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

Vistra, um grande produtor de energia dos EUA, teve um problema. Para que suas fábricas operassem de forma eficiente, os trabalhadores precisavam monitorar continuamente centenas de indicadores diferentes, rastreando temperaturas, pressões, níveis de oxigênio e velocidades da bomba e do ventilador - e precisavam fazer ajustes em tempo real. O processo envolveu uma enorme complexidade, e era demais até mesmo para o operador mais qualificado acertar o tempo todo. Para enfrentar esse desafio, a fábrica instalou uma ferramenta alimentada por IA - um otimizador de taxa de calor - que analisou centenas de entradas e gerou recomendações a cada 30 minutos. Resultado: um aumento de 1% na eficiência. Isso pode não parecer muito, mas se traduz em milhões em economia, bem como em menores emissões de gases de efeito estufa.

Empresas em uma ampla variedade de setores estão tentando integrar análises e dados para melhorar suas operações. A Wayfair, a empresa de comércio eletrônico, foi pioneira na transferência de seus dados para a nuvem e no investimento em aprendizado de máquina. Quando a Covid-19 atingiu, e as rápidas mudanças na demanda do consumidor se seguiram, ela foi capaz de otimizar a logística dos navios porta-contêineres, ajustando continuamente quais mercadorias eram enviadas para quais portos. Resultado: uma surpreendente redução de 7,5% nos custos de logística de entrada.

No entanto, nem todas as empresas tiveram tanto sucesso quanto a Wayfair. Na verdade, os melhores desempenhos podem ter mais do que o dobro do impacto na metade do tempo em comparação com a empresa média que implementa inteligência de máquina. Por que algumas empresas se saem muito melhor do que outras?

Para responder a essa pergunta, a McKinsey e o MIT Inteligência de máquina para fabricação e operações (MIMO) estudou 100 negócios em setores de automotivo a mineração. Por meio de entrevistas, pesquisas e uma pesquisa, buscamos ter uma ideia de como eles usavam tecnologias digitais, de análise de dados e de inteligência de máquina (MI); o que eles queriam alcançar; e como eles acompanhavam seu progresso. Ao analisar 21 indicadores de desempenho em nove categorias — estratégia, foco na oportunidade, governança, implantação, parcerias, pessoas, execução de dados, orçamento e resultados — conseguimos dividir as 100 empresas em quatro categorias: líderes, planejadores, executores e organizações emergentes para identificar o relações entre ações tomadas e investimentos realizados, e resultados tangíveis e sustentáveis.

Qualquer empresa com ambições de ganhar com tecnologias digitais avançadas tem a oportunidade de aprender com as abordagens de melhores práticas, seja um planejador, um executor ou uma empresa emergente hoje. Examinamos além dos números de nível superior para explorar os impulsionadores subjacentes do sucesso.

Os segredos por trás dos operadores inteligentes

A corrida para alavancar dados e análises pode ser vencida com várias ações coordenadas, em vez de qualquer movimento ousado. Todos os quatro segmentos - líderes, planejadores, executores e empresas emergentes - estão operando em um espaço dinâmico onde a fasquia está aumentando e o número de casos de uso de aprendizado de máquina continuará a aumentar e se incorporar aos negócios como de costume.

Nem todo mundo deve se esforçar para ser um líder imediatamente; em vez disso, eles devem se esforçar para passar para o próximo estado melhor.

Líderes são os melhores desempenhos e compreendem cerca de 15% da amostra. Ao investir nos lugares certos, eles capturaram os maiores ganhos das tecnologias digitais avançadas. É muito mais provável que os líderes tenham um processo definido para a avaliação e implementação da inovação digital. Também é mais provável que eles sigam esse processo regularmente e o atualizem continuamente. Como resultado, eles alcançaram melhorias significativamente maiores do que o resto em 20 dos 21 indicadores-chave de desempenho avaliados e ficaram entre os 25% melhores em todas as nove categorias de desempenho.

Planejadores compreendem cerca de um quarto do conjunto de dados. Os planejadores geralmente têm fortes habilidades pessoais e considerável experiência em execução de dados; eles são metódicos e focados em fazer os investimentos certos. Em muitos casos, porém, eles ainda não valeram a pena, embora alguns estejam prestes a se juntar aos líderes. Embora alguns planejadores sejam capazes de apontar para implementações bem-sucedidas, vários não conseguiram decifrar o código ao dimensionar os casos de uso que realmente contam. Outros estão lutando para escapar do” purgatório piloto” McKinsey descreveu em 2018.

