Competindo na idade da inteligência artificial

U ntil recently, artificial intelligence (AI) was similar to nuclear fusion in unfulfilled promise. It had been around a long time but had not reached the spectacular heights foreseen in its infancy. Now, however, AI is realizing its potential in achieving human-like capabilities, so it is time to ask: How can business leaders harness AI to take advantage of the specific strengths of man and machine?

AI is swiftly becoming the foundational technology in areas as diverse as self-driving cars and financial trading. Self-learning algorithms are now routinely embedded in mobile and online services. Researchers have leveraged massive gains in processing power and the data streaming from digital devices and connected sensors to improve AI performance. And machines have essentially cracked speech and vision specifically and human communication generally. The implications are profound: 

• porque sabem falar, ler texto e absorver e reter conhecimento enciclopédico, as máquinas podem interagir com as pessoas intuitivamente e naturalmente em uma ampla gama de tópicos em profundidade considerável. 
• Because they can identify objects and recognize optical patterns, machines can leave the virtual and join the real world. 

Um campo que uma vez decepcionou seus proponentes agora está impressionando notavelmente perto de casa, à medida que se expande em atividades comumente realizadas pelos seres humanos. (Veja a exposição e a barra lateral.) Os programas de IA, por exemplo, diagnosticaram cânceres específicos com mais precisão do que os radiologistas. Não é de admirar que as empresas tradicionais em finanças, varejo, assistência médica e outras indústrias tenham começado a despejar bilhões de dólares no campo. foi originalmente considerado um exercício que captura os elementos táticos e estratégicos essenciais da inteligência humana e, portanto, tornou -se o padrão pelo qual novos algoritmos de IA foram testados. Durante décadas, os programadores fizeram pouco progresso na derrota de jogadores humanos. Mas em 1997, Deep Blue, um computador desenvolvido pela IBM, venceu a partida contra o campeão mundial. Ainda assim, muitas pessoas ficaram decepcionadas ao perceber que a solução de xadrez não era a mesma que resolver a inteligência geral artificial. Eles não gostaram daquele azul profundo dependia muito da força e da memória bruta. O programa não aprendeu e certamente não se destacou em nenhuma tarefa além de xadrez.

Because AI systems think and interact, they are invariably compared to people. But while humans are fast at parallel processing (pattern recognition) and slow at sequential processing (logical reasoning), computers have mastered the former in narrow fields and are superfast in the latter. Just as submarines don’t swim, machines solve problems and accomplish tasks in their own way.

Without further quantum leaps in processing power, machines will not reach artificial general intelligence (AGI): the combination of vastly different types of problem-solving capabilities—the hallmark of human intelligence. Today’s robo-car, for example, doesn’t exhibit what we would consider common sense, such as abandoning an excursion to assist a child who has fallen off her bicycle. But when properly applied, AI excels at performing many business tasks quickly, intelligently, and thoroughly.

A inteligência artificial não é mais uma eletiva. É fundamental para as empresas descobrirem como os seres humanos e computadores podem reproduzir os pontos fortes um do outro como atores entrelaçados para criar vantagem competitiva.

