Em resumo

O Outlook

A inteligência artificial está transformando os negócios e tem o impacto mais significativo quando aumenta os trabalhadores humanos em vez de substituí-los.

Os detalhes

As empresas veem os maiores ganhos de desempenho quando humanos e máquinas inteligentes colaboram. As pessoas são necessárias para treinar máquinas, explicar suas saídas e garantir seu uso responsável. A IA, por sua vez, pode melhorar as habilidades cognitivas e a criatividade dos humanos, libertar os trabalhadores de tarefas de baixo nível e ampliar suas capacidades físicas.

A prescrição

As empresas devem reimaginar seus processos de negócios, concentrando-se no uso da IA para obter mais flexibilidade ou velocidade operacional, maior escala, melhor tomada de decisão ou maior personalização de produtos e serviços.

Aviso: este texto foi traduzido com o uso de tradução automática e pode conter erros. Responda a esta pesquisa para nos enviar seus comentários e obtenha mais informações em nossas perguntas frequentes.
Read in English

A inteligência artificial está se tornando boa em muitos trabalhos “humanos” — diagnosticando doenças, traduzindo idiomas, prestando atendimento ao cliente — e está melhorando rapidamente. Isso está levantando temores razoáveis de que a IA acabará por substituir os trabalhadores humanos em toda a economia. Mas esse não é o resultado inevitável, ou mesmo muito provavelmente,. Nunca antes as ferramentas digitais foram tão responsivas para nós, nem nós às nossas ferramentas. Embora a IA altere radicalmente a forma como o trabalho é feito e quem o faz, o maior impacto da tecnologia será complementar e aumentar as capacidades humanas, e não substituí-las.

Certamente, muitas empresas usaram a IA para automatizar processos, mas aquelas que a implantam principalmente para deslocar os funcionários verão apenas ganhos de produtividade de curto prazo. Em nossa pesquisa envolvendo 1.500 empresas, descobrimos que as empresas alcançam as melhorias de desempenho mais significativas quando humanos e máquinas trabalham juntos. Através dessa inteligência colaborativa, humanos e IA aprimoram ativamente os pontos fortes complementares uns dos outros: a liderança, o trabalho em equipe, a criatividade e as habilidades sociais do primeiro e a velocidade, escalabilidade e capacidades quantitativas deste último. O que vem naturalmente para as pessoas (fazer uma piada, por exemplo) pode ser complicado para as máquinas, e o que é direto para as máquinas (analisando gigabytes de dados) permanece praticamente impossível para os seres humanos. Os negócios exigem os dois tipos de recursos.

Para aproveitar ao máximo essa colaboração, as empresas devem entender como os seres humanos podem aumentar as máquinas de forma mais eficaz, como as máquinas podem melhorar o que os humanos fazem melhor e como redesenhar processos de negócios para apoiar a parceria. Através de nossa pesquisa e trabalho no campo, desenvolvemos diretrizes para ajudar as empresas a alcançar isso e colocar o poder da inteligência colaborativa para funcionar.

Máquinas de auxiliar humanos

Os seres humanos precisam desempenhar três papéis cruciais. Eles devem treinar máquinas para executar determinadas tarefas; explicam os resultados dessas tarefas, especialmente quando os resultados são contra-intuitivos ou controversos; e sustentar o uso responsável de máquinas (por exemplo, impedindo que robôs prejudiquem humanos).

Treinamento.

Algoritmos de aprendizado de máquina devem ser ensinados a realizar o trabalho para o qual foram projetados. Nesse esforço, enormes conjuntos de dados de treinamento são acumulados para ensinar aplicativos de tradução automática a lidar com expressões idiomáticas, aplicativos médicos para detectar doenças e mecanismos de recomendação para apoiar a tomada de decisões financeiras. Além disso, os sistemas de IA devem ser treinados sobre a melhor forma de interagir com humanos. Enquanto as organizações de todos os setores estão agora nos estágios iniciais de preenchimento de funções de treinador, as principais empresas de tecnologia e grupos de pesquisa já têm equipes de treinamento e conhecimentos maduros.

