Competindo na taxa de aprendizado

N Tecnologias EW, particularmente Inteligência Artificial , tem o potencial de impulsionar a taxa de aprendizado nos negócios a novos patamares - o volume e a velocidade dos dados explodiram e os algoritmos podem desbloquear padrões e insights complexos com velocidade sem precedentes. Em uma era de encolhimento de ciclos de vida do produto e em rápida mudança de modelos de negócios, as empresas que são as primeiras a decodificar novas tendências ou necessidades emergentes têm a melhor chance de aproveitar -as. A nova tecnologia pode acelerar o aprendizado em etapas de processos individuais, mas para criar aprendizado organizacional agregado e vantagem competitiva, deve ser complementada pela inovação organizacional. Além disso, mudanças contextuais em movimento lento, impulsionadas por forças sociais, políticas e econômicas, estão se tornando tão importantes para os negócios quanto as tecnologias em movimento rápido. Para competir com a capacidade de aprender, portanto, os líderes devem reinventar suas organizações para aproveitar as capacidades humanas e da máquina sinergicamente, a fim de expandir o aprendizado para as escalas de tempo mais rápidas e lentas. curva. ” Como

But learning at the speed of algorithms requires more than algorithms themselves. New technology can accelerate learning in individual process steps, but to create aggregate organizational learning and competitive advantage it must be complemented by organizational innovation. Moreover, slow-moving contextual shifts, driven by social, political, and economic forces, are becoming just as important to business as fast-moving technologies. To compete on the ability to learn, therefore, leaders must reinvent their organizations to leverage both human and machine capabilities synergistically in order to expand learning to both faster and slower timescales.

A Brief History of Learning Organizations

In first-generation learning organizations, businesses learned how to execute existing processes more efficiently—best exemplified by the “experience curve.” As Bruce Henderson observou meio século atrás As empresas tendem a reduzir seus custos a uma taxa constante e previsível à medida que sua experiência cumulativa aumenta. Por exemplo, no início do século XX, os custos do Modelo T caíram consistentemente cerca de 25% toda vez que o volume cumulativo do produto dobrava. (Veja o Anexo 1.)

In this model, learning was a game of continuous improvement aimed at reducing marginal costs. Competing on learning was essentially about building volume, and therefore experience, faster than competitors. This permitted a strategy of pricing for the anticipated value of learning and pursuing cost reductions systematically, using mechanisms such as statistical process control, kaizen, Six Sigma, and quality circles.

In recent years, a second-generation concept of learning came to the forefront: learning how to envision and create new products. In other words, companies must learn not only to descend experience curves but also to “jump” from one curve to another. (See Exhibit 2.)

This second dimension of learning has always existed in business, but its importance has grown. Technological innovation has compressed product life cycles, so new learning curves appear before old ones have fully played out—and firms must balance both dimensions of learning at the same time. For example, Netflix jumped from a DVD rental business to a streaming service to in-house content creation, while expanding to 190 countries, in less than a decade.

Hoje, uma terceira fase do jogo de aprendizado está começando a se desenrolar. Tecnologias modernas, como sensores, plataformas digitais e IA, prometem acelerar massivamente a taxa na qual as informações são geradas, reunidas e processadas. Isso potencialmente permite que as empresas operem em velocidade sobre -humana, aprendendo sobre o mercado e reagindo em segundos ou até milissegundos.

Ao mesmo tempo, no entanto, as empresas também devem expandir suas habilidades de aprendizado a considerarlonger timescales, as social, political, and economic shifts gradually reshape the business context. Most businesses have woken up to the reality of time compression, but this is only half the picture. The range of timescales that need to be considered is being stretched in both directions. A third-generation learning organization is one that can embrace this new reality—adopting algorithmic principles over shorter timescales while adapting to nonbusiness forces that operate over longer ones.

