As equipes ágeis necessárias para iniciar o amplo uso da inteligência artificial devem dar lugar a estruturas empresariais para escalar a tecnologia em toda a empresa.
Empresas de uma ampla gama de setores estão fazendo investimentos significativos em IA — e estão cada vez mais preocupadas em como escalar o uso da tecnologia para obter benefícios em suas organizações. Muitas empresas ficam estagnadas em sua jornada de IA e têm dificuldade em superar projetos piloto ou soluções pontuais. Isso não ocorre necessariamente porque a tecnologia é tão complexa. Essa pesquisa revela que as empresas falham em extrair o potencial valor comercial da IA, não por falta de expertise técnica, mas sim devido a questões estruturais e de processo.
Foi realizada uma análise aprofundada da jornada de escalabilidade de IA de 10 empresas líderes de mercado, com três a oito anos de experiência em implementação de IA em diversos setores, incluindo bens de consumo embalados, produtos farmacêuticos, bancos, seguros, serviços de segurança e automotivo. Essas empresas estavam em diferentes estágios de progresso, variando de capacidades relativamente incipientes a extremamente sofisticadas. A forma como organizavam seus esforços em cada estágio tinha implicações no que conseguiam realizar.
Dicionário de siglas usadas nesse artigo:
- ilhas de experimentação (IOE) = Islands of Experimentation
- centro de excelência (COE) = Center of Excellence
- federação de expertise (FOE) = Federation of Expertise
- retorno do investimento (ROI) = return of investment
- unidades de negócios (BU) = Business Units
- indicadores-chave de desempenho (KPIs) = Key Performance Indicators)
lucros e perdas (P&L) = Profit and Loss - gestão por objetivos (MBO) = Management by Objectives
- balanced scorecard: Painel de Desempenho Balanceado
- operações de aprendizado de máquina (MLOps) = Machine Learning Operations
Descobrimos que os projetos de IA nas empresas geralmente começam como o que chamamos de ilhas de experimentação (IOE) antes de se reunirem em torno de um centro corporativo de excelência (COE). Apenas um pequeno número então avança para um modelo sofisticado de federação de expertise (FOE), construído sobre uma base centralizada de conhecimento, sistemas, processos e ferramentas, e sobre capacidades descentralizadas e integradas.
Isso implica que empresas com ambições de IA podem precisar fazer dois saltos potenciais. Abaixo, explicamos por que cada salto é necessário e discutimos como as empresas podem facilitá-los.
Os Limites da Experimentação
As iniciativas de IA geralmente começam com pequenas equipes especializadas explorando problemas específicos, mas essas IOEs (ilhas de experimentação) descentralizadas têm um impacto limitado. Por exemplo, uma empresa farmacêutica global nesse estudo desenvolveu uma ferramenta de aprendizado de máquina para prever a próxima melhor ação para sua força de vendas. Embora essa ferramenta tenha sido lançada com sucesso em um país, ela não se espalhou mais devido à estrutura altamente descentralizada da empresa. Tentativas de lançar a ferramenta em outro país, onde beneficiaria as operações da empresa, falharam. Eventualmente, a empresa percebeu que a ferramenta não era usada amplamente o suficiente para gerar um ROI (retorno sobre investimento) suficiente no projeto, e a iniciativa foi encerrada.
As IOEs geralmente falham em escalar devido às seguintes quatro limitações:
- As IOEs são geralmente treinadas com dados de nicho e curados para resolver um problema específico, o que, por sua própria natureza, impede o uso amplo.
- O número limitado e a disponibilidade de conjuntos de dados curados significam que eles eventualmente se esgotam (uma arquitetura de dados de suporte para novos conjuntos de dados está tipicamente ausente na fase inicial), e os projetos param, mesmo em cenários restritos.
- Esses projetos de IA não são visíveis nem acessíveis em toda a empresa, resultando em duplicação de esforço, ineficiências e custos mais altos.
- Restrições de recursos limitam o progresso ao longo do tempo. Consequentemente, uma vez que os problemas “de fácil resolução” são resolvidos, essas ilhas tendem a estagnar ou, às vezes, desaparecer completamente.
Escalar de IOEs díspares para construir um COE (centro de excelência) forte é essencial para criar valor em toda a empresa. As IOEs geralmente focam em iniciativas táticas que podem gerar vitórias rápidas, mas não necessariamente alinhadas com os objetivos estratégicos da empresa. O COE permite uma mudança fundamental no tipo de entregáveis de IA: eles se tornam estratégicos para alcançar objetivos comerciais-chave.
