academy: Bridging the gap between human and artificial intelligence. Mckinsey Analytics, n. September, p. 1 – 9, 2019b. Disponível em: https://www:mckinsey:com/business-functions/mckinsey-analytics/our-insights/the- analytics-academy-bridging-the-gap-between-human- and-artificial-intelligence. Acesso em: 19/07/2020.
MCKINSEY. Beyond hiring: How companies are reskilling to address talent gaps. McKinsey Insights, n. January, p. 1 – 9, 2020a. Disponível em: https://www:mckinsey:com/business- functions/organization/our-insights/beyond- hiring-how-companies-are-reskilling-to-address-talent-gaps. Acesso em: 19/07/2020.
MCKINSEY. Global survey: The state of AI in 2020. Mckinsey Analytics, n. November, p. 13 – 13, 2020b. Disponível em: https://www:mckinsey:com/~/media/McKinsey/BusinessFunctions/McKinseyAnalytics/OurInsights/GlobalsurveyThestateofAIin2020/Global-survey-The-state-of-AI-in-2020:pdf. Acesso em: 21/11/2020.
MCKINSEY. How to build AI with (and for) everyone in your organization. Mckinsey Analytics, n. May, 2020c. Disponível em: https://www:mckinsey:com/business-functions/mckinsey-analytics/our- insights/how-to-build-ai-with-and-for-everyone-in-your- organization. Acesso em: 19/07/2020.
MILLER, S. M. AI: Augmentation, more so than automation. Asian Management Insights, p.1 – 20, 2018. Disponível em: https://ink:library:smu:edu:sg/ami. Acesso em: 05/04/2020.
OFFICE OF HUMAN RESOURCES AT THE NATIONAL INSTITUTES OF HEALTH. Competencies Proficiency Scale. 2009. Disponível em: https://hr:od:nih:gov/workingatnih/ competencies/proficiencyscale:htm. Acesso em: 17/02/2021.
SCHAEFER, K. E. et al. Quantifying human decision-making: Implications for bidirectional communication in human-robot teams. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). [s.n.], 2018. v. 10909 LNCS, p. 361 – 379. Disponível em: DOI:10:1007/978-3-319-91581-4_27. Acesso em: 05/04/2020.
SHRESTHA, Y. R.; BEN-MENAHEM, S. M.; KROGH, G. V. Organizational Decision-Making Structures in the Age of Artificial Intelligence. California Management Review, p. 1 – 18, 2019. Disponível em: DOI:10:1177/0008125619862257. Acesso em: 19/07/2020.
VERGARA, S. C. Métodos de pesquisa em administração. 6. ed. São Paulo: Atlas, 2015. Acesso em: 19/07/2020.
WALSH, K. R.; HOQUE, M. T.; WILLIAMS, K. Human Machine Learning Symbiosis. Journal of Learning in Higher Education, v. 13, n. 1, p. 55 – 62, 2017. Disponível em: http://search:ebscohost:com/login:aspx?direct=true&db=eue&AN=122824688&site=eh ost-live. Acesso em: 05/04/2020.
WANG, N. et al. Is it my looks? Or something i said? The impact of explanations, embodiment, and expectations on trust and performance in human-robot teams. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). [s.n.], 2018. p. 56 – 69. Disponível em: DOI:10:1007/978-3-319-78978-1_5. Acesso em: 05/04/2020.
WEF. The Future of Jobs Report 2018. World Economic Forum, 2018. Disponível em: https://www:weforum:org/reports/the-future-of-jobs-report-2018. Acesso em: 19/07/2020.
WEF. Data Science in the New Economy. World Economic Forum, n. July, 2019. Disponível em: http://www3:weforum:org/docs/WEF_Data_Science_In_the_New_Economy:pdf. Acesso em: 19/07/2020.
WEF. The Future of Jobs Report 2020. World Economic Forum, n. October, 2020. Disponível em: https://www:weforum:org/reports/the-future-of-jobs-report- 2020. Acesso em: 17/02/2021.
WILSON, J.; DAUGHERTY, P. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review Digital Article, v. 96, n. August, p. 114 – 123, 2018. Disponível em: https://hbsp:harvard:edu/product/R1804J-PDF-ENG. Acesso em: 05/04/2020.
WOLF, C. T.; BLOMBERG, J. L. Evaluating the promise of human-algorithm collaborations in everyday work practices. PACMHCI, v. 3, n. CSCW, p. 1 – 23, 2019. Disponível em: DOI:10:1145/3359245. Acesso em: 19/07/2020.
ZHANG, D. et al. The AI Index 2021 Annual Report. Stanford, 2021. Disponível em: https://hai:stanford:edu/research/ai-index-2021. Acesso em: 06/03/2021.
ZOU, H. et al. Understanding human behaviors in crowds by imitating the decision-making process. Computer Science, v. 1, p. 7648 – 7655, 2018. Acesso em: 05/04/2020.
