Uma pesquisa da McKinsey mostrou que a IA generativa tem um potencial econômico gigantesco – com a possibilidade de gerar um valor equivalente de 2,6 trilhões a 4,4 trilhões de dólares anuais. Além do retorno financeiro, há expectativa de aumento de produtividade, melhorias no trabalho e automação de atividades. Com essas vantagens e valores na mesa, não é estranho pensar que muitos estão se preparando e pesquisando como adotar a IA generativa nas empresas.
Os profissionais de tecnologia, como CIOs e CTOs, têm a missão crítica de capturar esse valor, transformando em negócios e resultados que agreguem tanto para stakeholders quanto para os próprios clientes, que começam a ver os primeiros resultados dessas inovações.
De acordo com a McKinsey, para CIOs e CTOs, o boom da IA generativa apresenta uma oportunidade única para aplicar essas lições e guiar a diretoria na transformação da promessa da IA generativa em valor sustentável para o negócio.
Pensando nessa missão, vamos falar nesse post sobre como adotar a IA generativa nas empresas: primeiros passos, mudança no perfil profissional dos desenvolvedores de software e a promessa da produtividade aumentada. Para mais detalhes sobre este tema, continue lendo:
- Como adotar a IA generativa nas empresas: primeiros passos
- Profissionais de TI do futuro
- Produtividade aumentada com a GenAI
Como adotar a IA generativa nas empresas: primeiros passos
A pesquisa da McKinsey, já mencionada acima, montou uma lista identificando as primeiras ações fundamentais para CIOs e CTOs dentro das organizações começarem a estruturar as ações estratégicas iniciais com seus times e do ponto de vista do planejamento da utilização dos recursos. São elas:
1 – Análise e comunicação
A ideia é agir rapidamente para definir a postura da empresa quanto a adoção da GenAI e comunicar as práticas com eficiência, para que todos na empresa tenham o acesso apropriado.
Nesse sentido, é necessário equilibrar a real necessidade de mitigação de riscos com a importância de construir habilidades em IA generativa no negócio. Isso requer a construção de um consenso em torno dos níveis de risco com os quais a organização se sente confortável e como a IA generativa se encaixa na estratégia geral do negócio.
Esse passo permite que a empresa determine rapidamente políticas e diretrizes em toda a companhia.
2 – Casos de uso
Identifique casos de uso que gerem valor por meio do aumento da produtividade, growth e novos modelos de negócio. Por meio desses cases, será possível fazer estimativas em torno dos custos reais e os retornos que a IA generativa poderá trazer (FinAI).
3 – Papel da IA generativa no desenvolvimento de software
A agilidade está intimamente ligada a construção de estratégias e expertises de GenAI. Quando pensamos no desenvolvimento de software, existe um benefício interessante relacionado a redução da “technical debt” e também do esforço manual nas operações de TI.
Lembrando que a “technical debt” é responsável por 20 a 40% do orçamento de tecnologia e pode atrasar significantemente o ritmo do desenvolvimento, de acordo com a McKinsey. Nesse sentido, a GenAI pode ser aplicada em atividades como code refactoring, code translation e automação de testes para acelerar a redução desse débito.
Criar códigos com o apoio da IA pode tornar esse processo entre de 35% a 45% mais rápido; e realizar a documentação de códigos de 45% a 50% mais rápido.
A IA generativa também pode automatizar o processo de teste e simular casos, permitindo que as equipes desenvolvam softwares mais resilientes antes do lançamento, além de acelerar o onboarding de novos desenvolvedores
Capturar esses benefícios exigirá treinamento extensivo, automação de pipelines de integração e implantação através de práticas de DevSecOps para gerenciar o aumento da produção.
4 – Escolha suas ferramentas
Analise as ferramentas e serviços existentes no mercado para entender qual se encaixa melhor nas suas necessidades ou adapte modelos de IA generativa open-source para desenvolver capacidades proprietárias.
Aqui, é necessário pensar em ações a curto, médio e longo prazo, justamente porque construir e operar seus próprios modelos de IA generativa pode custar dezenas a centenas de milhões de dólares, pelo menos em um timing mais imediato.
Consultorias e parceiros de tecnologia podem auxiliar CIOs e CTOs nesse momento, ampliando a perspectiva em relação a qual a melhor maneira de atender as necessidades mais latentes da organização.
5 – Modernização e integração
É importante assegurar que a arquitetura de tecnologia da empresa esteja atualizada, para gerenciar modelos de IA generativa e orquestrar como eles operam uns com os outros e com outras aplicações, fontes de dados e machine learning já existentes.
É muito provável que as organizações utilizem muitos modelos de IA generativa, com diferentes portes, complexidades e capacidades. Para gerar valor, esses modelos precisam ser capazes de trabalhar tanto juntos, quanto com os sistemas ou aplicações existentes da empresa.