Fazer o salto de IOE para COE permitiu à Rímac, a maior empresa de seguros do Peru, escalar seus experimentos ad hoc de IA destinados a gerenciar a rotatividade e entender a propensão dos clientes a comprar produtos existentes (seguros de vida, saúde e automóveis). O COE foi estabelecido em 2019 junto com uma nova função, a de diretor de IA e dados, que reporta diretamente ao CEO e faz parte do comitê executivo. Esses movimentos enviaram um sinal forte sobre a importância da IA, análise de dados e dados para o restante da organização.
O diretor de IA e dados introduziu IA e análise de dados como um item da agenda em reuniões estratégicas de nível C e convenceu os líderes organizacionais de que os dados da empresa eram um ativo estratégico. O executivo obteve um orçamento para financiar iniciativas estratégicas de IA e dados, influenciou as unidades de negócios (BUs) a experimentarem modelos inovadores de IA e estabeleceu princípios e processos de governança de dados em parceria com a TI. O COE passou a criar proposições de valor completamente novas, como uma farmácia digital, serviços de bem-estar e predição e gestão de doenças crônicas, que se alinharam com a entrada estratégica da empresa no bem-estar como um novo negócio adjacente em 2022.
Um COE também é essencial para empresas que buscam resolver problemas desafiadores e complexos e que têm um valor potencialmente alto. Feito corretamente, o COE pode eventualmente se tornar uma fonte de vantagem competitiva, como foi o caso da Securitas, uma empresa global de serviços de segurança.
Após a Securitas estabelecer um COE de análise avançada em 2018, a equipe do COE escolheu trabalhar no difícil problema de predição de risco. A equipe se baseou em dados internos (tanto texto livre quanto relatórios históricos que forneceram dados sobre a ocorrência de incidentes, tempo, localização, tipo de cliente) e dados externos (como clima, demografia e mapas de ruas). O modelo de IA foi então treinado para prever o risco de um incidente (roubo, vandalismo ou até agressão) e onde e quando ele poderia ocorrer, com 88% de precisão.
A predição forneceu informações aos clientes para que pudessem agendar melhor guardas e patrulhas, permitindo que enfrentassem riscos dinâmicos. Por exemplo, o modelo alertou um varejista sueco com mais de 90 lojas sobre quais de seus locais estavam mais expostos, os maiores riscos em cada local e os fatores que impulsionavam esses riscos. Isso informou ações críticas para melhorar significativamente a segurança do varejista. Resolver o problema da predição de risco não teria sido possível sem uma abordagem centralizada que permitisse à Securitas adquirir o volume e a variedade de dados necessários e os especialistas em IA mais especializados necessários para compor um COE, de acordo com o então CIO Martin Althén. A predição de risco entregue por meio de um aplicativo logo se tornou um diferencial competitivo para a Securitas.
Foco na padronização para entregar em escala
As IOEs são quase por definição oportunistas e ágeis. Seus objetivos principais são velocidade e soluções “boas o suficiente” para as necessidades urgentes de uma BU ou função. Consequentemente, as IOEs são onde as provas de conceito são geradas, fazendo a ponte entre os primeiros adotantes e o resto de uma organização. Mas elas também levam a ineficiências devido à falta de infraestrutura padronizada de dados e IA, disponibilidade limitada de dados e capacidades, e à ausência de mecanismos para compartilhar resultados e melhores práticas.
Por meio do uso de COEs, as empresas são capazes de mudar o foco das aplicações de IA de vitórias rápidas/provas de conceito para a entrega rápida de soluções de IA confiáveis e focadas em negócios em escala. Elas fazem isso criando processos fixos e sistemas padronizados que podem produzir e implantar modelos de forma eficiente. Além disso, o COE impulsiona a governança apropriada do modelo para ajudar a organização a alcançar um nível granular de controle e visibilidade sobre como os modelos de IA operam na produção.
Processos padronizados e uma arquitetura de dados e análises compartilhada são cruciais para reunir todas as partes: usuários no nível da BU que se beneficiarão dos insights/previsões dos modelos, engenheiros de dados na TI, desenvolvedores de modelos de IA e a equipe de operações de aprendizado de máquina (MLOps) que colocará a tecnologia em produção.