A evolução da vantagem competitiva

em tempos mais simples, uma ferramenta de tecnologia, como o sistema de rastreamento de logística do Walmart na década de 1980, poderia servir como fonte de vantagem. Ai é diferente. É improvável que os algoritmos nus forneçam uma vantagem. Muitos deles estão em domínio público, e as empresas podem acessar plataformas de software de código aberto, como o TensorFlow do Google. Openai, uma organização sem fins lucrativos Iniciado por Elon Musk e outros, está disponibilizando amplamente as ferramentas e pesquisas de IA. E muitos pesquisadores de IA proeminentes insistiram em manter o direito de publicar seus resultados ao ingressar em empresas como Baidu, Facebook e Google. (Veja a exposição.) As empresas precisam de uma visão fluida e dinâmica de seus pontos fortes. A vantagem posicional, por exemplo, geralmente se concentra em aspectos relativamente estáticos que permitem que uma empresa ganhe participação de mercado: ativos proprietários, redes de distribuição, acesso a clientes e escala. Esses artigos de fé devem ser reimaginados no mundo da IA. são famintos por dados. Os pioneiros no campo, como Facebook, Google e Uber, garantiram uma "zona privilegiada", obtendo acesso aos dados atuais e futuros, a matéria -prima da IA, de seus usuários e outros de maneiras que vão muito além da colheita tradicional de dados. Sua escala lhes oferece a capacidade de executar mais dados de treinamento por meio de seus algoritmos e, assim, melhorar o desempenho. Na corrida para alavancar carros autônomos totalmente funcionais, por exemplo, a Uber tem a vantagem de coletar 100 milhões de quilômetros de dados da frota diariamente de seus motoristas. Esses dados acabarão informando os serviços de mobilidade da empresa. O Facebook e o Google aproveitam sua escala e profundidade para aprimorar sua segmentação de anúncios.  Nem todas as empresas podem aspirar realisticamente a ser Facebook, Google ou Uber. Mas eles não precisam. Ao criar, acessar e alavancar conjuntos de dados compartilhados, alugados ou complementares, mesmo que isso signifique colaborar com concorrentes, as empresas podem complementar seus ativos proprietários para criar sua própria zona privilegiada. Compartilhar não é uma palavra suja. A chave é construir uma coleção inatacável e favorecida de fontes de dados abertas e fechadas.

Rather than scrap traditional sources of competitive advantage, such as position and capability, AI reframes them. (See the exhibit.) Companies, then, need a fluid and dynamic view of their strengths. Positional advantage, for example, generally focuses on relatively static aspects that allow a company to win market share: proprietary assets, distribution networks, access to customers, and scale. These articles of faith have to be reimagined in the AI world.

Let’s look at three examples of how AI shifts traditional notions of competitive advantage.