Considere o assistente de IA da Microsoft, Cortana. O bot precisava de treinamento extensivo para desenvolver a personalidade certa: confiante, atencioso e prestativo, mas não mandona. Incutir essas qualidades levou inúmeras horas de atenção por uma equipe que incluía um poeta, um romancista e um dramaturgo. Da mesma forma, os treinadores humanos eram necessários para desenvolver as personalidades da Siri da Apple e da Alexa, da Amazon, para garantir que eles refletissem com precisão as marcas de suas empresas. A Siri, por exemplo, tem apenas um toque de sassiness, como os consumidores podem esperar da Apple.

Assistentes de IA agora estão sendo treinados para exibir características humanas ainda mais complexas e sutis, como simpatia. A start-up Koko, uma ramificação do MIT Media Lab, desenvolveu uma tecnologia que pode ajudar os assistentes de IA a parecer se comiserar. Por exemplo, se um usuário estiver tendo um dia ruim, o sistema Koko não responde com uma resposta enlatada, como “Sinto muito por ouvir isso”. Em vez disso, pode pedir mais informações e, em seguida, oferecer conselhos para ajudar a pessoa a ver seus problemas sob uma luz diferente. Se ele estivesse se sentindo estressado, por exemplo, Koko poderia recomendar pensar nessa tensão como uma emoção positiva que poderia ser canalizada para a ação.

Explicando.

À medida que as AIs chegam cada vez mais a conclusões por meio de processos opacos (o chamado problema da caixa preta), eles exigem especialistas humanos no campo para explicar seu comportamento para usuários não especialistas. Esses “explicadores” são particularmente importantes em indústrias baseadas em evidências, como lei e medicina, onde um profissional precisa entender como uma IA pesou insumos em, digamos, uma sentença ou recomendação médica. Os explicadores são igualmente importantes para ajudar as seguradoras e as autoridades da lei a entender por que um carro autônomo tomou ações que levaram a um acidente — ou não conseguiu evitar um. E os explicadores estão se tornando integrantes nas indústrias regulamentadas — na verdade, em qualquer indústria voltada para o consumidor, onde a produção de uma máquina pode ser desafiada como injusta, ilegal ou simplesmente errada. Por exemplo, o novo Regulamento Geral de Proteção de Dados (GDPR) da União Europeia dá aos consumidores o direito de receber uma explicação para qualquer decisão baseada em algoritmos, como a oferta de tarifas em um cartão de crédito ou hipoteca. Esta é uma área em que a IA contribuirá para aumentado emprego: Especialistas estimam que as empresas terão que criar cerca de 75.000 novos empregos para administrar os requisitos do GDPR.

Sustentando.

Além de ter pessoas que podem explicar os resultados da IA, as empresas precisam de “sustentadores” — funcionários que trabalham continuamente para garantir que os sistemas de IA estejam funcionando de forma adequada, segura e responsável.

A IA pode impulsionar nossas habilidades analíticas e de tomada de decisão e aumentar a criatividade.

Por exemplo, uma série de especialistas às vezes chamados de engenheiros de segurança se concentra em antecipar e tentar evitar danos causados por AIs. Os desenvolvedores de robôs industriais que trabalham ao lado das pessoas prestaram muita atenção para garantir que eles reconheçam humanos próximos e não os coloquem em perigo. Esses especialistas também podem analisar a análise de explicadores quando as AIs causam danos, como quando um carro autônomo está envolvido em um acidente fatal.