Em um grande grupo de supermercados dos EUA, isso começou com a formalização da cadeia de comando para implementar os esforços de IA: identificando quem era o tomador de decisão, quem era responsável, quem poderia intervir e quem pagaria. A empresa decidiu que as BUs seriam os proprietários dos projetos de IA, após descobrir que elas eram muito mais bem-sucedidas em influenciar a TI para entregar as melhorias necessárias do que os líderes de IA e análises. A empresa então estabeleceu expectativas padrão para tempos de resposta e níveis de serviço para cientistas de dados, MLOps e TI relacionados à construção e colocação de modelos em produção e à criação de pipelines de dados para colocar os modelos em produção.
Localize os COEs onde eles melhor servem os objetivos atuais
A colocação estrutural do COE dentro da organização depende da maturidade, processos de tomada de decisão e dinâmica corporativa da empresa. O COE pode permanecer como um centro de custos autônomo, totalmente financiado pela sede corporativa ou cofinanciado por todas as BUs. Alternativamente, ele pode operar sob a TI como uma unidade separada com limites claros, ou sob uma BU dominante ou função-chave, como marketing.
Por exemplo, o COE na Securitas foi configurado como uma unidade autônoma que trabalha com princípios operacionais ágeis e tecnologias de código aberto — não a norma na função de TI legada da empresa. Mais tarde, tornou-se parte da BU da Securitas focada em soluções de segurança digital. Em contraste, o COE da Philip Morris International permaneceu dentro da função de TI para manter fácil acesso aos dados, evitando a complexidade de criar uma nova unidade global; e a empresa de serviços financeiros Rabobank estabeleceu um COE para acelerar a transformação de dados e análises da unidade de agronegócios e alimentos internacionais da empresa.
Esses exemplos mostram que o COE é melhor colocado sob qualquer função ou divisão que possa facilitar a execução — e assim capturar valor. Cada uma das alternativas oferece variados graus de autonomia, responsabilidade e potencial colaborativo. COEs que são verdadeiramente autônomos podem abordar qualquer parte do negócio com agência e capacitação para criar valor. A estrutura também pode evoluir para se adequar à direção estratégica da empresa. Vemos isso na Rímac. Embora o COE de análises avançadas tenha começado como uma entidade autônoma reportando ao diretor de IA e dados, após três anos foi colocado sob a função de marketing para permitir uma transformação orientada para o cliente em torno de serviços de bem-estar no próximo ciclo estratégico.
Abordando a desconexão entre incentivos e KPIs
Alinhar incentivos e compartilhar riscos entre o COE e a BU é fundamental para escalar a IA. Como o COE não opera em um vácuo, estabelecer KPIs apenas para o COE lhe dá responsabilidade sem poder — e isso torna ainda mais fácil para as BUs céticas alegarem que o COE não está gerando valor.
Na Rímac, o objetivo do COE era aumentar os lucros brutos em US$ 15 milhões em um ano. No entanto, a BU com a qual esse valor seria criado não tinha esse objetivo em sua avaliação de desempenho, então não necessariamente priorizou os recursos, a capacidade e o esforço necessários para implementar os modelos de IA (ou ajudar a criá-los). Como era de se esperar, o COE não conseguiu atingir totalmente essas metas.
Para corrigir a situação, em 2022, a empresa adotou um esquema de objetivos compartilhados, no qual as BUs tinham sua parcela correspondente de objetivos de valor e resultados chave; isso garantiu a alocação adequada de esforço e recursos. Além disso, a contabilidade adequada do valor agregado foi essencial para estabelecer um KPI mensurável, permitindo assim a estimativa correta do ROI para os esforços de IA. Um executivo sênior explicou: “Se o chefe da unidade de negócios souber que seu P&L ou orçamento está sendo cobrado em US$ 500.000 por ano para cobrir custos, mas o COE está gerando US$ 5 milhões em receita operacional, é óbvio que as motivações de ambos os lados vão coincidir.”
Quando o COE não é suficiente
Embora os COEs tenham sido mecanismos bem-sucedidos usados por muitas empresas para obter mais valor de suas capacidades de IA, eles podem ser insuficientes para empresas grandes e altamente diversificadas com recursos significativos à disposição. Para essas organizações, uma das desvantagens do COE é que ele carece do conhecimento específico sobre áreas de negócios específicas. Em um conglomerado que estudamos, o COE criou um modelo de previsão de gastos e upgrade de clientes para o setor de hospitalidade. O modelo forneceu insights que permitiram aos funcionários da linha de frente oferecer aos clientes com certos perfis melhores quartos, pacotes de spa, opções de entretenimento e outros upgrades.
