IA generativa na prática: casos de sucesso empresariais

A IA generativa está revolucionando o mundo com sua capacidade de produzir respostas semelhantes às humanas e seu impressionante potencial de aprendizado. Por ser uma tecnologia tão promissora, é natural que exista grande entusiasmo em torno dessas novas ferramentas. Na LTPlabs, estamos dedicando esforços significativos para integrá-las às nossas soluções analíticas personalizadas.

Como as empresas devem abordar a IA generativa?

Antes de tudo, a IA generativa é uma nova ferramenta com grande potencial, que permite às empresas interagir de maneiras inovadoras com dados que antes eram difíceis de processar ou dos quais era complexo extrair insights.

Um exemplo imediato são os dados textuais, como relatórios, feedback de clientes, comunicações internas e descrições de produtos.

Embora sua implementação exija investimentos em conhecimento especializado, seja por meio de equipes internas ou de parceiros externos, existem diversos casos de uso com potencial de gerar benefícios que superam significativamente esses investimentos.

É importante destacar que essa nova tecnologia não substitui os modelos de IA desenvolvidos até agora. Ela deve ser vista como uma ferramenta que permite aproveitar melhor os dados qualitativos e possibilitar que os usuários interajam com dados e modelos de maneira mais “natural”. A combinação da IA generativa com outros modelos de Machine Learning oferece um grande potencial de geração de valor por meio de soluções verdadeiramente personalizadas.

Considerando esse cenário, existem diversos casos de uso para essas novas tecnologias que ajudarão a definir as prioridades das empresas líderes no curto e médio prazo.

Caso de uso 1: Ampliar o conhecimento sobre os clientes

Grandes empresas B2C realizam milhares de interações e transações com seus clientes, gerando informações difíceis de estruturar e processar. Isso resulta em um enorme volume de feedback dos consumidores que permanece pouco explorado.

Essas informações são extremamente valiosas para as empresas, mas, até recentemente, existiam ferramentas limitadas para processá-las de maneira estruturada e extrair insights relevantes e aplicáveis ao negócio.

A IA generativa permite superar essa limitação. Primeiro, oferece recursos para interpretar e gerar resumos dos feedbacks dos clientes. Em seguida, esses resumos podem ser utilizados como entradas para grandes modelos de linguagem (Large Language Models — LLMs), que permitem agrupá-los em categorias de acordo com seu conteúdo, sentimento, tom ou relevância.

Ao processar e categorizar o feedback dos clientes, podemos utilizar essas informações como variáveis de entrada em modelos de IA para compreender quais são os principais fatores associados às avaliações negativas, quais categorias de reclamações estão relacionadas às maiores perdas de vendas futuras e quais medidas corretivas apresentam os impactos mais positivos.

Entre essas medidas estão reembolsos, trocas gratuitas de produtos e ofertas para compras futuras.

Caso de uso 2: Tornar as interações com os clientes mais eficientes

Os contact centers desempenham um papel fundamental na manutenção de canais de comunicação com os clientes. No entanto, também exigem muitos recursos humanos e apresentam limitações de escalabilidade quando dependem exclusivamente de interações entre pessoas.

A IA generativa oferece dois casos de uso particularmente interessantes, com potencial para serem implementados em grande parte dos contact centers ao redor do mundo.

O primeiro envolve o desenvolvimento de sistemas capazes de simular interações humanas de maneira realista, adaptados a diferentes situações de atendimento.

Esses sistemas podem apoiar a capacitação dos profissionais por meio de simulações práticas (role-playing) de baixo custo, nas quais cada interação é diferente e o comportamento do modelo se aproxima das situações que os colaboradores encontrarão no atendimento real.

O segundo caso de uso envolve a introdução de agentes automatizados para executar ou complementar as operações diárias.

Tradicionalmente, esses agentes são desenvolvidos para responder às perguntas mais comuns e frequentes dos consumidores. No entanto, apresentam limitações de flexibilidade e de capacidade de oferecer uma interação mais humana, o que, em determinadas situações, pode comprometer a qualidade do atendimento.

Com a IA generativa, podemos ajustar modelos de linguagem para conduzir essas interações iniciais até que a intervenção de um atendente humano seja realmente necessária.

Esses modelos podem ser personalizados para diferentes tipos de interação, garantindo respostas precisas e uma experiência de atendimento o mais próxima possível daquela oferecida por profissionais humanos.

Em uma abordagem intermediária, os colaboradores podem validar e editar as respostas geradas por um LLM. Dessa forma, é possível acelerar o tempo de resposta, mantendo a revisão e a responsabilidade humana sobre a interação.

Assim, podemos identificar três cenários distintos de integração da IA aos processos de atendimento:

1. Processos centrados nas pessoas: a IA generativa desempenha um papel limitado ou inexistente, e todas as ações são realizadas por profissionais humanos.

2. Ampliação das capacidades humanas com IA: a IA generativa apoia a capacitação e a execução das atividades dos atendentes, enquanto os profissionais continuam sendo os principais responsáveis pelas interações.

3. Integração completa da IA: a maior parte das tarefas é executada por agentes automatizados com IA, enquanto os atendentes humanos intervêm apenas em situações específicas e excepcionais.

Essas melhorias têm potencial para reduzir significativamente os custos operacionais dos contact centers e, ao mesmo tempo, elevar a qualidade das interações realizadas tanto por atendentes humanos quanto por agentes automatizados.

