IA na prática: como 3 equipas transformaram a IA em resultados operacionais reais
Ponto de controlo humano: Os estudos de caso de IA bem-sucedidos preservam a revisão humana, transferindo a supervisão para as exceções em vez de eliminarem a responsabilização.
Classificação de contactos: A Chime automatizou a classificação e a auditoria de chamadas, ajudando os agentes a concentrarem-se nos clientes enquanto monitorizavam a precisão do modelo e as regressões.
Ganhos na previsão: A IA autónoma da Amazon reduziu em 80 por cento o tempo de planeamento da procura e em 40 por cento o erro de previsão, através de dados mais limpos e visíveis.
Integração do fluxo de trabalho: A ACV Auctions reduziu em dois terços o tempo do ciclo de venda de veículos ao ligar a receção, a avaliação, a apresentação comercial, as transações e o cumprimento.
Construção de confiança: As equipas conseguiram a adoção começando com pouco, apresentando resultados mensuráveis, simplificando dados desorganizados e mantendo as partes interessadas responsáveis ao longo de toda a implementação.
Os estudos de caso de IA tendem a surgir em dois formatos: histórias de sucesso vagas, sem números associados, ou textos exagerados que passam diretamente ao lado da parte difícil.
O evento recente da DPM, IA no terreno, foi criado para evitar ambos. Três líderes — um de uma organização de serviço ao cliente de uma empresa de tecnologia financeira, um da área de planeamento da procura da Amazon e um de um mercado online onde os concessionários compram e vendem carros usados — apresentaram os sistemas de IA que realmente construíram, os problemas com que se depararam e os números obtidos no final.
Chris Hernandez, gestor sénior de operações de IA na Chime, abriu a sessão explicando como a sua equipa automatizou a classificação dos motivos de contacto nas chamadas de serviço ao cliente. Aniket Ghonge, gestor sénior da cadeia de abastecimento na Amazon, apresentou de seguida a plataforma de IA baseada em agentes que construiu sozinho para resolver o planeamento da procura. E Anika Banakh, diretora de gestão de programas tecnológicos na ACV Auctions, encerrou a sessão com o motor de operações digitais de ponta a ponta que a sua equipa construiu para modernizar a venda de veículos.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
À primeira vista, os três projetos têm pouco em comum. Mas havia um tema transversal a todos: nenhuma destas equipas tratou a IA como algo que se configura e depois se abandona. Todos os sistemas mantiveram um ponto de controlo humano, mesmo depois de o trabalho manual ter desaparecido.
Libertar o foco das equipas da linha da frente com IA
A equipa de Hernandez começou por estudar o que os agentes do centro de atendimento realmente faziam durante uma chamada de cliente, e era mais do que resolver o problema do cliente. Os agentes também tomavam notas e tentavam etiquetar a conversa com o motivo de contacto correto — entre mais de 1 500 categorias possíveis — enquanto a chamada ainda decorria.
"Tínhamos mais de mil e quinhentas variações diferentes de motivos de contacto que eles podiam selecionar", afirmou Hernandez. "E saber qual era a correta era sempre difícil." O processo era manual, inconsistente e propenso a erros, desviando a atenção do membro que estava em linha.
A equipa criou um classificador que utilizava um LLM para analisar as transcrições das chamadas e aplicar automaticamente o motivo de contacto. Esse trabalho conduziu a um segundo projeto, não planeado: a equipa de Hernandez passou então a dedicar uma quantidade significativa de tempo a verificar se o classificador não estava a alucinar e se funcionava como esperado. Por isso, criaram uma segunda cadeia de IA apenas para auditar a primeira. Esse sistema "agrupa as falhas recorrentes, deteta os erros, também faz os testes e apresenta as conclusões à minha equipa", em vez de exigir que uma pessoa analisasse cada caso.
Chegar a esse ponto não foi simples. Hernandez afirmou que cada decisão do modelo se resume a três fatores: velocidade, precisão e custo. Um modelo mais pequeno e barato produzia resultados rapidamente, mas com menor precisão; um modelo maior, capaz de lidar com a complexidade, implicava um preço mais elevado. Quando a engenharia de instruções atingiu o seu limite, a equipa recorreu a abordagens baseadas em recuperação e ao processamento em lote para gerir os custos. Também teve de criar e manter continuamente um "conjunto de dados de referência" — uma fonte fiável de verdade com a qual medir a precisão do classificador, mesmo enquanto os motivos de contacto subjacentes continuavam a mudar.