Outros grupos de sustentadores garantem que os sistemas de IA mantenham as normas éticas. Se um sistema de IA para aprovação de crédito, por exemplo, for considerado discriminador de pessoas em determinados grupos (como aconteceu), esses gerentes de ética são responsáveis por investigar e resolver o problema. Com um papel semelhante, os agentes de conformidade de dados tentam garantir que os dados que estão alimentando sistemas de IA estejam em conformidade com o GDPR e outras regulamentações de proteção ao consumidor. Uma função relacionada ao uso de dados envolve garantir que as AIs gerenciem as informações de forma responsável. Como muitas empresas de tecnologia, a Apple usa a IA para coletar detalhes pessoais sobre os usuários à medida que eles se envolvem com os dispositivos e softwares da empresa. O objetivo é melhorar a experiência do usuário, mas a coleta de dados sem restrições pode comprometer a privacidade, irritar os clientes e cumprir a lei. A “equipe de privacidade diferencial” da empresa trabalha para garantir que, enquanto a IA procura aprender o máximo possível sobre um grupo de usuários em um sentido estatístico, ela está protegendo a privacidade de usuários individuais.

Máquinas que auxiliam seres humanos

Máquinas inteligentes estão ajudando os seres humanos a expandir suas habilidades de três maneiras. Eles podem amplificar nossos pontos fortes cognitivos; interagir com clientes e funcionários para nos libertar para tarefas de nível superior; e encarnar habilidades humanas para ampliar nossas capacidades físicas.

Amplificação.

A inteligência artificial pode impulsionar nossas habilidades analíticas e de tomada de decisão, fornecendo as informações certas no momento certo. Mas também pode aumentar a criatividade. Considere como a IA Dreamcatcher da Autodesk aprimora a imaginação de designers excepcionais. Um designer fornece ao Dreamcatcher critérios sobre o produto desejado - por exemplo, uma cadeira capaz de suportar até 300 libras, com um assento de 18 polegadas do chão, feito de materiais que custam menos de US $75 e assim por diante. Ela também pode fornecer informações sobre outras cadeiras que ela acha atraentes. O Dreamcatcher então produz milhares de designs que correspondem a esses critérios, muitas vezes provocando ideias que o designer pode não ter considerado inicialmente. Ela pode então guiar o software, dizendo-lhe quais cadeiras ela gosta ou não, levando a uma nova rodada de projetos.

Durante todo o processo iterativo, o Dreamcatcher executa a miríade de cálculos necessários para garantir que cada projeto proposto atenda aos critérios especificados. Isso libera o designer para se concentrar na implantação de forças humanas exclusivas: julgamento profissional e sensibilidades estéticas.

Interagindo.

A colaboração homem-máquina permite que as empresas interajam com funcionários e clientes de maneiras novas e mais eficazes. Agentes de IA como a Cortana, por exemplo, podem facilitar a comunicação entre pessoas ou em nome de pessoas, como transcrever uma reunião e distribuir uma versão pesquisável por voz para aqueles que não puderam participar. Esses aplicativos são inerentemente escaláveis — um único chatbot, por exemplo, pode fornecer atendimento ao cliente de rotina para um grande número de pessoas simultaneamente, onde quer que estejam.

O SEB, um grande banco sueco, agora usa um assistente virtual chamado Aida para interagir com milhões de clientes. Capaz de lidar com conversas em linguagem natural, a Aida tem acesso a vastas lojas de dados e pode responder a muitas perguntas frequentes, como abrir uma conta ou fazer pagamentos transfronteiriços. Ela também pode fazer perguntas de acompanhamento dos chamadores para resolver seus problemas, e ela é capaz de analisar o tom de voz de um chamador (frustrado versus apreciativo, por exemplo) e usar essas informações para fornecer um melhor serviço mais tarde. Sempre que o sistema não consegue resolver um problema, o que acontece em cerca de 30% dos casos— ele transforma o chamador para um representante de atendimento ao cliente humano e, em seguida, monitora essa interação para aprender a resolver problemas semelhantes no futuro. Com a Aida lidando com solicitações básicas, os representantes humanos podem se concentrar em lidar com problemas mais complexos, especialmente aqueles de chamadores infelizes que podem exigir retenção de mão extra.

Incorporando.

Muitas AIs, como Aida e Cortana, existem principalmente como entidades digitais, mas em outras aplicações a inteligência é incorporada em um robô que aumenta um trabalhador humano. Com seus sofisticados sensores, motores e atuadores, as máquinas habilitadas para IA agora podem reconhecer pessoas e objetos e trabalhar com segurança ao lado de humanos em fábricas, armazéns e laboratórios.