Embora o modelo funcionasse bem do ponto de vista técnico, a implementação falhou porque simplesmente não pôde ser inserida nos processos de tomada de decisão e de trabalho existentes da equipe. O chefe do COE compartilhou: “Sabíamos que podíamos fazer muitas coisas legais; também tínhamos o patrocínio do CEO do hotel, mas não entendíamos realmente o negócio. Nossa falta de conhecimento não nos permitiu fazer boas perguntas ou incorporar os recursos certos nos modelos. Então percebemos que, para sermos bem-sucedidos, nossos cientistas de dados precisavam se tornar especialistas em domínios como hospitalidade, mineração, pesca, etc., e não generalistas no nível corporativo.”
Em segundo lugar, com o crescimento do sucesso e da credibilidade, os COEs tendem a se tornar um gargalo. Um sinal revelador é quando o COE passa de bater às portas das BUs para encontrar projetos de análise para ter um backlog de múltiplos projetos de BU disputando prioridade. À medida que as BUs acabam esperando pelo acesso aos recursos estendidos do COE, ocorre uma desaceleração no impulso de escalonamento, o que acaba criando frustração em ambos os lados. Nessas situações, as empresas podem recorrer a um modelo de federação de expertise.
FOE (Federação de Expertise)
O modelo FOE (Federação de Expertise) é composto por dois elementos:
- uma base centralizada de conhecimento, sistemas, processos e ferramentas;
- capacidades descentralizadas incorporadas.
Cada BU paga pelos especialistas incorporados (MLOps e pessoal de desenvolvimento e operações), e o tamanho da equipe depende do perfil e dos objetivos do negócio. A equipe técnica se concentra na construção de soluções analíticas específicas da BU e um catálogo de algoritmos e processos que podem ser usados para descoberta de dados, monitoramento de modelos, manutenção, re-treinamento, e assim por diante. A responsabilidade é frequentemente alcançada por meio de uma linha de reporte dupla — para o chefe da BU e para o CIO/líder funcional — com revisões de negócios conjuntas para concordar com as prioridades.
Na Procter & Gamble (P&G), o centro corporativo fornece a plataforma central — por exemplo, Microsoft Azure e um data lake central — e a BU constrói os produtos sobre isso. As equipes incorporadas extraem dados desse sistema para criar hubs de dados (que são carregados com fontes adicionais de dados internos e externos) e constroem soluções que correspondem às necessidades de uma BU específica.
A estrutura FOE permite que a equipe central tenha uma visão panorâmica para identificar situações em que uma solução local específica pode ter múltiplas aplicações. A equipe incorporada também tem a autonomia para incubar ideias de baixo para cima que têm o potencial de serem reaplicadas em toda a empresa. A P&G gerencia habilmente esse equilíbrio entre autonomia e controle, aproveitando um sandbox de ciência de dados para criar uma solução específica da BU, testá-la e depois replicá-la em outras unidades. Por exemplo, a modelagem de audiência, um caso de uso altamente valioso para marketing digital, não precisa ser recriada unidade por unidade.
Prevenindo a fragmentação no modelo FOE
Um perigo com os FOEs é que as práticas e ferramentas podem fragmentar-se pela empresa. Quando a Rímac fez a transição para um modelo federado hub-and-spoke, sua unidade de negócios de seguros de saúde começou a incorporar capacidades especializadas, alocando um orçamento, trazendo alguns especialistas centrais e recrutando novos talentos para acelerar o processo. A Rímac evitou a fragmentação dando ao chefe do COE e a três líderes de projeto sêniores a responsabilidade de manter um diálogo contínuo com o chefe da BU e participando de reuniões de gestão para entender as necessidades do negócio. Também treinou os novos talentos incorporados em melhores práticas e lições aprendidas com erros passados e estabeleceu diretrizes para garantir a consistência.
Benefícios do Modelo FOE
Uma vantagem chave de escalar para o modelo FOE é que ele impulsiona um efeito de flywheel (roda de inércia). A priorização pode ser baseada no valor cumulativo: um projeto pode não gerar benefícios significativos na primeira rodada, mas pode criar conjuntos de dados ou ferramentas importantes que podem ser reutilizados para múltiplos casos de uso no futuro.
Como explicou Harrie Schaap, líder de transformação de dados e análises do Rabobank:
Não se trata apenas do valor monetário ou da facilidade de implementação. A questão maior é, ao seguir esse caso de uso, estamos realmente construindo uma posição de dados que será um trampolim para criar valor monetário substancial nos próximos casos de uso?