A adesão surgiu da análise da própria taxonomia, e não apenas do modelo. "Por vezes, pensamos que podemos simplesmente acrescentar IA a todas as soluções e que isso vai resolver tudo", afirmou Hernandez. "Mas dados de qualidade à entrada produzem dados de qualidade à saída. E, se tivermos dados de má qualidade à entrada, vamos obter dados de má qualidade à saída." Isso levou a equipa a simplificar a sua lista de mais de 1 500 motivos de contacto, em vez de pedir ao modelo que contornasse essa complexidade.
Os resultados incluíram poupanças no tratamento das chamadas e melhorias no trabalho realizado após as chamadas, mas Hernandez foi claro quanto ao que mais importava: devolver tempo aos agentes para que pudessem concentrar-se no membro, e não na burocracia. "Sempre que estamos a automatizar tarefas, não eliminámos realmente o ponto de controlo, mudámo-lo de lugar", afirmou. "A IA é um multiplicador para eliminar o trabalho rotineiro, mas é a pessoa envolvida no processo que torna esse multiplicador verdadeiramente digno de confiança."
Esse equilíbrio é visível diretamente na forma como a cadeia de auditoria funciona atualmente. Em vez de confiar no sistema para enviar alterações diretamente para produção, este gera um relatório semanal que assinala onde ocorreram regressões ou falhas nos testes, para que a equipa de Hernandez saiba exatamente onde se deve concentrar. "É aí que encontramos o equilíbrio", afirmou, "tentando tirar partido do LLM como avaliador e de diferentes capacidades para conseguirmos expandir e assumir mais tarefas sem introduzir qualquer risco para a empresa."
Automatizar o planeamento da cadeia de abastecimento com IA baseada em agentes
A equipa de Ghonge trabalha com milhares de fornecedores e parceiros, e os dados necessários para prever a procura de cada um deles estavam dispersos por software de CRM, ferramentas de gestão de projetos e folhas de Excel — sem consistência na forma como eram classificados de um sistema para o outro. "Não havia controlo sobre os dados porque as cadeias de dados provinham de diferentes softwares, com diferentes responsáveis e utilizadores", afirmou.
Reconciliar tudo manualmente ocupava entre 16 e 20 horas por semana a Ghonge, numa altura em que a empresa ainda era relativamente pequena. «Para mim, isso era uma loucura», afirmou. Por isso, começou a fazer experiências, primeiro com um protótipo em Excel para testar se a abordagem poderia funcionar. Ajudou, mas não completamente. Foi então que recorreu à IA agentiva, desenvolvendo ele próprio o sistema, com experiência na criação de painéis e na definição de requisitos de produto, mas sem formação formal em engenharia.
A adoção começou em pequena escala — Ghonge era o único utilizador — e cresceu através de canais informais: reuniões de análise do negócio, sessões de aprendizagem durante o almoço e passa-palavra. Quatro meses depois, a plataforma tinha mais de 75 utilizadores e milhares de visualizações.
Os resultados foram significativos. O que antes demorava 20 horas passou a demorar duas, uma redução de 80% no tempo necessário para gerar uma previsão da procura, acompanhada por uma redução de 40% no erro de previsão. «A maior vantagem é uma redução de cerca de 80% no tempo necessário para gerar a procura, com um elevado nível de precisão», afirmou Ghonge. «Também registámos uma redução de cerca de 40% no [erro] de previsão.» O sistema também proporcionou à equipa uma visibilidade que nunca tinha tido — a capacidade de decompor exatamente quais os atributos dos fornecedores que estavam a provocar milhares de alterações mensais, em vez de fazer suposições.
A confiança não resultou do rótulo de IA. Resultou da transparência. Quando os dados de gestão de projetos eram exportados como 18 000 linhas que, na realidade, representavam apenas 600 a 700 pedidos reais, o sistema de Ghonge analisava e consolidava essa confusão numa tabela organizada que os utilizadores podiam consultar diretamente, em vez de vasculharem a ferramenta de origem pedido a pedido. «Em vez de irem à ferramenta sempre que precisam de consultar cada pedido, agora conseguem ver tudo facilmente num só sistema», afirmou. Os utilizadores também podiam consultar qualquer semana anterior e compará-la com a semana atual, acompanhando a redução dos erros de previsão ao longo do tempo — uma prova de que o sistema estava efetivamente a funcionar, e não apenas a automatizar.