Executores, aproximadamente um terço dos entrevistados, aproveita o conjunto cada vez maior de conhecimentos e trabalha com parceiros para criar soluções específicas direcionadas às oportunidades mais promissoras. Em seguida, eles implementam essas soluções da forma mais ampla possível. Os executores são orientados para resultados. Eles podem e alcançaram ganhos significativos, apesar de construírem menos infraestrutura do que os líderes ou planejadores. Por outro lado, às vezes eles acham difícil unir esforços díspares para o desempenho de toda a empresa.

Empresas emergentes, cerca de um quarto do pool, tem o menor nível de maturidade e viu os menores ganhos; muitos estão apenas começando. Algumas empresas emergentes relatam sucesso moderado com casos de uso selecionados, mas outras estão achando difícil até descobrir onde investir. Poucos têm a estratégia, as habilidades ou a infraestrutura para ir muito mais longe.

Cinco maneiras de ser inteligente sobre a inteligência da máquina

Em geral, descobrimos que as empresas que tiveram sucesso na implantação de tecnologias digitais avançadas fizeram uma avaliação honesta de onde estavam em termos dos nove indicadores de desempenho. Com base nisso, eles conseguiram formar uma visão de onde queriam estar em três ou quatro anos. Ao mesmo tempo, eles identificaram alguns casos de uso promissores para obter ganhos rápidos. Mais especificamente, a pesquisa identificou cinco áreas em que os melhores desempenhos se destacam.

Governança.

A inteligência de máquina é uma prioridade estratégica para empresas líderes. Muitos construíram centros de excelência dedicados para apoiar seus esforços de implementação, seja dentro de unidades de negócios ou como uma função centralizada para apoiar toda a organização, garantir padrões e acelerar a implantação. Uma função de suporte dedicada e centralizada também ajuda a manter seus programas digitais no caminho certo e documenta como seu portfólio está progredindo. É muito mais provável que os líderes do que as empresas de baixo desempenho tenham um processo definido para a avaliação e implementação da inovação digital. Por exemplo, a empresa farmacêutica Bayer usa um processo de governança bem documentado para implantar vários aplicativos em uma fábrica, que depois implementou em toda a sua rede, resultando em um aumento de receita.

No entanto, os líderes também reconhecem que a mudança é inevitável neste espaço de movimento rápido. A maioria dos líderes em nosso conjunto de dados aprimora e aprimora continuamente seus processos, enquanto os executores e planejadores em nosso conjunto de dados geralmente ficam presos, o que limita a capacidade de escalar com sucesso.

Implantação.

As organizações líderes aplicam a MI de forma mais ampla e usam abordagens mais sofisticadas. Por exemplo, cada líder implementou o MI em previsão, otimização de manutenção e logística e transporte. Os líderes também são muito mais propensos a adotar abordagens avançadas, como a aplicação da visão de máquina à garantia de qualidade do produto. Uma empresa biofarmacêutica, a Amgen, descobriu que as operações do sistema de inspeção visual representavam grandes oportunidades para automatizar e alavancar as tecnologias de IA. Amgen é em desenvolvimento um sistema de inspeção visual totalmente validado usando IA que aumentará a detecção de partículas em 70% e reduzirá as falsas rejeições em 60%.

Embora aplicativos como esses possam ter um tremendo impacto, essas empresas também percebem que qualquer impacto a longo prazo requer o acionamento de várias alavancas em conjunto, e que a implantação ampla em toda a empresa é fundamental.

Parcerias.

Parcerias são comuns, geralmente com universidades, start-ups, fornecedores de tecnologia existentes e consultores externos. Os líderes, no entanto, trabalharam com uma gama maior de parceiros, e de forma mais intensa, a fim de maximizar a velocidade e o aprendizado. Por exemplo, Colgate-Palmolive e Pepsico/Frito-Lay, duas empresas de produtos de consumo trabalharam com um fornecedor de sistemas, Augury, implantaram diagnósticos de integridade de máquinas orientados por IA em suas linhas de produção; em um caso, isso evitou uma interrupção de oito dias. A Analog Devices, uma empresa de semicondutores, colaborou com o MIT para desenvolver um novo controle de qualidade de MI que permitiu identificar quais execuções de produção e ferramentas podem ter uma falha. Isso significava que os engenheiros da empresa só precisavam revisar 5% dos dados do processo que precisavam antes.