Para dar esse salto, as empresas não podem confiar apenas na sofisticação tecnológica. Repetindo um padrão histórico bem estabelecido, é necessária a evolução do modelo organizacional para desbloquear o potencial de novas tecnologias. A curva de experiência original só poderia ser explorada quando novas tecnologias industriais foram complementadas por inovações organizacionais, como novos layouts de fábrica, papéis redefinidos para trabalhadores (como a linha de montagem) e novas abordagens gerenciais como círculos de qualidade e Kanban. Da mesma maneira, para construir a terceira geração de organizações de aprendizado, os líderes devem reinventar a empresa não apenas paraunlock the potential of new technologies but also to synergistically combine the unique learning capabilities and timescale advantages of both humans and technology—in other words, to build effective “human + machine” machines.

“Autonomize” the Organization to Learn on Algorithmic Timescales

The most recent evolution of the learning game is driven in large part by new technologies. Digital platforms and IoT sensors make it possible to collect oceans of proprietary data in real time, offering the potential to extract differentiated insights. And AI algorithms can identify complex patterns that are unfathomable by humans at speeds that are unattainable by them.

To unlock the full learning potential of these technologies, however, leaders must rethink how their company operates. Traditional organizational hierarchies react slowly and have limited decision-making bandwidth. Even if you knew the optimal product selection, marketing strategy, and pricing for every customer in every second, could your current organization act on that information?

These timescales require a different model of the enterprise—one predicated on Autonomização em vez de hierarquia e tomada de decisão centrada na administração. As principais organizações de aprendizado conseguem isso conectando dados, algoritmos de IA e execução automatizada de maneira integrada com o mínimo de intervenção humana. Esse processo de "aprendizado algorítmico de circuito fechado" gera um ciclo virtuoso: mais dados tornam os algoritmos mais poderosos, ajudando os mecanismos de decisão a melhorar a seleção ou satisfação da empresa, aumentando assim o volume e gerando mais dados. (Consulte o Anexo 3.)

And because these systems do not rely on manual decision making, they can act and learn at the speed of data rather than the speed of hierarchy. For example, Amazon organizes its dozens of data processing and interpretation systems in uma web totalmente integrada , portanto, novas informações de qualquer parte do negócio (por exemplo, um aumento de vendas de um produto em sua plataforma de comércio eletrônico) automaticamente em cascata para outras áreas (previsão de inventário, otimização de preços e assim por diante). Essa abordagem de "mãos fora da roda" permite que a Amazon compreenda e age sobre novas informações de mercado em tempo real.

Aprendizagem autônoma ignora a hierarquia gerencial que tradicionalmente definiu empresas. Em vez disso, quando projetados adequadamente, as empresas se tornam "auto-ajustes"-sensação de mudanças no mercado imediatamente e respondendo em escalas de tempo algorítmicas. Isso pode ser desconfortável para os executivos que atingiram a maioridade em uma era dominada pela tomada de decisão gerencial. Mas, dado o poder das tecnologias de hoje, os líderes devem permitir que as máquinas façam o que fazem de melhor - e se concentrar nas questões críticas que exigem capacidades distintamente humanas.

RECONTROU CRIROS HUMANOS Em questões de alto nível e escalas de tempo mais longas

Os líderes de hoje estão bem cientes da aceleração de mudanças e dos tempos de ciclo comprimidos. Mas eles podem não reconhecer a importância crescente de mais longa Times escalas. A longevidade corporativa está diminuindo e as empresas estão caindo de seus picos competitivos mais rapidamente do que nunca. Quando há sinais visíveis de desempenho deteriorado, Muitas vezes, é tarde demais para evitar o rápido declínio . Portanto, os horizontes de vários anos são cada vez mais relevantes, e as empresas precisam ser adaptativas em escalas de tempo mais longas e em mais curtas. estável.

The longer-term factors that are reshaping business often come from beyond business:

• Political outcomes are becoming more unpredictable and disruptive.
• International institutions are becoming less stable.
• A desigualdade social continua a subir dentro das nações. As empresas podem ter sido capazes de evitar se concentrar nas forças lentas e, em vez disso, tratá-las como constantes.
• Shifting generational values are reshaping the nature of consumption.
• Social backlash to business is more frequent and larger in scale.
• Technology is changing the skills required of workers and the nature of work.