Ghonge também atribuiu à IA algo que não tinha planeado inicialmente: documentação. Depois de começar a pedir à IA que acompanhasse as suas próprias implementações e o tempo despendido, conseguiu quantificar retrospetivamente o seu próprio processo de desenvolvimento — até ao número de instruções necessárias para o concluir.
Criar um motor de operações digitais baseado em IA
A equipa de Banakh propôs-se reinventar todo o percurso de venda de veículos — a forma como os veículos são colocados no mercado, avaliados, comercializados, associados a compradores, transacionados, entregues e transportados — como um único processo digital conectado, em vez do modelo tradicional do setor: um cliente levar um carro a um leilão físico uma vez por semana e esperar que seja vendido nesse dia.
«Recentemente, criámos um fluxo de trabalho digital inteligente completo, de ponta a ponta, para um dos nossos principais parceiros, incluindo: receção dos dados do veículo, inspeção, avaliação, comercialização, identificação de compradores, transação e execução», afirmou Banakh. «Na realidade, tudo se transformou num único processo contínuo.»
A parte mais difícil não foi a tecnologia. Foi o próprio setor. «O fator humano é conhecido por ser avesso ao digital neste setor», afirmou Banakh. «Ainda vejo concessionários a andar de um lado para o outro com papel e caneta para fazer documentação.» Isso significava que o projeto exigia mais do que uma alteração de processo — precisava do que Banakh designou por uma mudança de paradigma nos comportamentos fundamentais, algo que é fácil de fazer de forma errada.
Com um prazo apertado, a equipa de Banakh utilizou IA para simular várias personalidades de partes interessadas e discutir como o fluxo de trabalho deveria ser estruturado. «Acabámos, essencialmente, por cocriar o rascunho do fluxo de trabalho», afirmou. «Depois, este foi apresentado ao nosso parceiro para validação. E isso acelerou realmente as conversas» — substituindo reuniões de validação lentas, realizadas uma a uma, por um rascunho ao qual o parceiro podia reagir diretamente.
O projeto ainda se encontra numa fase-piloto inicial, pelo que Banakh só pôde partilhar números limitados, mas o resultado principal destacou-se: o tempo do ciclo já diminuiu dois terços, antes de o sistema ter sido completamente otimizado. «O tempo do ciclo foi reduzido em dois terços até ao momento, e ainda nem sequer o otimizámos totalmente», afirmou, acrescentando que se espera que se sigam reduções nos custos, na depreciação dos ativos e no trabalho humano.
Convencer as partes interessadas céticas não exigiu uma apresentação agressiva. «Fala-se da lógica e do retorno do investimento, e os verdadeiros profissionais de negócio ficam convencidos quando veem o resultado», afirmou Banakh. Para os concessionários que preferem continuar a fazer as coisas da forma antiga, isso também não é um problema — o sistema foi concebido para parceiros que querem expandir a nível nacional, e não para substituir todos os fluxos de trabalho que já funcionam para alguém.
O elemento comum
Setores diferentes, ferramentas diferentes, escalas diferentes — mas a mesma disciplina subjacente. A equipa de Hernandez criou um segundo sistema de IA apenas para manter o primeiro sob controlo. Ghonge integrou visibilidade na sua plataforma para que os utilizadores pudessem verificar os dados por si próprios, em vez de aceitarem os resultados com base na confiança. A equipa de Banakh manteve uma «transição acompanhada em cada etapa», com um gestor de programa responsável por detetar anomalias que, de outro modo, poderiam escapar à análise humana.
Nenhuma destas equipas conseguiu obter adesão apresentando a IA como um conceito. Conseguiram-no lançando algo pequeno, provando que funcionava e deixando que os resultados falassem por si. Como Banakh afirmou, "os verdadeiros profissionais de negócios convertem-se quando veem o resultado". Esse é o padrão subjacente aos três estudos de caso: trata-se menos da própria IA e mais da disciplina de integrar a confiança no sistema juntamente com ela.
Quer mais informações como estas? Registe-se para obter uma conta DPM gratuita e ouvir mais especialistas como estes, além de ficar a par dos próximos eventos.