Na fabricação, por exemplo, os robôs estão evoluindo de máquinas industriais potencialmente perigosas e “burras” para “cobots” inteligentes e contextualizados. Um braço cobot pode, por exemplo, lidar com ações repetitivas que exigem trabalho pesado, enquanto uma pessoa executa tarefas complementares que exigem destreza e julgamento humano, como montar um motor de engrenagem.

A Hyundai está estendendo o conceito de cobot com exoesqueletos. Esses dispositivos robóticos vestíveis, que se adaptam ao usuário e ao local em tempo real, permitirão que os trabalhadores industriais realizem seus trabalhos com resistência e força sobre-humanas.

Reimaginando seu negócio

Para obter o máximo valor da IA, as operações precisam ser redesenhadas. Para fazer isso, as empresas devem primeiro descobrir e descrever uma área operacional que pode ser melhorada. Pode ser um processo interno absoluto (como a lentidão do RH para preencher as posições da equipe), ou pode ser um problema anteriormente intratável que agora pode ser resolvido usando IA (como identificar rapidamente reações adversas a medicamentos em populações de pacientes). Além disso, várias novas técnicas analíticas avançadas e IA podem ajudar a enfrentar problemas anteriormente invisíveis que são passíveis de soluções de IA.

Em seguida, as empresas devem desenvolver uma solução por meio da co-criação — fazendo com que as partes interessadas imaginem como podem colaborar com sistemas de IA para melhorar um processo. Considere o caso de uma grande empresa agrícola que queria implantar a tecnologia de IA para ajudar os agricultores. Uma enorme quantidade de dados estava disponível sobre as propriedades do solo, padrões climáticos, colheitas históricas e assim por diante, e o plano inicial era construir um aplicativo de IA que previsse com mais precisão os rendimentos futuros das culturas. Mas em discussões com agricultores, a empresa soube de uma necessidade mais urgente. O que os agricultores realmente queriam era um sistema que pudesse fornecer recomendações em tempo real sobre como aumentar a produtividade — quais culturas plantar, onde cultivá-las, quanto nitrogênio usar no solo e assim por diante. A empresa desenvolveu um sistema de IA para fornecer tais conselhos, e os resultados iniciais foram promissores; os agricultores ficaram felizes com os rendimentos das culturas obtidas com a orientação da IA. Os resultados desse teste inicial foram então alimentados de volta ao sistema para refinar os algoritmos usados. Assim como acontece com a etapa de descoberta, novas técnicas de IA e análise podem ajudar na co-criação sugerindo novas abordagens para melhorar os processos.

O terceiro passo para as empresas é dimensionar e depois sustentar a solução proposta. O SEB, por exemplo, originalmente implantou uma versão da Aida internamente para ajudar 15.000 funcionários do banco, mas depois lançou o chatbot para seus um milhão de clientes.

Através do nosso trabalho com centenas de empresas, identificamos cinco características dos processos de negócios que as empresas normalmente desejam melhorar: flexibilidade, velocidade, escala, tomada de decisão e personalização. Ao reimaginar um processo de negócios, determine qual dessas características é central para a transformação desejada, como a colaboração inteligente pode ser aproveitada para resolvê-lo e quais alinhamentos e trade-offs com outras características do processo serão necessários.

Na Mercedes-Benz, os braços do cobot se tornam uma extensão do corpo do trabalhador humano.

Flexibilidade.

Para executivos da Mercedes-Benz, processos inflexíveis apresentaram um desafio crescente. Cada vez mais, os clientes mais lucrativos da empresa estavam exigindo sedans individualizados da classe S, mas os sistemas de montagem da montadora não podiam oferecer a personalização que as pessoas queriam.