• Data. AI’s strongest applications are data-hungry. Pioneers in the field, such as Facebook, Google, and Uber, have each secured a “privileged zone” by gaining access to current and future data, the raw material of AI, from their users and others in ways that go far beyond traditional data harvesting. Their scale gives them the ability to run more training data through their algorithms and thus improve performance. In the race to leverage fully functional self-driving cars, for example, Uber has the advantage of collecting 100 million miles of fleet data daily from its drivers. This data will eventually inform the company’s mobility services. Facebook and Google take advantage of their scale and depth to hone their ad targeting.  Not all companies can realistically aspire to be Facebook, Google, or Uber. But they do not need to. By building, accessing, and leveraging shared, rented, or complementary data sets, even if that means collaborating with competitors, companies can complement their proprietary assets to create their own privileged zone. Sharing is not a dirty word. The key is to build an unassailable and advantaged collection of open and closed data sources.
• Acesso ao cliente. AI também altera os parâmetros do acesso ao cliente. As lojas físicas bem colocadas e as tomadas on-line de alto tráfego dão lugar às idéias dos clientes geradas através da IA. Os principais varejistas, por exemplo, podem executar os dados de lealdade, ponto de venda, clima e localização por meio de seus motores de IA para criar ofertas personalizadas de marketing e promoção. Eles podem prever sua rota e apetite - antes de você estar ciente deles - e convenientemente fornecer opções de compra familiar, complementares ou totalmente novas. O poder sugestivo de muitas dessas ofertas gerou novas receitas a custos marginais desprezíveis. A automação orientada à IA mescla essas áreas em um ciclo contínuo de execução, exploração e aprendizado. Como um algoritmo incorpora mais dados, a qualidade de sua saída melhora. Da mesma forma, no lado humano, maneiras ágeis de trabalhar embaçar as distinções entre as capacidades tradicionais, pois as equipes multifuncionais criam protótipos rápidos e os melhoram com base no feedback rápido dos clientes e usuários finais. Ai e ágil são inerentemente iterativos. Em ambos, ofertas e processos se tornam ciclos contínuos. Os algoritmos aprendem com a experiência, permitindo que as empresas mesclem a ampla e rápida exploração de novas oportunidades com a exploração de conhecidas. Isso ajuda as empresas a prosperar sob condições de alta incerteza e mudança rápida. Para tarefas específicas, o número de entradas e a velocidade do processamento de máquinas podem ser milhões de vezes mais altas do que para seres humanos. A análise preditiva e os dados objetivos substituem a sensação e a experiência como um fator central de muitas decisões. A negociação de ações, publicidade on -line e gerenciamento da cadeia de suprimentos e preços no varejo se moveram acentuadamente nessa direção. Primeiro, você precisa que as pessoas construam os sistemas. A Uber, por exemplo, contratou centenas de especialistas em veículos autônomos, cerca de 50 dos quais são do Instituto de Robótica da Universidade Carnegie Mellon. E os especialistas da IA ​​são os contratações mais sob demanda em Wall Street. Segundo, os seres humanos podem fornecer senso comum, habilidades sociais e intuição que não possuem máquinas. Mesmo que as tarefas de rotina sejam delegadas aos computadores, as pessoas permanecerão no loop por um longo tempo para garantir a qualidade. Flexibilidade e agilidade estruturais - para o homem e a máquina - são imperativos para abordar a taxa e o grau de mudança. Uma abordagem comum é construir um mecanismo de inteligência central e agentes semiautônomos descentralizados. Os carros autônomos da Tesla, por exemplo, alimentam dados em uma unidade central que atualiza periodicamente o software descentralizado. As empresas focadas na IA raramente têm um exército de funcionários tradicionais em sua folha de pagamento. Os acordos abertos de inovação e contratação proliferam. Como o diretor de operações de um banco móvel inovador admitido, sua maior luta foi transformar membros de sua equipe de liderança em gerentes qualificados de pessoas e robôs. Eles precisam identificar o que as máquinas fazem melhor que os humanos e vice -versa, desenvolver funções e responsabilidades complementares para cada um e redesenhar os processos de acordo. A IA geralmente requer, por exemplo, uma nova estrutura, de atividades centralizadas e descentralizadas, que podem ser desafiadoras de implementar. Finalmente, as empresas precisam adotar as maneiras adaptativas e ágeis de trabalhar e definir estratégias comuns em startups e pioneiros da IA. Todas as empresas podem se beneficiar dessa abordagem, mas é obrigatória para processos habilitados para AI, que sofrem aprendizado e adaptação constantes para homem e máquina.
• Capabilities. Capabilities traditionally have been segmented into discrete sources of advantage, such as knowledge, skills, and processes. AI-driven automation merges these areas in a continual cycle of execution, exploration, and learning. As an algorithm incorporates more data, the quality of its output improves. Similarly, on the human side, agile ways of working blur distinctions between traditional capabilities as cross-functional teams build quick prototypes and improve them on the basis of fast feedback from customers and end users. AI and agile are inherently iterative. In both, offerings and processes become continuous cycles. Algorithms learn from experience, allowing companies to merge the broad and fast exploration of new opportunities with the exploitation of known ones. This helps companies thrive under conditions of high uncertainty and rapid change.

In addition to reframing specific sources of competitive advantage, AI helps increase the rate and quality of decision making. For specific tasks, the number of inputs and the speed of processing for machines can be millions of times higher than they are for humans. Predictive analytics and objective data replace gut feel and experience as a central driver of many decisions. Stock trading, online advertising, and supply chain management and pricing in retail have all moved sharply in this direction.

To be clear, humans will not become obsolete, even if there will be dislocations similar to (but arguably more rapid than) those during the Industrial Revolution. First, you need people to build the systems. Uber, for instance, has hired hundreds of self-driving vehicle experts, about 50 of whom are from Carnegie Mellon University’s Robotics Institute. And AI experts are the most in-demand hires on Wall Street. Second, humans can provide the common sense, social skills, and intuition that machines currently lack. Even if routine tasks are delegated to computers, people will stay in the loop for a long time to ensure quality.

In this new AI-inspired world, where the sources of advantage have been transformed, strategic issues morph into organizational, technological, and knowledge issues, and vice versa. Structural flexibility and agility—for both man and machine—become imperative to address the rate and degree of change.

Scalable hardware and adaptive software provide the foundation for AI systems to take advantage of scale and flexibility. One common approach is to build a central intelligence engine and decentralized semiautonomous agents. Tesla’s self-driving cars, for example, feed data into a central unit that periodically updates the decentralized software.

Winning strategies put a premium on agility, flexible employment, and continual training and education. AI-focused companies rarely have an army of traditional employees on their payroll. Open innovation and contracting agreements proliferate. As the chief operating officer of an innovative mobile bank admitted, his biggest struggle was to transform members of his leadership team into skilled managers of both people and robots.

