Muitas iniciativas empresariais de IA falham não porque a tecnologia seja falha, mas porque caem na “armadilha piloto”. As empresas muitas vezes lançam dezenas de experimentos desconectados – um fenômeno conhecido como “expansão piloto” – que nunca se transformam em valor comercial real.
Insights recentes de líderes de tecnologia do MassMutual e do Mass General Brigham (MGB) revelam como as organizações estão superando esse obstáculo. Ao substituir a experimentação descoordenada por uma governação rigorosa, métricas claras e integração estratégica, estas empresas estão a transformar o potencial da IA em produtividade mensurável.
MassMutual: A abordagem científica do valor
Para o MassMutual, uma instituição de serviços financeiros com 175 anos, a IA não é mais uma experiência; é uma realidade de produção. A empresa integrou com sucesso a IA em subscrição, sinistros, atendimento ao cliente e TI. Os resultados são impressionantes:
– A produtividade do desenvolvedor aumentou em 30%.
– Os tempos de resolução do suporte técnico de TI caíram de 11 minutos para apenas um.
– A duração das chamadas de atendimento ao cliente foi reduzida de 15 minutos para aproximadamente dois minutos.
Definindo o sucesso por meio de métricas
Sears Merritt, chefe de tecnologia e experiência empresarial da MassMutual, enfatiza que todo projeto de IA deve começar com uma hipótese. Em vez de perseguir tendências, a equipe pergunta: Que problema estamos resolvendo e como vamos prová-lo?
Para evitar o atrito do reajuste constante, o MassMutual exige que o “sucesso” seja definido pelos parceiros de negócios antes que uma ferramenta chegue à produção. Isso garante que a implementação técnica esteja alinhada com as necessidades reais do departamento.
Construindo para Flexibilidade
Uma estratégia fundamental para o MassMutual é evitar o “aprisionamento do fornecedor”. Como o cenário da IA muda tão rapidamente, a empresa mantém um ambiente altamente heterogêneo. Eles construíram camadas de serviço e APIs comuns que ficam entre seus modelos de IA e seus sistemas principais (incluindo mainframes legados).
Essa arquitetura permite que eles troquem um modelo “melhor da categoria” por um modelo mais novo e melhor, sem reconstruir toda a infraestrutura do zero.
Missa General Brigham: Podando as “Mil Flores”
Enquanto o MassMutual se concentrava na medição rigorosa, o Mass General Brigham (MGB) teve de passar por um processo de consolidação. Durante anos, os 15.000 investigadores do MGB utilizaram várias ferramentas de aprendizagem automática, levando a um cenário fragmentado de pilotos não geridos.
Passando da expansão para a estratégia
O CTO Nallan “Sri” Sriraman descreve sua abordagem inicial como uma metodologia de “mil flores desabrochando” – essencialmente permitindo que todos experimentem livremente. Porém, ele percebeu que não tinham mil flores; eles tiveram algumas dezenas de tentativas desconectadas que não tinham direção.
Para corrigir isso, o MGB optou por uma estratégia mais centralizada:
– Aproveitando plataformas existentes: Em vez de criar ferramentas internas, a MGB começou a priorizar recursos de IA já implementados por seus principais fornecedores (como Epic, Microsoft e ServiceNow).
– “Plantio” estratégico: Em vez de permitir que alguém experimente, eles agora “plantam e nutrem cuidadosamente” iniciativas de IA incorporando campeões de IA em grupos de negócios específicos.
– Ambientes Controlados: Eles usam “pequenas zonas de aterrissagem” para testar produtos sofisticados com segurança, permitindo testes controlados de uso de token e comportamento do modelo.
As proteções inegociáveis
Em um ambiente de saúde, os riscos para erros de IA mudam vidas. A MGB implementou protocolos rígidos de “humano no circuito”. Por exemplo, embora a IA possa ajudar na geração de relatórios radiológicos, um médico deve sempre rever e assinar a decisão final.
Além disso, as salvaguardas técnicas são absolutas:
– Privacidade de dados: Regras rígidas impedem que informações de saúde protegidas (PHI) sejam inseridas em ferramentas públicas de IA.
– O “Kill Switch”: Todo sistema operacional de IA deve ter um “grande botão vermelho” para desligá-lo imediatamente em caso de mau funcionamento.
– Observabilidade: painéis de controle em tempo real monitoram “desvios de modelo” (quando a precisão de uma IA diminui com o tempo) para garantir segurança e confiabilidade.
O resultado final
A transição da experimentação de IA para a produção de IA requer uma mudança de mentalidade: passar do “podemos fazer isto?” para “como isso gera valor e como o governamos?”
Seja através do rigor científico do MassMutual ou da consolidação disciplinada do MGB, a lição é clara: a IA empresarial bem-sucedida não tem a ver com o número de pilotos que você executa, mas com a disciplina com que você os escala.