Em tempos mais estáveis, as empresas podem ter sido capazes de evitar focar nessas forças lentas e, em vez disso, tratá-las como constantes. Mas, como os eventos recentes mostraram, essas questões não competitivas estão se tornando menos previsíveis e mais relevantes para o desempenho da empresa a longo prazo, exigindo correspondência de maneira mais importante. Lawrence Slobodkin descreve um

By simultaneously focusing on all timescales—from milliseconds to decades—companies can maximize their odds of survival and prosperity. Lawrence Slobodkin describes an “Estratégia ideal da evolução” de sistemas biológicos nos quais as espécies se adaptam progressivamente, usando diferentes mecanismos para diferentes escalas de tempo: de adaptações rápidas que são facilmente reversíveis (como organismos individuais que mudam seu comportamento) a respostas mais lentas que são mais permanentes (como ajustes fisiológicos e eventualmente mudanças evolutivas em seu código genético). Da mesma forma, as empresas precisam aprender e responder em vários escalas de tempo. Se uma nova oferta no mercado se tornar mais popular, eles precisam se adaptar flexivelmente a isso em velocidades algorítmicas. Mas, diante de uma tendência persistente ou uma grande descontinuidade, a empresa pode precisar alterar seu DNA fundamental para servir a um novo objetivo. O objetivo de aprender em escalas de tempo de uma década é entender e ficar à frente das tendências lentas que remodelam o contexto dos negócios. Enquanto as representações da IA ​​na cultura popular, como Skynet ou Hal 9000, geralmente têm os mesmos recursos de raciocínio que os humanos, os aplicativos de IA em uso hoje têm recursos muito mais específicos e limitados. Eles podem identificar

Learning on longer timescales requires a very different approach, because even today’s most advanced technologies cannot easily analyze slow-moving external forces. Whereas representations of AI in popular culture, such as Skynet or HAL 9000, often have the same reasoning capabilities that humans do, the AI applications in use today have much more specific and limited capabilities. They can identify Correlações extremamente poderosamente, operando em velocidade e complexidade muito maiores do que os humanos. Mas essa abordagem requer uma grande quantidade de dados relevantes - e o histórico geralmente é uma jornada singular, não um padrão repetido.

Instead, Níveis mais altos de raciocínio são necessários para decodificar e moldar essas tendências de longo prazo. Esses níveis mais altos são Inferência causal (o que acontece quando agimos em um sistema) e Imaginação (o que aconteceria se o sistema fosse diferente de uma maneira significativa). As técnicas de IA mais comuns de hoje, como aprendizado profundo, não podem raciocinar esses níveis, que, portanto, permanecem firmemente o domínio dos seres humanos por enquanto. (Consulte o Anexo 4.)

The third-generation learning organization is thus a “human + machine” machine, in which artificial and human intelligence are focused on their respective advantages. (See Exhibit 4.)

Enquanto as máquinas coletam dados e encontram padrões em velocidades rápidas, concentrados nos humanos em objetivos mais altos. Além de aprender em escalas de tempo mais longas, incluem:

• Definindo os objetivos finais do sistema Human + Machine e reformando -os como garantia dos resultados. Como os resultados dos modelos de aprendizado de máquina de hoje não são prontamente explicáveis, isso requer uma abordagem indireta, incluindo validação, teste de estresse e recalibração. Projetando a própria máquina Integrada Human + Machine
• Maintaining the machines and setting guardrails. Because the outputs of today’s machine-learning models are not readily explainable, this requires an indirect approach, including validation, stress-testing, and recalibration.
• Using imagination to envision new possibilities, such as novel products or business models.
• Designing the integrated human + machine machine itself , configurando -o para o sucesso e evoluindo -o à medida que surgem novos recursos. Encontre padrões altamente complexos em velocidades rápidas, elas são muito mais poderosas quando estão conectadas a ecossistemas que geram vastos mares de dados proprietários. Assim como a curva de experiência tradicional ditou que as empresas deveriam priorizar o volume em suas estratégias de investimento e preços, as empresas de hoje devem investir antes da curva na aquisição de dados. Ao criar ecossistemas proprietários (por exemplo, através de plataformas digitais ou soluções de IoT), eles podem aprender sobre o mercado mais rápido e usar essas informações para melhorar suas ofertas. Ao analisar esses dados com algoritmos avançados, eles podem melhorar sua entrega (por exemplo, eficiência de rotear ou combinar a oferta com demanda) e criar produtos melhores (por exemplo, introduzir novos modelos de serviço ou expandir efetivamente para novos locais). Por sua vez, essas vantagens levam a mais transações no futuro, garantindo mais dados em um ciclo virtuoso. Portanto, pelo menos no futuro próximo, os humanos e a IA devem ser capazes de integrar perfeitamente. Os modelos de IA “Black-Box” não são necessariamente produtivos in situ, pois não permitem que os seres humanos entendam e confiem nos resultados, e podem não estar bem compatíveis com as capacidades de comunicação humana em termos de complexidade e largura de banda.