Os líderes, apesar de suas maiores capacidades, realmente confiaram mais em parceiros externos para acelerar ainda mais seu aprendizado e tempo para impactar.

Pessoas.

As empresas líderes tomam medidas para garantir que o maior número possível de partes interessadas tenha as habilidades e os recursos necessários para empregar abordagens digitais avançadas, em vez de manter essa experiência sob reserva de especialistas. Mais da metade treina seu pessoal de linha de frente nos fundamentos de MI, por exemplo, em comparação com apenas 4% de outras empresas. O McDonald's, um restaurante global de serviço rápido, usou o MI para melhorar uma ampla gama de tarefas operacionais, desde a previsão da resposta do cliente até a previsão de passos em tempo real. A empresa adotou uma abordagem híbrida para fazer isso: seu centro de excelência corporativo testa e desenvolve novas abordagens antes de embalá-las em ferramentas fáceis de usar que são amplamente disponibilizadas. Esse sistema ajuda os membros da equipe em campo a entender a importância de bons dados e aprimorar suas habilidades de identificação de problemas.

Ficou claro que os líderes veem o uso de dados e análises como profundamente incorporado à forma como operam, em vez de mantê-los isolados e restritos a alguns funcionários.

Disponibilidade de dados.

Os líderes tornam os dados acessíveis. Todos os líderes em nossa pesquisa dão à equipe da linha de frente acesso aos dados, em comparação com 62% do restante. Todos os líderes também adquirem dados de clientes e fornecedores e 89% compartilham seus próprios dados de volta. As empresas líderes têm quase duas vezes mais chances do que outras de permitir o acesso remoto aos dados e armazenar uma fração significativa de seus dados na nuvem. Em resumo, a democratização dos dados é um aspecto crítico para o uso efetivo da análise. Um bom exemplo vem da Cooper Standard, um fornecedor automotivo. Ele exige que as equipes abordem a estratégia de dados no início do processo de desenvolvimento para novos aplicativos de MI; isso garante que todos os casos de uso sejam construídos com base em dados robustos e bem gerenciados. Essa democratização dos dados contrasta fortemente com muitas empresas onde a informação é poderosa e zelosamente protegida.

Blocos de construção para a transformação digital

Descobrimos que as cinco áreas — governança, implantação, parcerias, pessoas e dados — eram mais eficazes quando integradas a um manual, muitas vezes coordenadas por um centro de excelência. Mas, primeiro, as empresas precisam de uma avaliação honesta de seu ponto de partida nas nove dimensões. A partir daí, um plano de transição pode começar a tomar forma. Mesmo que seja difícil, ele atribui metas realistas de médio prazo que respondem pelas barreiras à mudança - talentos qualificados, capacidade de investimento e infraestrutura crítica, como a migração de dados de sistemas legados para a nuvem. Embora a ambição possa ser ilimitada, as etapas não podem ser muito pequenas - a maioria dos líderes começou usando dados e ferramentas simples para tomar decisões e, em seguida, passou para técnicas mais avançadas à medida que criavam maturidade e familiaridade com seus dados.

Apesar dos avanços recentes e significativos no MI, a escala total da oportunidade está apenas começando a se desdobrar. E isso nos leva a mais uma diferença importante entre os líderes e o resto: dinheiro. Os líderes gastaram de 30 a 60% a mais e esperavam aumentar seus orçamentos de 10 a 15%, enquanto os outros relataram pouco ou nenhum aumento. Isso significa que a lacuna entre os líderes e o resto pode realmente aumentar.

Dependendo do ponto de partida, o caminho de cada empresa será diferente. Mas em termos do que funciona, os líderes estão mostrando o caminho.

Os autores gostariam de agradecer a Duane Boning, Erez Kaminski, Pete Kimball, Retsef Levi, Ingrid Millan e Aaron Wang, juntamente com o programa de LGO do MIT, por suas contribuições para esta pesquisa e artigo.