Por isso, construir uma pilha de tecnologia separada para IA generativa cria mais complexidades do que resolve. É só pensarmos em um eventos simples: um consumidor questionando o serviço de atendimento ao cliente de uma empresa de viagens para resolver um problema com uma reserva.
Ao interagir com o cliente, o modelo de IA generativa precisa acessar múltiplas aplicações e fontes de dados, para assegurar um atendimento eficiente e a resolução do problema.
6 – Arquitetura de dados
A habilidade de uma empresa em gerar valor e escalá-lo, incluindo reduções de custo e melhorias na proteção de dados e informações, a partir de modelos de IA generativa, depende de como ela utiliza seus dados.
Por isso, é necessário desenvolver uma arquitetura de dados para permitir o acesso a informações de qualidade, processando tanto fontes de dados estruturadas quanto não estruturadas.
Essa arquitetura vai permitir a conexão de modelos de IA generativa a fontes de dados internas, que fornecem contexto ou ajudam a ajustar os modelos para criar insights mais relevantes.
7 – Aprimoramento de habilidades em funções-chave dos times
A GenAI tem o potencial de aumentar maciçamente a produtividade dos funcionários e ampliar suas capacidades. No entanto, é necessário investir no aprimoramento de habilidades de forma personalizada, de acordo com as funções e níveis de proficiência, devido ao impacto variável da IA generativa.
Uma pesquisa recente da McKinsey mostrou que, utilizando a ferramenta Copilot da GitHub, os engenheiros de software escreveram códigos 35 a 45% mais rápido. Entretanto, esses benefícios podem variar de acordo com a complexidade e qualificação dos profissionais.
Desenvolvedores altamente qualificados viram ganhos de até 50% a 80%, enquanto desenvolvedores júnior experimentaram uma diminuição de 7% a 10% na velocidade.
Isso ocorre porque a utilização das ferramentas de IA generativa requer que os engenheiros critiquem, validem e melhorem o código – habilidades que são adquiridas com a experiência.
Essas diferenças demonstram a necessidade de se repensar a estratégia de gestão de talentos para construir a força de trabalho do futuro. Contratar um conjunto central de talentos de ponta em IA generativa será importante e, dada a crescente escassez e importância estratégica desse talento, os líderes de tecnologia devem implementar mecanismos de retenção, como salários competitivos e oportunidades de se envolver em trabalhos estratégicos importantes para o negócio.
Mas é claro, uma força de trabalho não é composta apenas por especialistas. O treinamento para profissionais mais júnior precisa enfatizar a aceleração de seu caminho para se tornarem revisores de código de alto nível, além de geradores de código.
No geral, os engenheiros de software precisarão entender como é um bom código; revisar o código criado pela IA generativa quanto à funcionalidade, complexidade, qualidade e legibilidade; e verificar vulnerabilidades, garantindo que eles próprios não introduzam problemas de qualidade ou segurança no código.
Além disso, será necessário ter um entendimento mais amplo e profundo das intenções do usuário para que seja possível prompts e definir dados contextuais que ajudem as ferramentas de IA generativa a fornecer respostas melhores.
8 – Avaliar possíveis riscos
A IA generativa apresenta um conjunto novo de questões éticas e riscos, incluindo:
- “alucinações” (quando modelos de IA generativa apresentam uma resposta incorreta baseada na resposta de maior probabilidade);
- liberação acidental de informações pessoais confidenciais;
- viés inerente nos grandes conjuntos de dados que os modelos usam; e
- incerteza relacionadas à propriedade intelectual (PI).
CIOs e CTOs precisarão se tornar fluentes em questões de ética, humanitárias e de conformidade para aderir não apenas a legislação (que vai variar de país para país), mas também ao espírito de gerenciar de forma responsável a reputação dos negócios.
A IA generativa está posicionada para ser uma das categorias de tecnologia de crescimento mais rápido que já vimos. Por isso, os líderes de tecnologia precisam evitar atrasos desnecessários na definição e formação de uma estratégia de IA generativa, para aproveitar de forma responsável e eficaz o poder da GenAI em escala.
>>Leitura recomendada: Casos de uso do Chat GPT no mundo organizacional
Profissionais de TI do futuro
Como comentamos acima, entender como adotar a IA generativa nas empresas e colher os bons frutos proporcionados por ela vem acompanhado da necessidade de aprimoramento de habilidades profissionais dos times.
Um estudo da Microsoft – que realizou experimentos com usuários de sua ferramenta de IA no ambiente de trabalho – apontou que os ganhos de produtividade são reais, com 73% deles afirmando que conseguiam concluir tarefas mais rapidamente e 70% concluindo que podiam ser mais produtivos com o uso da tecnologia.