Tradicionalmente, a fabricação de automóveis tem sido um processo rígido com etapas automatizadas executadas por robôs “burros”. Para melhorar a flexibilidade, a Mercedes substituiu alguns desses robôs por cobots habilitados para IA e redesenhou seus processos em torno de colaborações homem-máquina. Na fábrica da empresa, perto de Stuttgart, Alemanha, armas de cobots guiadas por trabalhadores humanos pegam e colocam peças pesadas, tornando-se uma extensão do corpo do trabalhador. Este sistema coloca o trabalhador no controle da construção de cada carro, fazendo menos trabalho manual e mais um trabalho de “pilotagem” com o robô.

As equipes homem-máquina da empresa podem se adaptar rapidamente. Na planta, os cobots podem ser reprogramados facilmente com um tablet, permitindo que eles lidem com diferentes tarefas, dependendo das mudanças no fluxo de trabalho. Essa agilidade permitiu que o fabricante alcançasse níveis de personalização sem precedentes. A Mercedes pode individualizar a produção de veículos de acordo com as escolhas em tempo real que os consumidores fazem nas concessionárias, mudando tudo, desde os componentes do painel de instrumentos de um veículo até o couro do assento até as tampas das válvulas dos pneus. Como resultado, não há dois carros que saem da linha de montagem na fábrica de Stuttgart são os mesmos.

Velocidade.

Para algumas atividades comerciais, o prêmio está em velocidade. Uma dessas operações é a detecção de fraudes de cartão de crédito. As empresas têm apenas alguns segundos para determinar se devem aprovar uma determinada transação. Se for fraudulento, eles provavelmente terão que comer essa perda. Mas se eles negarem uma transação legítima, perdem a taxa dessa compra e irritam o cliente.

Como a maioria dos grandes bancos, o HSBC desenvolveu uma solução baseada em IA que melhora a velocidade e a precisão da detecção de fraudes. A IA monitora e marca milhões de transações diariamente, usando dados sobre o local de compra e comportamento do cliente, endereços IP e outras informações para identificar padrões sutis que sinalizam possíveis fraudes. O HSBC primeiro implementou o sistema nos Estados Unidos, reduzindo significativamente a taxa de fraudes não detectadas e falsos positivos, e depois o lançou no Reino Unido e na Ásia. Um sistema de IA diferente usado pelo Danske Bank melhorou sua taxa de detecção de fraudes em 50% e diminuiu os falsos positivos em 60%. A redução no número de falsos positivos libera os investigadores para concentrar seus esforços em transações equívocas que a IA sinalizou, onde o julgamento humano é necessário.

A luta contra a fraude financeira é como uma corrida armamentista: uma melhor detecção leva a criminosos mais desonestos, o que leva a uma melhor detecção, que continua o ciclo. Assim, os algoritmos e modelos de pontuação para combater fraudes têm uma vida útil muito curta e exigem atualização contínua. Além disso, diferentes países e regiões usam modelos diferentes. Por essas razões, legiões de analistas de dados, profissionais de TI e especialistas em fraude financeira são necessárias na interface entre humanos e máquinas para manter o software um passo à frente dos criminosos.

Escala.

Para muitos processos de negócios, a baixa escalabilidade é o principal obstáculo para a melhoria. Isso é particularmente verdadeiro para processos que dependem de mão-de-obra humana intensiva com o mínimo de assistência à máquina. Considere, por exemplo, o processo de recrutamento de funcionários na Unilever. A gigante de bens de consumo estava procurando uma maneira de diversificar sua força de trabalho de 170.000 pessoas. O RH determinou que precisava se concentrar em contratações de nível básico e, em seguida, acelerar o melhor para o gerenciamento. Mas os processos existentes da empresa não foram capazes de avaliar potenciais recrutas em números suficientes — ao mesmo tempo que prestavam atenção individual a cada candidato — para garantir uma população diversificada de talentos excepcionais.

