IA generativa em ação: estudos de caso corporativos

A IA generativa está conquistando o mundo com suas respostas semelhantes às humanas e seu incrível potencial de aprendizado. Por serem tão empolgantes, há muito entusiasmo compreensível em torno dessas novas ferramentas e estamos dedicando muita energia para encaixá-las em nossas soluções analíticas personalizadas.

Como as empresas devem lidar com a IA generativa?

Em primeiro lugar, A IA generativa é uma nova ferramenta empolgante que permite que as empresas interajam de novas maneiras com dados que antes eram difíceis de processar ou extrair insights. O exemplo imediato são dados de texto, como relatórios, feedback do cliente, comunicações internas ou descrições de produtos. Embora exija investimento em experiência interna ou externa nesse campo, há muitos casos de uso com ganhos potenciais que superam em muito esse investimento.

É relevante ressaltar que essa nova tecnologia não substitui os modelos de IA que foram desenvolvidos até o momento. Ele deve ser visto como um facilitador para alavancar dados qualitativos e fazer com que os usuários interajam com dados e modelos de uma forma mais “natural”. Há um grande valor a ser obtido ao combinar a IA generativa com outros modelos de aprendizado de máquina em soluções verdadeiramente personalizadas.

Tendo isso em mente, existem vários casos de uso dessas novas tecnologias que ajudarão a moldar as prioridades das empresas líderes no curto e médio prazo.

Caso de uso 1: Melhore o conhecimento do cliente

As principais empresas B2C têm milhares de interações e transações com seus clientes que são difíceis de estruturar e processar, gerando um volume imenso de feedback inexplorado dos clientes. Esse feedback dos clientes é inestimável para essas empresas e, até agora, havia poucas ferramentas para processá-las de forma estruturada para extrair insights significativos e acionáveis.

A IA generativa permite isso. Primeiro, fornecendo a estrutura para ler e gerar novos resumos dos comentários dos clientes. Então, esses resumos podem servir como entradas para um LLM para agrupá-los ainda mais em categorias por conteúdo, sentimento, tom ou relevância.

Ao processar e categorizar o feedback do cliente, podemos usá-lo como entrada para os modelos de IA para entender quais são os principais fatores para um feedback ruim, quais categorias de feedback levam à perda mais significativa em vendas futuras e quais contramedidas têm o impacto mais positivo (por exemplo, reembolsos, troca gratuita de produtos, oferta em compras futuras)

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

Os contact centers são fundamentais para manter uma linha aberta de comunicação com os clientes. No entanto, eles também são muito intensivos em Recursos Humanos e têm escalabilidade limitada quando dependem da interação entre humanos.

A IA generativa apresenta dois casos de uso muito interessantes que devem ser implementados na maioria dos contact centers em todo o mundo.

Primeiro, podemos projetar máquinas semelhantes às humanas que se comportarão perto de um ser humano real e atribuí-las a histórias de usuários específicas. Essas máquinas podem ser criadas para apoiar o treinamento humano por meio de exercícios de RPG de baixo custo, onde não há duas interações iguais e os comportamentos do modelo são muito próximos aos que os trainees encontrarão nos desafios da vida real.

Em seguida, podemos introduzir robôs em executar ou complementar as operações do dia a dia. Esses robôs são voltados para responder às perguntas mais comuns e frequentes feitas pelos consumidores. Eles carecem de flexibilidade e do toque humano que, às vezes, pode reduzir a qualidade da interação.

Com a IA generativa, podemos ajustar um modelo de linguagem para essas primeiras interações até que um agente humano seja, de fato, necessário. Esses modelos podem ser personalizados para interações específicas para que as respostas produzidas sejam precisas e o mais próximas possível dos agentes humanos.

Em um caso de uso intermediário, os funcionários podem validar e editar as respostas fornecidas por um LLM. Dessa forma, podemos garantir que as respostas sejam verificadas por humanos responsáveis pela interação e, ao mesmo tempo, acelerar seus tempos de resposta.

Portanto, podemos facilmente imaginar três cenários diferentes relacionados à integração da IA.

1. Pode haver processos centrados no ser humano em que a IA generativa desempenha pouco ou nenhum papel e todas as ações são tomadas por humanos.
2. Podemos aumentar a inteligência artificial generativa para treinar e auxiliar agentes humanos em suas tarefas, mantendo os humanos como proprietários principais.
3. Com a integração total, a maioria das tarefas seria realizada por robôs assistidos por IA, enquanto agentes humanos assumiriam o controle apenas em situações muito específicas e marginais.

