Empresas estão reconsiderando a abordagem de inteligência artificial (IA) ao perceber que o modelo anterior de experimentos isolados está insuficiente para os novos fluxos de trabalho corporativos. Organizações que passam de experimentos isolados para agentes de IA e fluxos de trabalho autônomos enfrentam desafios mais profundos, como reavaliar como os dados, processos de negócios, governança e pessoas se integram.

Thorsten Leiduck, vice-presidente sênior e chefe global da plataforma de ecossistema de inteligência artificial empresarial da SAP, argumenta que a IA depende de uma base de dados conectada e rica em semântica. Ele enfatiza a importância de ter uma estrutura de dados que reflita o negócio antes de poder implantar IA de forma confiável em processos.

Ao integrar IA em fluxos de trabalho críticos, a barreira de aceitação cai. Para algumas aplicações diárias, 80% de precisão pode ser suficiente, mas em áreas como cadeias de suprimentos ou fechamento financeiro, esse nível de precisão é considerado insatisfatório.

Satinder Pal Singh, vice-presidente associado da North America para a plataforma de inteligência artificial empresarial da SAP e da Infosys, sugere avaliar potenciais casos de uso através de três aspectos: impacto, viabilidade e escalabilidade. Ele destaca que um protótipo que não pode ser escalado é apenas um experimento.

A governança também ganha maior importância com a escala da IA. Políticas claras, controles de acesso, monitoramento e supervisão são essenciais para garantir que os agentes sejam confiáveis e alinhados com as exigências do negócio. A falta de governança não acelera a adoção da IA, mas cria um acúmulo de riscos que podem levar a uma revisão mais disruptiva.