Onde a IA empresarial realmente compensa: uma siderúrgica e uma companhia aérea

Dois estudos de caso surgiram neste mês e, juntos, dizem mais sobre a IA empresarial do que um ano de keynotes de fornecedores. Um é uma siderúrgica que implantou centenas de agentes especializados. O outro é uma companhia aérea que reduziu pela metade o tempo de revisão de contratos. Nenhum dos dois envolveu um assistente de propósito geral respondendo a perguntas em uma barra lateral.

Trezentos agentes em uma siderúrgica

Segundo o Google Cloud, a Tata Steel implantou mais de 300 agentes de IA especializados em nove meses. Eles cuidam de manutenção de ativos, acesso à informação e respostas mais rápidas a clientes. A palavra que faz o trabalho nessa frase é "especializados". Não era um agente com um mandato amplo. Eram trezentos agentes restritos, cada um vinculado a uma função operacional específica.

Essa é uma arquitetura diferente da que a maioria dos fornecedores vende. Um agente geral que pode fazer qualquer coisa é fácil de demonstrar e difícil de confiar. Uma frota de agentes em que cada um faz uma coisa é tediosa de construir e muito mais fácil de governar, porque o escopo é definido pela tarefa. Quando um deles se comporta mal, você sabe a qual processo ele pertence e com o que deveria ter permissão para mexer.

A vertente de manutenção merece ser destacada por si só. A manutenção de ativos é onde a IA industrial tem o retorno mais claro, porque os dados já estão lá, os modos de falha são caros e uma melhoria de dez por cento no tempo de atividade é mensurável em dinheiro. É um trabalho pouco glamouroso, e é exatamente o tipo de trabalho que sobrevive a uma revisão orçamentária.

Uma revisão de contratos que passou de dias para horas

A Cebu Pacific relatou que sua implantação do ChatGPT Enterprise reduziu o tempo de revisão de contratos jurídicos em cerca de metade. O tempo de tramitação na entrada de projetos caiu de cinco dias para cerca de um, e as buscas por referências de engenharia caíram de dez a quinze minutos para menos de dez segundos. Em uma pesquisa com usuários, 86 por cento disseram que a IA apoiou mais de um terço do seu trabalho diário.

O número dos contratos é o que merece atenção. A revisão jurídica é uma tarefa com riscos reais, uma entrada definida e uma saída clara. Também é uma tarefa em que o gargalo é a leitura, e leitura é algo em que os modelos de linguagem são genuinamente bons. A companhia aérea não automatizou o advogado. Ela removeu a parte do trabalho em que uma pessoa percorre um documento em busca das cláusulas que já viu cem vezes. Isso é uma mudança de fluxo de trabalho, não a compra de uma ferramenta.

O padrão por trás de ambos

Nenhum dos estudos de caso trata de um modelo que raciocina melhor que um humano. Ambos tratam de modelos inseridos em uma etapa específica de um processo definido, onde o antes e o depois podem ser medidos. A Tata Steel sabe quais decisões de manutenção ficaram mais rápidas. A Cebu Pacific sabe quantos dias o processo de entrada costumava levar.

O número que deveria preocupar os fornecedores está nos dados da pesquisa. O índice de maturidade em IA empresarial de Singapura colocou a adoção de IA agêntica em 51 por cento, acima dos 22 por cento do ano anterior, enquanto apenas 10 por cento das empresas haviam redesenhado fluxos de trabalho de ponta a ponta em torno dela. Um estudo da Capgemini encontrou lacunas semelhantes, com a maioria das organizações ainda explorando ou executando pilotos.

Então o mercado está cheio de empresas que conectaram IA a um fluxo de trabalho sem mudar o fluxo de trabalho. Elas acoplaram um modelo ao processo antigo e chamaram isso de transformação. Os dois estudos de caso aqui fizeram o contrário, e é por isso que produziram números que valem a pena relatar.

A especialização é o que torna os agentes governáveis

Há uma razão de governança para preferir uma frota de agentes restritos a um único agente amplo, e vale a pena explicitar. Um agente com escopo fixo é fácil de auditar. Você sabe o que ele deveria conseguir alcançar, pode registrar o que ele de fato alcançou, e a diferença entre os dois é uma lista curta. Um agente com mandato amplo tem um escopo que muda a cada tarefa, o que transforma a mesma auditoria em um projeto de pesquisa.

Os 300 agentes da Tata Steel são especializados exatamente dessa forma. Essa escolha compensa duas vezes. É engenharia mais fácil, e torna a implantação defensável para as pessoas que precisam aprová-la. Cada agente pode ser analisado por si só, e uma falha em um não exige reexaminar os outros 299.

O mesmo princípio explica por que tantos programas de agentes empresariais empacam. Um agente de propósito geral mostra potencial em uma demonstração, é testado em piloto contra uma ampla fatia de trabalho e então esbarra no fato de que ninguém consegue descrever como é o comportamento correto em toda essa fatia. Restringir o escopo parece um passo atrás e é geralmente o passo que torna o projeto viável.

O requisito oculto: uma linha de base para comparar

Ambos os estudos de caso produzem números, e isso não é por acaso. Medir um ganho de dez por cento no tempo de atividade ou uma queda de cinco dias para um exige um antes. Organizações que pulam a linha de base acabam com anedotas em vez de resultados, e é por isso que tantos programas de IA relatam entusiasmo e têm dificuldade para relatar impacto.

A disciplina começa antes da implantação. Escolha o processo, registre quanto tempo ele leva e quanto custa hoje, depois mude uma etapa e meça de novo. Parece burocrático, e é a diferença entre um programa que consegue defender seu orçamento e um que não consegue. A Cebu Pacific pode dizer que seu tempo de revisão de contratos caiu pela metade porque alguém anotou quanto ele costumava ser.

Há uma segunda medição que importa tanto quanto e é feita com menos frequência: a taxa de erro. Um agente que reduz o tempo pela metade e dobra os erros não melhorou nada, ele deslocou o custo da frente do processo para o fim. Os estudos de caso que se sustentam são aqueles em que um humano ainda verifica a saída no ponto em que um erro seria caro, e o ganho medido vem da remoção da leitura, não da revisão.

O que a lacuna significa para o próximo ano

As organizações que estão vendo resultados são as que escolheram um processo, mediram-no e o reconstruíram em torno daquilo em que o modelo é realmente bom. As que estão presas em pilotos são as que compraram acesso e esperaram que a adoção acontecesse sozinha. O acesso nunca foi a parte difícil. O redesenho é.

A siderúrgica e a companhia aérea também compartilham um traço fácil de ignorar. Ambas mantiveram humanos nos pontos de decisão que envolvem responsabilidade. O agente de manutenção sinaliza, uma pessoa decide. O agente de contratos redige e destaca, um advogado aprova. A IA removeu a leitura, não o julgamento.

Essa divisão do trabalho é banal em retrospecto. Também é o que separa um programa de IA que produz um número de um que produz um slide. Escolha o processo, encontre a etapa em que uma pessoa está lendo ou movendo informações, automatize essa etapa e meça o que mudou. A receita é simples. Executá-la é mais difícil do que comprar um assento, e é por isso que tantas organizações compram o assento e chamam isso de estratégia.