Essas melhorias terão um enorme impacto na redução do custo de operação dos contact centers, bem como na melhoria massiva da qualidade das interações humanas e robóticas.

Caso de uso 3: enriqueça seus dados de RH

Os departamentos de recursos humanos geralmente dependem do esforço humano para analisar possíveis candidatos, gerar feedback para os funcionários atuais e gerenciar outras comunicações internas e externas. Como tal, há um valor óbvio em ter processos padrão que podem ser simplificados e reduzir ineficiências.

Agora, será possível enriquecer esses processos empregando modelos de linguagem de duas maneiras:

• Leitura: Pode haver um grande volume de informações não estruturadas que chegam ao departamento de RH por meio de e-mails e outros canais. Esses modelos podem ser aproveitados para ter um primeiro nível de estruturação, resumo e categorização de dados, para que a equipe possa se concentrar nos documentos que têm maior prioridade ou maior probabilidade de ajuste.
  Ao recrutar, os currículos podem ser processados em bancos de dados estruturados que são fáceis de filtrar para os melhores candidatos. Como alternativa, o feedback sênior pode ser transformado em conclusões importantes que são mais fáceis de transmitir aos membros mais juniores da equipe.
• Escrevendo: Por outro lado, as equipes de RH também têm um grande volume de informações que precisam transmitir, interna e externamente. Os modelos de linguagem podem ajudar gerando os primeiros rascunhos ou outras sugestões.
  Para fins de recrutamento, os candidatos rejeitados podem ser contatados automaticamente, mantendo um grau de feedback personalizado. Internamente, várias comunicações podem ser automatizadas com diferentes graus de personalização. O usuário pode fornecer as principais entradas e o restante do texto será gerado automaticamente seguindo as diretrizes definidas anteriormente.

Caso de uso 4: Traga a perspectiva do cliente para a organização do produto

Outro caso de uso para grandes empresas B2C é poder adicionar recursos para organizar e segmentar produtos. O vasto sortimento dessas empresas significa que é muito demorado mapear manualmente categorias, segmentos e hierarquias em sua linha de produtos. Como resultado, o exercício de revisão da estrutura do produto é deixado para momentos muito específicos e raros. Além disso, adicionar SKUs à linha de produtos geralmente implica a adaptação dos novos produtos à estrutura existente, o que pode não ser o ideal. Como resultado, as segmentações de produtos geralmente estão muito ligadas à estrutura comercial e ignoram a percepção do cliente.

Agora, podemos criar estruturas robustas para revisar a estrutura do produto automaticamente, definindo qualquer frequência desejada. Além disso, como essa nova estrutura é baseada em um processo automatizado, podemos adicionar informações e recursos adicionais para uma segmentação ainda mais robusta.

Assim, podemos reunir descrições de produtos, características, avaliações de clientes e até outras variáveis comerciais quantitativas para estruturar a linha de produtos de uma forma muito mais significativa e, ao mesmo tempo, revisá-la a qualquer momento.

Caso de uso 5: ERP

O último caso de uso que estamos abordando diz respeito ao uso de IA generativa em empresas que dependem de um ERP para a maioria de seus processos. Nesses casos, os ERPs têm muitos dados sobre os processos que estão sendo realizados, quem está interagindo com o ERP e quando todas as operações estão sendo realizadas.

Ao acessar os registros do ERP, agora podemos processá-los de forma simplificada para que possamos obter dois resultados muito relevantes:

• Diagnóstico — Como o ERP está sendo usado? Há problemas recorrentes ou atrasos em processos específicos que devem ser resolvidos?
  Ter uma ferramenta para analisar os processos atuais ajudará a identificar pontos problemáticos e ineficiências que, de outra forma, passariam despercebidos.
• Verificações de sanidade — Os registros correspondem ao que foi mapeado e projetado?
  É comum que os processos reais se afastem de seu design. Atualmente, só podemos identificar esses desvios e a falta de adoção por meio da interação e monitoramento humanos. Com a IA generativa, podemos criar modelos robustos para monitorar processos da vida real e compará-los com seu design ideal.

Conclusão

Em suma, A IA generativa reformula a forma como as empresas aproveitam seus dados de texto e como interagem com seus clientes. Isso traz a perspectiva de melhorar a qualidade das interações com os clientes e, ao mesmo tempo, reduzir custos, além de capacitar e aprimorar os processos de tomada de decisão em várias equipes de uma empresa.

É um momento crucial para a inovação e o número de casos de uso se multiplicará no curto e médio prazo à medida que mais pesquisas forem feitas. Ter a experiência necessária é essencial para identificar e implementar os casos de uso relevantes e específicos da empresa que fornecerão uma vantagem competitiva.