How to Compete on the Rate of Learning

Given the above challenges, how can leaders act strategically to gain an advantage through learning, fully leveraging the potential of new technologies?

Invest in autonomous learning systems. Because AI algorithms can find highly complex patterns at rapid speeds, they are much more powerful when they are plugged into ecosystems that generate vast seas of proprietary data. Just as the traditional experience curve dictated that companies should prioritize volume in their investment and pricing strategies, today’s companies should invest ahead of the curve in data acquisition. By creating proprietary ecosystems (for instance, through digital platforms or IoT solutions), they can learn about the market faster and use that information to improve their offerings.

For example, Uber and Lyft have invested heavily in platforms that connect drivers and riders, gathering proprietary data about all resulting transactions. By analyzing that data with advanced algorithms, they can improve their delivery (for example, routing efficiency or matching supply with demand) and create better products (for example, introducing new service models or expanding effectively to new locations). In turn, those advantages lead to more transactions in the future, ensuring more data in a virtuous cycle.

Design effective human–machine interfaces. There are still many tasks where humans are advantaged, such as nonrepeatable tasks or those involving empathy or higher-level reasoning. Therefore, at least for the foreseeable future, humans and AI must be able to integrate seamlessly. “Black-box” AI models are not necessarily productive in situ, since they do not allow humans to understand and trust outputs, and they may not be well-matched with human communication capabilities in terms of complexity and bandwidth.

Por exemplo, devido às dimensões emocionais da saúde, os pacientes esperam ouvir seus diagnósticos de médicos humanos e não de máquinas. AI fornece informações onde pode fazer isso melhor e mais rápido -Como classificar possíveis doenças com base em raios-X ou outras imagens-mas o diagnóstico e o tratamento são intermediados por médicos, que adicionam outro nível de revisão e comunicam as descobertas aos pacientes com cuidado. Mas eles podem ser tão poderosos quando incorporados nos sistemas administrativos - como planejamento, sistemas de informação e gerenciamento de recursos - da própria empresa. As estruturas organizacionais devem ser descentralizadas, com unidades menores, dada autonomia para agir, experimentar e aprender. As idéias devem fluir para cima e através da organização, em vez de apenas para baixo dos executivos, para acelerar o aprendizado. E a realocação de recursos deve ser um processo contínuo que seja perfeitamente integrado aos loops de aprendizagem. Ao remover gargalos para a ação e adotar “algoritmias organizacionais”, as próprias empresas podem evoluir de maneira mais eficaz e holística. Todos os aspectos da empresa são submetidos a forças de mercado e adaptados de acordo - mesmo características tradicionalmente fixas, como a Vision, que a empresa redefiniu várias vezes em resposta às mudanças nas condições. O resultado é um

Embed autonomous learning structures throughout the enterprise. Self-executing decision loops are widely implemented in digital marketplaces. But they can be just as powerful when embedded in the administrative systems—like planning, information systems, and resource management—of the enterprise itself.

This involves reconceptualizing business as an intelligent, adaptive machine, one that embodies the same algorithmic principles as purely digital systems do. Organizational structures should be decentralized, with smaller units given autonomy to act, experiment, and learn. Insights should flow up and across the organization, rather than just downward from executives, to accelerate learning. And resource reallocation should be a continual process that is seamlessly integrated into learning loops. By removing bottlenecks to action and embracing “organizational algorithmics,” companies themselves can evolve more effectively and holistically.