Caso de uso 3: Enriqueça seus dados de Recursos Humanos

Os departamentos de Recursos Humanos frequentemente dependem de trabalho manual para analisar candidaturas, elaborar feedbacks sobre o desempenho dos colaboradores e gerenciar diversas comunicações internas e externas.

Nesse contexto, existem oportunidades claras para padronizar e otimizar processos, reduzindo ineficiências.

Agora, é possível aprimorar essas atividades utilizando modelos de linguagem de duas formas:

- Leitura e processamento de informações: os departamentos de RH recebem grandes volumes de informações não estruturadas por e-mail e outros canais. Os modelos de linguagem podem realizar uma primeira etapa de estruturação, resumo e categorização desses dados, permitindo que as equipes se concentrem nos documentos de maior prioridade ou com maior probabilidade de corresponder aos critérios estabelecidos.

Nos processos de recrutamento, por exemplo, os currículos podem ser convertidos em bases de dados estruturadas, facilitando a identificação de candidatos com maior aderência aos requisitos das vagas. Da mesma forma, feedbacks de profissionais seniores podem ser sintetizados em aprendizados e recomendações relevantes, facilitando sua transmissão aos colaboradores menos experientes.

- Produção de conteúdo: por outro lado, as equipes de RH também precisam produzir e compartilhar grandes volumes de informações, tanto interna quanto externamente. Os modelos de linguagem podem apoiar essas atividades por meio da geração de versões preliminares de textos e sugestões de comunicação.

Em processos seletivos, por exemplo, candidatos não selecionados podem receber comunicações automatizadas, mantendo determinado nível de personalização no feedback. Internamente, diferentes comunicações também podem ser automatizadas com graus variados de personalização. O usuário fornece as principais informações, e o restante do texto é gerado automaticamente, seguindo diretrizes previamente definidas.

Caso de uso 4: Incorporar a perspectiva do cliente à organização do portfólio de produtos

Outro caso de uso relevante para grandes empresas B2C é a possibilidade de ampliar as variáveis utilizadas para organizar e segmentar produtos.

O amplo sortimento dessas organizações torna o mapeamento manual de categorias, segmentos e hierarquias de produtos uma atividade que exige muito tempo.

Como resultado, a revisão da estrutura do portfólio costuma ocorrer apenas em momentos específicos e pouco frequentes.

Além disso, a inclusão de novos SKUs geralmente exige que os produtos sejam enquadrados na estrutura de classificação existente, que nem sempre é a mais adequada.

Consequentemente, a segmentação dos produtos costuma estar fortemente vinculada à estrutura comercial da empresa, deixando de considerar a percepção dos consumidores.

Agora, podemos desenvolver estruturas robustas para revisar automaticamente a organização do portfólio de produtos, com a frequência desejada.

Além disso, como essa abordagem se baseia em processos automatizados, é possível incorporar novas informações e variáveis para construir segmentações ainda mais completas.

Dessa forma, podemos reunir descrições de produtos, características, avaliações dos consumidores e até mesmo variáveis comerciais quantitativas para organizar o portfólio de maneira mais relevante, mantendo a possibilidade de revisar sua estrutura a qualquer momento.

Caso de uso 5: Sistemas ERP

O último caso de uso aborda a aplicação da IA generativa em empresas que utilizam sistemas ERP (Enterprise Resource Planning) para gerenciar grande parte de seus processos.

Nesses ambientes, os sistemas ERP armazenam grandes volumes de dados sobre as atividades realizadas, os usuários que interagem com o sistema e os momentos em que cada operação é executada.

Ao explorar os registros de atividades (logs) do ERP, podemos processar essas informações de maneira estruturada e obter dois resultados particularmente relevantes:

- Diagnósticos: como o ERP está sendo utilizado? Existem problemas recorrentes ou atrasos em processos específicos que precisam ser solucionados?

Uma ferramenta capaz de analisar os processos existentes ajuda a identificar pontos críticos e ineficiências que, de outra forma, poderiam passar despercebidos.

- Verificações de conformidade dos processos (sanity checks): os registros do sistema correspondem aos processos que foram mapeados e definidos?

É comum que os processos executados na prática se afastem de seu desenho original. Atualmente, a identificação desses desvios e de problemas de adoção depende, em grande parte, da observação e do monitoramento realizados por pessoas.

Com a IA generativa, podemos desenvolver modelos robustos para monitorar os processos reais e compará-los com os fluxos de trabalho originalmente definidos, identificando inconsistências e oportunidades de melhoria.

Conclusão

Em resumo, a IA generativa está transformando a maneira como as empresas aproveitam seus dados textuais e interagem com seus clientes.

Essa tecnologia oferece oportunidades para melhorar a qualidade das interações com os consumidores e, ao mesmo tempo, reduzir custos operacionais. Além disso, permite ampliar as capacidades das equipes e aprimorar os processos de tomada de decisão em diferentes áreas da organização.

Estamos diante de um momento decisivo para a inovação, e a quantidade de casos de uso deverá crescer significativamente no curto e médio prazo, à medida que novas pesquisas e aplicações forem desenvolvidas.

Contar com conhecimento especializado é fundamental para identificar e implementar os casos de uso mais relevantes para a realidade de cada empresa, transformando o potencial da IA generativa em vantagens competitivas concretas.