Veja como a Unilever combinou recursos humanos e de IA para dimensionar contratações individualizadas: Na primeira rodada do processo de inscrição, os candidatos são convidados a jogar jogos online que ajudem a avaliar características como aversão ao risco. Esses jogos não têm respostas certas ou erradas, mas ajudam a IA da Unilever a descobrir quais indivíduos podem ser mais adequados para uma determinada posição. Na próxima rodada, os candidatos são solicitados a enviar um vídeo no qual eles respondem a perguntas projetadas para a posição específica em que estão interessados. Suas respostas são analisadas por um sistema de IA que considera não apenas o que eles dizem, mas também sua linguagem corporal e tom. Os melhores candidatos dessa rodada, como julgado pela IA, são então convidados para a Unilever para entrevistas presenciais, após as quais os humanos tomam as decisões finais de contratação.

É muito cedo para dizer se o novo processo de recrutamento resultou em melhores funcionários. A empresa vem acompanhando de perto o sucesso dessas contratações, mas ainda são necessários mais dados. É claro, no entanto, que o novo sistema ampliou muito a escala do recrutamento da Unilever. Em parte porque os candidatos a emprego podem acessar facilmente o sistema por smartphone, o número de candidatos dobrou para 30.000 em um ano, o número de universidades representadas aumentou de 840 para 2.600 e a diversidade socioeconômica de novas contratações aumentou. Além disso, o tempo médio desde a aplicação até a decisão de contratação caiu de quatro meses para apenas quatro semanas, enquanto o tempo que os recrutadores gastam revisando os pedidos caiu 75%.

Tomada de decisão.

Ao fornecer aos funcionários informações e orientações personalizadas, a IA pode ajudá-los a tomar melhores decisões. Isso pode ser especialmente valioso para os trabalhadores nas trincheiras, onde fazer a decisão certa pode ter um enorme impacto nos resultados.

Considere a maneira pela qual a manutenção do equipamento está sendo melhorada com o uso de “gêmeos digitais” — modelos virtuais de equipamentos físicos. A General Electric constrói esses modelos de software de suas turbinas e outros produtos industriais e os atualiza continuamente com o fluxo de dados operacional do equipamento. Ao coletar leituras de um grande número de máquinas no campo, a GE acumulou uma riqueza de informações sobre o desempenho normal e aberrante. Seu aplicativo Predix, que usa algoritmos de aprendizado de máquina, agora pode prever quando uma parte específica em uma máquina individual pode falhar.

Essa tecnologia mudou fundamentalmente o processo intensivo de decisão de manutenção de equipamentos industriais. A Predix pode, por exemplo, identificar algum desgaste inesperado do rotor em uma turbina, verificar o histórico operacional da turbina, informar que o dano aumentou quatro vezes nos últimos meses e avisar que, se nada for feito, o rotor perderá cerca de 70% de sua vida útil. O sistema pode sugerir ações apropriadas, levando em consideração a condição atual da máquina, o ambiente operacional e dados agregados sobre danos e reparos semelhantes a outras máquinas. Junto com suas recomendações, a Predix pode gerar informações sobre seus custos e benefícios financeiros e fornecer um nível de confiança (digamos, 95%) para os pressupostos usados em sua análise.

Sem o Predix, os trabalhadores teriam sorte em capturar o dano do rotor em uma verificação de manutenção de rotina. É possível que não seja detectado até que o rotor falhe, resultando em um desligamento dispendioso. Com a Predix, os trabalhadores de manutenção são alertados sobre possíveis problemas antes de se tornarem sérios e têm as informações necessárias ao alcance dos dedos para tomar boas decisões — aquelas que às vezes podem economizar milhões de dólares à GE.

Personalização.

Proporcionar aos clientes experiências de marca personalizadas individualmente é o santo graal do marketing. Com a IA, essa personalização agora pode ser alcançada com precisão antes inimaginável e em grande escala. Pense na maneira como o serviço de streaming de música Pandora usa algoritmos de IA para gerar listas de reprodução personalizadas para cada um de seus milhões de usuários de acordo com suas preferências em músicas, artistas e gêneros. Ou considere a Starbucks, que, com a permissão dos clientes, usa a IA para reconhecer seus dispositivos móveis e chamar seu histórico de pedidos para ajudar os baristas a fazer recomendações de atendimento. A tecnologia de IA faz o que faz melhor, vasculhando e processando grandes quantidades de dados para recomendar certas ofertas ou ações, e os humanos fazem o que fazem de melhor, exercendo sua intuição e julgamento para fazer uma recomendação ou selecionar o melhor ajuste de um conjunto de escolhas.