Isso significa avançar na hierarquia da ciência de dados, onde a execução de um nível desbloqueia maior potencial no próximo. Como centros de custo com horizontes temporais mais curtos, os COEs não podem definir prioridades usando a mesma lógica.
Mais importante, em tempos difíceis, o financiamento do COE pode ser ameaçado, paralisando o progresso. No entanto, esse problema é evitado no modelo FOE, pois projetos de IA federados não enfrentam necessariamente as mesmas pressões de corte de custos, permitindo que a escalada continue.
Desafios do COE
Os COEs são geralmente centros de custo, e as BUs frequentemente resistem às demandas de financiar um COE que não pediram inicialmente. Podem ser céticas em relação às novas soluções propostas pelo COE e duvidar que gerarão valor suficiente — pelo menos inicialmente. E geralmente querem ver o ROI dentro do ano fiscal, enquanto alguns trabalhos relacionados à IA podem levar vários anos para gerar um retorno positivo.
Transição de COE para FOE
A transição de um COE para um FOE permite uma mudança no modelo de financiamento — de um sistema baseado em contribuições suportado pelas BUs para um modelo de financiamento duplo onde a equipe central é financiada pela sede corporativa e cada BU mantém seus próprios recursos de dados. Essa mudança permite que as BUs tenham maior controle sobre tanto as despesas quanto os resultados finais.
Fechando o Ciclo de Feedback
A alavanca mais forte para escalar o uso e a adoção da inteligência artificial é demonstrar que o uso de ferramentas de IA tem um impacto financeiro positivo no negócio. Isso requer que a organização estabeleça um fluxo de ciclo de feedback da BU para a equipe de MLOps e, finalmente, para os cientistas de dados. Isso ajuda a garantir que os dois problemas mais comuns na construção de modelos — aplicabilidade e desvio de modelo — sejam abordados. O feedback da empresa, por exemplo, de que uma ferramenta de IA destinada a melhorar a geração de leads está produzindo poucas conversões para clientes, permite que a equipe de análise de dados re-treine o modelo com mais dados rotulados e conhecimento das previsões do modelo em campo. Na verdade, em algumas empresas, especialistas centrais no COE/FOE se recusam a apoiar BUs que não fornecem feedback sobre seus modelos.
Monitoramento contínuo
O feedback contínuo também permite sinalizar mais rapidamente o desvio de modelo — quando a própria aprendizagem da ferramenta de IA no trabalho altera sua saída de maneiras que a tornam menos útil ou até mesmo errada. Empresas maduras monitoram cuidadosamente medidas de desempenho como precisão do modelo, taxas e tipos de erros, desvio nas pontuações ao longo do tempo e inferências do modelo.
Mudança de processo em escala
A progressão de resolver problemas particulares para construir novas capacidades deve, em última análise, resultar em processos de trabalho que sejam consistentes em toda a organização.
Na Tetra Pak, líder global em soluções de processamento e embalagem de alimentos, a equipe de ciência de dados identificou uma oportunidade significativa para otimizar o estoque de segurança de seu material base (papelão) para minimizar o capital de giro enquanto mantinha os níveis de serviço ao cliente. Como primeiro passo, ajustou a fórmula de previsão de estoque usando dados históricos sobre variabilidade de demanda dos clientes e variabilidade de tempo de entrega dos fornecedores de material. Pilotos bem-sucedidos com a nova fórmula permitiram à equipe construir confiança inicial com os planejadores da cadeia de suprimentos da empresa.
Transformação de Processos
O segundo passo foi mais complexo. A equipe analisou previsões históricas para identificar os vieses que influenciavam os erros de previsão. Esses vieses resultavam de incentivos de vendas para aumentar o crescimento e incentivos da cadeia de suprimentos para reduzir o custo de atendimento. Com esse insight, a equipe criou um modelo de aprendizado de máquina que forneceria uma previsão de reabastecimento básica no início do processo de planejamento, que os planejadores poderiam então enriquecer com insights adicionais, como sinais de demanda. Isso exigiu uma série de mudanças significativas no processo: redefinir o processo de previsão, reformular os papéis e responsabilidades dos planejadores e introduzir novos mecanismos para medir a precisão da previsão e minimizar o custo total de atendimento.
