De acordo com a SAP, a governança corporativa da IA garante margens de lucro ao substituir estimativas estatísticas por controle determinístico.
Peça a um modelo de consumo para contar as palavras em um documento e muitas vezes ele errará o alvo em dez por cento. Manos Raptopoulos, presidente global de sucesso do cliente na Europa, APAC, Oriente Médio e África da SAP, observa que a lacuna operacional entre o quase perfeito e o perfeito é absoluta.
“A distância entre 90% e 100% de precisão não é incremental. No nosso mundo, é existencial”, observa Raptopoulos.
À medida que as organizações introduzem grandes modelos de linguagem em ambientes de produção, Raptopoulos enfatiza que os critérios de avaliação transitaram formalmente para precisão, governança, escalabilidade e impacto comercial tangível.
O desafio premente enfrentado pelos conselhos corporativos centra-se na evolução de ferramentas passivas para atores digitais ativos, uma transição que Raptopoulos identifica como o principal momento de governança e estará entre os tópicos em que a SAP se concentrará na AI & Big Data Expo North America deste ano.
Os sistemas Agentic AI agora possuem a capacidade de planejar, raciocinar, orquestrar com outros agentes e executar fluxos de trabalho de forma autônoma. Dado que estes sistemas interagem diretamente com dados sensíveis e influenciam as decisões em grande escala, Raptopoulos argumenta que não conseguir governá-los exatamente como se governa uma força de trabalho humana expõe a organização a graves riscos operacionais. Ele alerta que a expansão dos agentes irá espelhar as crises obscuras de TI da última década, embora os riscos sejam categoricamente maiores.
Estabelecer a gestão do ciclo de vida do agente, definir limites de autonomia, fazer cumprir a política e instituir o monitoramento contínuo do desempenho são requisitos obrigatórios, de acordo com sua estrutura.
A integração de bancos de dados vetoriais modernos (que mapeiam as relações semânticas da linguagem empresarial) com arquiteturas relacionais legadas exige imenso capital de engenharia. As equipes devem restringir ativamente o ciclo de inferência do agente para evitar que alucinações corrompam os caminhos de execução financeiros ou da cadeia de suprimentos. Definir esses parâmetros rígidos aumenta a latência computacional e os custos de computação do hiperescalador, alterando as projeções iniciais de lucros e perdas.
Quando um modelo autônomo requer consultas constantes e de alta frequência ao banco de dados para manter resultados determinísticos, os custos de token associados se multiplicam rapidamente. A governança torna-se uma forte restrição de engenharia, em vez de uma lista de verificação de conformidade.
Raptopoulos argumenta que os conselhos corporativos devem resolver três questões básicas antes de implantar modelos de agente: identificar quem é responsável pelo erro de um agente, estabelecer trilhas de auditoria para decisões de máquina e definir os limites exatos para o escalonamento humano. A fragmentação geopolítica torna mais difícil responder a estas questões.
Infraestruturas de nuvem soberanas, modelos de IA e mandatos de localização de dados são realidades regulatórias nos principais mercados que abrangem Nova York, Frankfurt, Riad e Cingapura. As empresas devem incorporar o controle determinístico diretamente na inteligência probabilística. Raptopoulos vê esse requisito como um mandato do alto escalão e não como um projeto de TI.
Estruturação de inteligência relacional para operações comerciais
Os sistemas de IA permanecem inteiramente dependentes da qualidade dos dados e dos processos em que operam, representando o que Raptopoulos chama de momento da fundação dos dados.
Dados mestres fragmentados, sistemas de negócios isolados e ambientes ERP excessivamente personalizados introduzem uma imprevisibilidade perigosa nos piores momentos possíveis. Raptopoulos explica que se um agente autónomo se basear em bases fragmentadas para fornecer uma recomendação que afecte o fluxo de caixa, as relações com os clientes ou as posições de conformidade, os danos operacionais resultantes aumentam instantaneamente.
Extrair valor empresarial tangível requer avançar além dos modelos genéricos de linguagem extensa treinados em texto em escala de Internet. A verdadeira inteligência empresarial – conforme descrito por Raptopoulos – deve basear-se em dados corporativos proprietários, incluindo encomendas, faturas, registos da cadeia de abastecimento e lançamentos financeiros incorporados diretamente nos processos empresariais. Ele argumenta que os modelos de base relacional otimizados especificamente para dados de negócios estruturados superarão continuamente os modelos genéricos em previsão, detecção de anomalias e otimização operacional.
O simples atrito operacional de tornar um ambiente de ERP superpersonalizado inteligível para um modelo básico interrompe muitas implantações. As equipes de engenharia de dados gastam ciclos excessivos limpando dados mestres fragmentados simplesmente para criar uma linha de base para a IA ingerir.
Quando um modelo relacional precisa interpretar com precisão registros complexos e proprietários da cadeia de suprimentos juntamente com dados brutos de faturas, os pipelines de dados subjacentes devem operar com latência zero. Se a ingestão de dados falhar, os recursos preditivos do modelo serão degradados instantaneamente, tornando o agente funcionalmente perigoso para os negócios.