Getting Started

Companies looking to achieve a competitive edge through AI need to work through the implications of machines that can learn, conduct human interactions, and engage in other high-level functions—at unmatched scale and speed. They need to identify what machines do better than humans and vice versa, develop complementary roles and responsibilities for each, and redesign processes accordingly. AI often requires, for example, a new structure, of both centralized and decentralized activities, that can be challenging to implement. Finally, companies need to embrace the adaptive and agile ways of working and setting strategy that are common at startups and AI pioneers. All companies might benefit from this approach, but it is mandatory for AI-enabled processes, which undergo constant learning and adaptation for both man and machine.

Os executivos precisam identificar onde a IA pode criar a vantagem mais significativa e durável. No nível mais alto, a IA é adequada para áreas com enormes quantidades de dados, como varejo e tarefas de rotina, como preços. Mas esse heurístico simplifica demais o campo de jogo. Cada vez mais, todas as atividades corporativas estão inundadas de dados e capazes de serem divididas em tarefas simples. (Veja a exposição.) Advogamos a IA através de quatro lentes:

• Customer needs
• Technological advances
• Data sources
• Decomposition of processes

Primeiro, defina as necessidades de seus clientes. A IA pode ser um campo sexy, mas sempre faz sentido retornar ao básico na construção de um negócio. Onde seus clientes atuais ou em potencial têm necessidades explícitas ou implícitas não atendidas? Mesmo as idéias de negócios recentes mais perturbadoras, como Uber e Airbnb, atendem aos requisitos fundamentais das pessoas. Os desenvolvimentos mais significativos da IA ​​geralmente envolvem a montagem e o processamento de novas fontes de dados e a tomada de decisões parcialmente autônomas. Numerosos serviços e plataformas podem capturar dados recebidos de bancos de dados, sinais ópticos, texto e fala. Você provavelmente não precisará construir esses sistemas. O mesmo se aplica ao back -end como resultado da crescente disponibilidade de tecnologias de saída, como agentes digitais e robôs. Considere como você pode usar essas tecnologias para transformar seus processos e ofertas. A pilha dos serviços de IA tornou -se razoavelmente padronizada e é cada vez mais acessível através de ferramentas intuitivas. Mesmo os não especialistas podem usar grandes conjuntos de dados. Em seguida, remonte -os para melhor atender às necessidades de seus clientes.

Second, incorporate technological advances. The most significant developments in AI generally involve assembling and processing new sources of data and making partially autonomous decisions. Numerous services and platforms can capture incoming data from databases, optical signals, text, and speech. You will probably not have to build such systems yourself. The same is true on the back end as a result of the increasing availability of output technologies such as digital agents and robots. Consider how you can use such technologies to transform your processes and offerings.

Third, create a holistic architecture that combines existing data with new or novel sources, even if they come from outside. The stack of AI services has become reasonably standardized and is increasingly accessible through intuitive tools. Even nonexperts can use large data sets.

Finally, break down processes and offerings into relatively routinized and isolated elements that can be automated, taking advantage of technological advances and data sources. Then, reassemble them to better meet your customers’ needs.

Para muitas organizações, essas etapas podem ser desafiadoras. Para aplicar as quatro lentes sistematicamente, as empresas precisam estar familiarizadas com os recursos atuais e emergentes da tecnologia e a infraestrutura necessária. Um Centro de Excelência pode servir como um local para incubar a perspicácia técnica e comercial e disseminar a experiência da IA ​​em toda a organização. Mas, em última análise, a IA pertence e pertence aos negócios e funções que devem usá -la.

Only when humans and machines solve problems together—and learn from each other—can the full potential of AI be achieved.

---

O Instituto BCG Henderson é o think tank de estratégia do Boston Consulting Group, dedicado a explorar e desenvolver novas idéias valiosas de negócios, tecnologia e ciência, abraçando a poderosa tecnologia de idéias. O Instituto envolve os líderes em discussões e experimentações provocativas para expandir os limites da teoria e prática dos negócios e traduzir idéias inovadoras de dentro e além dos negócios. Para mais idéias e inspiração do Instituto, visite  Insights em destaque .