For example, Alibaba has a flexible organizational structure that encourages units to act on their own when they identify a new opportunity. All aspects of the firm are subjected to market forces and adapted accordingly—even traditionally fixed features such as vision, which the company has reset several times in response to changing conditions. The result is a “Enterprise auto-ajuste” Isso é constantemente experimentar, aprender e adaptar ao mercado e ao ambiente em torno dele. Embora as métricas familiares de negócios, como receitas trimestrais, custo e lucratividade, continuem essenciais, elas precisam ser aplicadas em escalas de tempo mais curtas e mais curtas e complementadas com métricas de aprendizado. Por exemplo, o operador de um mercado digital pode medir o “tempo de ciclo” de uma interação (a rapidez com que pode reunir dados do cliente, processá -lo e fazer uma oferta personalizada de produtos) ou avaliar se a economia subjacente das decisões automatizadas está melhorando (considerando a probabilidade de uma venda, precificação, tempo de execução e valor de novos dados). Os métodos de supervisão podem não ser aplicáveis. Antes da implantação, as máquinas devem ser rigorosamente testadas por estresse para situações extremas, para garantir que sua ação autônoma não leve a resultados emergentes indesejáveis. Os algoritmos devem ser explicáveis, se possível, para que seu funcionamento possa ser auditado com mais eficácia e as pessoas possam confiar em suas decisões. E, a longo prazo, os pesquisadores devem buscar algoritmos causais para desbloquear novos recursos e responder melhor às condições de mudança. Por exemplo, o Departamento de Defesa dos EUA está preparando um esforço de pesquisa para criar

Measure and govern the business on all timescales. As the learning capabilities of the organization evolve, traditional metrics and accountabilities should be extended to encourage adaptability on an expanded set of timescales. While the familiar metrics of business, such as quarterly revenues, cost, and profitability, remain essential, they need to be applied on shorter and shorter timescales and supplemented with learning metrics. For example, the operator of a digital marketplace might measure the “cycle time” of one interaction (how fast it can gather customer data, process it, and make a customized product offering), or assess whether the underlying economics of automated decisions are improving (considering the probability of a sale, pricing, execution time, and the value of new data).

Governance structures must also be augmented for shorter timescales, as traditional oversight methods may not be applicable. Before deployment, machines must be rigorously stress-tested for extreme situations, to make sure their autonomous action will not lead to undesirable emergent outcomes. Algorithms must be made explainable, if possible, so that their workings can be audited more effectively and people can trust their decisions. And in the long term, researchers should pursue causal algorithms to unlock new capabilities and respond better to changing conditions. For example, the US Department of Defense is preparing a research effort to create AI com “senso comum” que imita a ingenuidade humana.

Abordagens diferentes também são necessárias em escalas de tempo mais longas. Para entender a aptidão da empresa a longo prazo, as métricas de desempenho tradicionais para trás devem ser complementadas com medidas prospectivas. Por exemplo, mostramos que é possível Avalie a vitalidade de uma empresa , sua capacidade de crescimento e reinvenção futuros. E os líderes devem testar seus planos de longo prazo com vários cenários internos e externos, alavancando o poder da imaginação para aumentar a conscientização das circunstâncias que podem ameaçar ou apresentar oportunidades aos negócios. As empresas podem liberar o poder da tecnologia para aprender rapidamente e engenhosidade humana em escalas de tempo mais longas. Mas isso exigirá que os líderes primeiro reimaginem a organização e como ela é gerenciada. Ao abraçar a poderosa tecnologia das 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 

---

The third generation of learning organizations presents an enormous opportunity. Companies can unleash both the power of technology for rapid learning and human ingenuity on longer timescales. But this will require leaders first to reimagine the organization and how it is managed.

---

The BCG Henderson Institute is Boston Consulting Group’s strategy think tank, dedicated to exploring and developing valuable new insights from business, technology, and science by embracing the powerful technology of ideas. The Institute engages leaders in provocative discussion and experimentation to expand the boundaries of business theory and practice and to translate innovative ideas from within and beyond business. For more ideas and inspiration from the Institute, please visit  Insights em destaque .