A integração da arquitetura legada com a IA relacional moderna requer a revisão de pipelines de dados profundamente arraigados. As equipes de engenharia enfrentam décadas de indexação de dados de planejamento mal classificados para que a incorporação de modelos possa gerar representações vetoriais precisas. Seguindo a lógica de Raptopoulos, os conselhos de administração devem avaliar se o seu actual património de dados está genuinamente preparado, em vez de simplesmente sobreporem informações probabilísticas sobre fundações desconexas.
Projetando interfaces baseadas em intenção
A interação de aplicativos empresariais está em transição de interfaces estáticas para experiências de usuário generativas, um desenvolvimento que Raptopoulos sinaliza como o momento de interação dos funcionários.
Em vez de navegar manualmente em ecossistemas de software complexos, os funcionários expressarão suas intenções ao sistema. Raptopoulos oferece o exemplo de um usuário instruindo o software a preparar um briefing para a visita do cliente de maior receita naquela semana. Os agentes de IA então orquestram os fluxos de trabalho necessários, montam o contexto circundante e apresentam as ações recomendadas.
No entanto, Raptopoulos sublinha que a adoção entre a força de trabalho continua condicionada à confiança. Os funcionários só aceitarão esses colegas de equipe digitais quando se sentirem confiantes de que os resultados do sistema respeitam os limites de governança estabelecidos, refletem regras de negócios autênticas e proporcionam ganhos de produtividade demonstráveis.
A engenharia desses sistemas exige personas de IA específicas para funções, adaptadas para cargos como CFO, CHRO ou chefe da cadeia de suprimentos. Raptopoulos observa que essas personas devem ser construídas com base em dados confiáveis e incorporadas em fluxos de trabalho corporativos familiares para colmatar com sucesso a lacuna de adoção.
Alcançar este nível de integração é uma decisão de design que acarreta pesadas consequências. As organizações dispostas a investir capital em arquiteturas nativas de IA aceleram o retorno do investimento, enquanto as empresas que tentam incorporar modelos probabilísticos em interfaces legadas lutam fortemente com confiança, usabilidade e escala.
Os líderes tecnológicos que tentam forçar a orquestração moderna de IA em aplicações de software monolíticas muitas vezes enfrentam graves atrasos na integração. O roteamento de chamadas probabilísticas de API por meio de middleware corporativo desatualizado causa atraso nas interfaces de usuário, destruindo o fluxo de trabalho baseado em intenção. Projetar personas específicas para funções requer mais do que engenharia imediata; exige o mapeamento de controles de acesso complexos, permissões e lógica de negócios na memória ativa do modelo.
Defesa competitiva de engenharia
O retorno financeiro da IA surge mais rapidamente durante as interações com o cliente. Raptopoulos observa que modelos de treinamento em registros proprietários, regras internas e registros históricos criam uma camada de inteligência específica do cliente que os rivais não conseguem copiar facilmente. Essa configuração tem melhor desempenho em fluxos de trabalho com muitas exceções, como resolução de disputas, reclamações, devoluções e roteamento de serviços.
A implantação de agentes autônomos capazes de classificar casos, trazer à tona documentação relevante e recomendar resoluções alinhadas às políticas converte esses processos de alto custo em uma diferenciação competitiva distinta.
Esses modelos se adaptam com base nos resultados de cada interação. Raptopoulos destaca que os compradores corporativos priorizam serviços confiáveis, relevantes e responsivos, em vez de artifícios tecnológicos. As empresas que implantam IA para lidar com cargas de trabalho pesadas – mantendo ao mesmo tempo uma supervisão rigorosa dos resultados finais – constroem barreiras de entrada que as ferramentas genéricas não conseguem penetrar
A implantação da inteligência corporativa exige que o alto escalão orquestre três camadas distintas em paralelo, o que Raptopoulos define como o momento da estratégia.
A camada inicial envolve funcionalidade incorporada, onde os ganhos de produtividade orientados para a pessoa são integrados diretamente nas aplicações principais para retornos rápidos. A segunda camada exige orquestração de agentes, facilitando a coordenação de vários agentes em fluxos de trabalho entre sistemas. A camada final concentra-se na inteligência específica do setor, apresentando aplicações profundamente especializadas desenvolvidas em conjunto para enfrentar os desafios de maior valor específicos de um determinado setor.
Uma armadilha aguarda os líderes que são vítimas de um sequenciamento falso. Concentrar-se apenas em ferramentas incorporadas deixa um enorme valor financeiro não capturado, enquanto saltar agressivamente para aplicações industriais profundas sem primeiro alcançar uma governança adequada e maturidade de dados multiplica o risco corporativo.
Raptopoulos informa que a expansão destes modelos exige combinar a ambição corporativa com a prontidão técnica real. As equipes de liderança precisam financiar arquiteturas centrais limpas, atualizar pipelines de dados e impor a propriedade multifuncional para passar da fase piloto. As implantações mais lucrativas tratam a IA como uma camada operacional central que requer a mesma governança que a equipe humana.
A lacuna financeira entre a precisão de 90% e a certeza total determina onde reside o verdadeiro valor empresarial. As decisões de governação tomadas nos próximos meses determinarão se as implementações específicas de IA se tornarão uma fonte poderosa de vantagens duradouras ou uma lição dispendiosa.
Veja também: A governança dos agentes de IA ganha foco à medida que os reguladores sinalizam lacunas de controle
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e está localizado junto com outros eventos de tecnologia líderes, incluindo o Cyber Security & Cloud Expo. Clique aqui para mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