Cada empresa precisará analisar as equipes e as necessidades dos projetos para oferecer assistência direcionada. Isso pode ser feito através de treinamentos, parcerias, consultorias, palestras, grupos de estudo, entre outros.
Além disso, esse momento representa uma mudança no perfil da força de trabalho, já que requer menos profissionais construindo interfaces de usuários e mais deles estudando sobre comportamento e a forma como as pessoas querem realmente interagir. Isso significa então um foco maior em:
- Treinamento e aprimoramento de modelos de IA generativa;
- Machine learning;
- Big data;
- Compreensão mais profunda dos algoritmos subjacentes.
Este é um ponto bastante relevante para o desenvolvimento de soluções que atendam precisamente às necessidades do usuário, já que, como resultado, ele será um dos principais beneficiados por essa abordagem, aproveitando ao máximo as vantagens do uso da ferramenta.
Atualmente, muitas empresas de tecnologia estão focadas nessas mudanças, no treinamento de seu pessoal, e na experimentação e aplicação das novas ferramentas. Ao mesmo tempo, estão trazendo pessoas especializadas em implementar esses novos formatos de soluções.
É importante reforçar que a IA está sendo utilizada com o objetivo de aprimorar habilidades e impulsionar a inovação, e não substituir o trabalho humano por completo.
>>Leitura recomendada: O que é governança de dados e como gerar valor com sua implementação
Produtividade aumentada com GenAI
De acordo com a Gartner, até 2026, mais de 80% das empresas vão ter utilizado a IA generativa em APIs, modelos e/ou em implantações de aplicações habilitadas para GenAI em ambientes de produção. Esse número representa um aumento considerável, considerando que atualmente essa porcentagem é de apenas 5%, segundo a consultoria.
O contexto que estamos vivenciando está impulsionando as primeiras vitórias de produtividade da IA gerativa, com os primeiros modelos de linguagem sendo treinados a partir da documentação interna, políticas sendo definidas etc., ainda mais quando pensamos na área de desenvolvimento de software.
Pesquisas e experimentações da EPAM indicam um aumento preciso de produtividade no desenvolvimento de software relacionado à GenAI, especialmente em tarefas dentro do Ciclo de Vida do Desenvolvimento de Software (SDLC), como ajudar a formular user stories, fornecer recomendações, auxiliar na estruturação e correções, e na aplicação consistente de padrões.
Uma interface conversacional, quando treinada e aplicada estrategicamente à experiência do desenvolvedor, pode ajudar a cumprir as promessas de autoatendimento da engenharia de plataformas.
Porém, é necessário se manter atento a:
- Necessidade de treinar simultaneamente um conjunto de ferramentas para lidar melhor com o grande número de interações e interdependências — tanto entre humanos quanto sistemas — para que possa impulsionar uma produtividade mais holística e de longo prazo;
- Ao processo de definição de requisitos, já que, por exemplo, se a feature de produto é definida incorretamente ou é a feature errada para a sua aplicação, você rapidamente desenvolverá o software errado.
Esse último caso chama a atenção para necessidade do uso dos dados contextualizados para evitar erros, se o foco for apenas em aumentar a produtividade e não em maximizar os resultados obtidos e os impactos positivos que isso pode trazer para os clientes.
Assim, um dos grandes desafios continua sendo traduzir a jornada do usuário de ponta a ponta em um conjunto adequado de implementações funcionais e técnicas. Ao aplicar o GenAI no início do SDLC, nas fases de definição do produto, e continuamente aplicá-lo em todo o processo para validar suposições iniciais versus comportamento real do usuário, será possível aumentar a fidelidade funcional do software resultante.
Como exemplo, Karol Danutama, vice-presidente de engenharia da Datasaur, usa o Copilot para realizar revisões de código internas e provas de conceito. Ele contou ao The New Stack que também economizou muito tempo — reduzindo esse trabalho manual em 70 a 80% — ao utilizar o ChatGPT para comunicação interna como explicação de conceitos, geração de diagramas de software e documentação. Um caso de uso sólido está na criação de casos de teste e dados sintéticos, que já comentamos aqui nesse post sobre GenAI.
A realidade é que a IA generativa tem potencial para remover uma série de atritos do processo de desenvolvimento. Entretanto, é importante se manter atento já que muitos modelos foram criados para gerar respostas e, não necessariamente, admitir sua própria falibilidade, o que ainda requer então dos profissionais atenção para revisões.
Escolher as ferramentas certas é apenas o começo. Para realmente impulsionar seus projetos de IA generativa, a parceria com um especialista em tecnologia faz toda a diferença. Na Opus Software, combinamos as mais recentes inovações com experiência técnica aprofundada, transformando seus desafios em sucessos. Converse conosco e descubra como podemos ajudar a levar seus projetos ao próximo nível.