Esses esforços resultaram em uma redução de 25 milhões de euros (US$ 27 milhões) no capital de giro no curto prazo e uma oportunidade de escala adicional de 43 milhões de euros ao aplicar o mesmo modelo de previsão de aprendizado de máquina a outros componentes, como canudos e tampas. Mais importante, tanto a equipe de ciência de dados quanto a de operações começaram a pensar de maneira mais holística sobre como a IA poderia ser incorporada para otimizar o estoque para clientes específicos com diferentes acordos de nível de serviço baseados na precisão da previsão. Somente quando os processos são fundamentalmente mudados uma abordagem baseada em dados pode se tornar um diferencial estratégico.
Conclusão
Muitas empresas estão em uma jornada para obter valor amplo das capacidades de análise de dados e IA, mas ainda estão longe do destino, muitas vezes à deriva entre ilhas de experimentação. Em vez disso, escalar a IA requer dois saltos críticos que têm menos a ver com tecnologia ou recursos e mais com estabelecer estruturas organizacionais apropriadas, processos operacionais e métricas — e executar as mudanças com intencionalidade. Enquanto a última década foi sobre experimentar a aplicação da IA, a próxima década recompensará aquelas organizações que realmente conseguirem escalá-la.
O que fazer e o que não fazer no Centro de Excelência (COE)
FAÇA sistemas no COE para identificar e corrigir vieses.
NÃO permita que as BUs desenvolvam a síndrome de “não foi inventado aqui”.
FAÇA conter a impaciência intelectual dos especialistas do COE.
NÃO dependa do COE para geração de problemas; em vez disso, origine perguntas na BU.
FAÇA construir rapidamente credibilidade e confiança no COE.
NÃO perca de vista o horizonte de vários anos no planejamento.
O que fazer e o que não fazer na Federação de Especialistas (FOE)
FAÇA estabelecer governança que equilibre controle e acesso.
NÃO pule para o modelo FOE muito rapidamente.
FAÇA evitar competição de status entre o COE e a unidade de negócios/função em termos de tomada de decisão.
NÃO subestime o papel do “tradutor” entre as BUs e o COE.
FAÇA abster-se de uma disputa por recursos; os COEs procurarão minimizar seu envolvimento, mas as BUs pressionarão para o envolvimento total dos COEs.
NÃO deixe de priorizar casos de uso de alto impacto em toda a empresa.
KPIs – Key Performance Indicators
KPIs, ou Indicadores-chave de Desempenho (do inglês “Key Performance Indicators”), são métricas usadas pelas organizações para medir e monitorar o sucesso em relação a objetivos específicos. No contexto do artigo acima, os KPIs são utilizados para avaliar o desempenho tanto do COE (Centro de Excelência) quanto das BUs (Unidades de Negócio), garantindo que ambas estejam alinhadas e colaborando efetivamente para atingir metas comuns.
Origem do Conceito do KPI
O conceito de KPIs tem suas raízes na gestão por objetivos (MBO – Management by Objectives), introduzida por Peter Drucker na década de 1950. A MBO enfatiza a importância de definir objetivos claros e mensuráveis para orientar o desempenho e o desenvolvimento organizacional. Com o tempo, a aplicação de KPIs evoluiu, incorporando técnicas de gerenciamento estratégico como o Balanced Scorecard, desenvolvido por Robert Kaplan e David Norton na década de 1990. O Balanced Scorecard ampliou o uso de KPIs além das métricas financeiras, incluindo perspectivas de clientes, processos internos e aprendizado e crescimento.
KPIs no artigo acima
No artigo, os KPIs são mencionados como uma forma de alinhar os objetivos do COE e das BUs, garantindo que ambos estejam trabalhando em direção aos mesmos resultados. Por exemplo, a falta de alinhamento nos KPIs entre o COE e a BU na Rímac resultou em dificuldades na implementação de modelos de IA e na obtenção dos benefícios esperados. A introdução de um esquema de objetivos compartilhados ajudou a resolver essa questão, incentivando uma colaboração mais eficaz e alocação de recursos adequada.
Os KPIs são ferramentas essenciais para garantir que as atividades e projetos de uma organização estejam alinhados com seus objetivos estratégicos, fornecendo uma base para monitorar e avaliar o progresso de forma contínua.
Fonte:
Periódico MIT Sloan Business Review, Verão de 2023
Os autores:
Amit Joshi é professor de IA, análise de dados e estratégia de marketing no International Institute for Management Development (IMD). Ivy Buche é diretora associada da Business Transformation Initiative no IMD. Miguel Paredes Sadler é vice-presidente de IA e ciência de dados na Albertsons Companies.