A Carnival Corporation está aplicando IA para personalizar a experiência de cruzeiro para milhões de turistas por meio de um dispositivo vestível chamado Ocean Medallion e uma rede que permite que dispositivos inteligentes se conectem. O aprendizado de máquina processa dinamicamente os dados que fluem do medalhão e de sensores e sistemas em todo o navio para ajudar os hóspedes a tirar o máximo proveito de suas férias. O medalhão simplifica os processos de embarque e descascamento, rastreia as atividades dos hóspedes, simplifica a compra conectando seus cartões de crédito ao dispositivo e atua como uma chave de sala. Ele também se conecta a um sistema que antecipa as preferências dos hóspedes, ajudando os membros da tripulação a oferecer um serviço personalizado a cada hóspede, sugerindo itinerários personalizados de atividades e experiências gastronômicas.

A necessidade de novos papéis e talentos

Reimaginar um processo de negócios envolve mais do que a implementação da tecnologia de IA; também requer um compromisso significativo para desenvolver funcionários com o que chamamos de “habilidades de fusão” — aqueles que lhes permitem trabalhar de forma eficaz na interface homem-máquina. Para começar, as pessoas devem aprender a delegar tarefas à nova tecnologia, como quando os médicos confiam em computadores para ajudar a ler raios-X e ressonância magnética. Os funcionários também devem saber como combinar suas habilidades humanas distintas com as de uma máquina inteligente para obter um resultado melhor do que qualquer um deles poderia alcançar sozinhos, como na cirurgia assistida por robôs. Os trabalhadores devem ser capazes de ensinar aos agentes inteligentes novas habilidades e passar por treinamento para trabalhar bem dentro de processos aprimorados por IA. Por exemplo, eles devem saber a melhor forma de colocar perguntas a um agente de IA para obter as informações de que precisam. E deve haver funcionários, como os da equipe de privacidade diferencial da Apple, que garantam que os sistemas de IA de suas empresas sejam usados de forma responsável e não para fins ilegais ou antiéticos.

Esperamos que, no futuro, as funções da empresa sejam redesenhadas em torno dos resultados desejados dos processos reimaginados, e as corporações serão cada vez mais organizadas em torno de diferentes tipos de habilidades, em vez de em torno de títulos de trabalho rígidos. A AT&T já iniciou essa transição à medida que muda de serviços de telefone fixo para redes móveis e começa a treinar novamente 100.000 funcionários para novos cargos. Como parte desse esforço, a empresa reformulou completamente seu organograma: Aproximadamente 2.000 cargos de trabalho foram simplificados em um número muito menor de categorias amplas que englobam habilidades semelhantes. Algumas dessas habilidades são o que se pode esperar (por exemplo, proficiência em ciência de dados e disputas de dados), enquanto outras são menos óbvias (por exemplo, a capacidade de usar ferramentas simples de aprendizado de máquina para vender serviços cruzados).

CONCLUSÃO

A maioria das atividades na interface homem-máquina exige que as pessoas fazer coisas novas e diferentes (como treinar um chatbot) e faça as coisas de forma diferente (use esse chatbot para fornecer um melhor atendimento ao cliente). Até agora, no entanto, apenas um pequeno número das empresas que pesquisamos começou a reimaginar seus processos de negócios para otimizar a inteligência colaborativa. Mas a lição é clara: As organizações que usam máquinas meramente para deslocar trabalhadores por meio da automação perderão todo o potencial da IA. Essa estratégia é equivocada desde o início. Em vez disso, os líderes de amanhã serão aqueles que adotam a inteligência colaborativa, transformando suas operações, seus mercados, suas indústrias e, não menos importante, suas forças de trabalho.

A version of this article appeared in the July–August 2018 issue (pp.114–123) of Harvard Business Review.