As empresas estão a gastar muito em Inteligência Artificial (IA), o que é compreensível porque a IA já teve bastante impacto nos negócios e, provavelmente, está apenas a começar a fazê-lo. Em resposta, decidi escrever uma série de duas peças sobre IA. O primeiro artigo Playing to Win/Practitioner Insights (PTW/PI) discutirá uma maneira de conceituar o papel da IA nos negócios e na estratégia e o segundo sugerirá como pensar sobre os investimentos da empresa em IA. Este é Estratégia e Inteligência Artificial: Uma História de Heurísticas, Meios e Caudas.
IA e o progresso do conhecimento
Vou me concentrar na manifestação da IA que deixou os empresários ao mesmo tempo tontos e preocupados, que é a IA generativa baseada em modelos de linguagem de grande porte (vamos chamá-la de LLM/AI) — resumida, embora certamente não limitada a, ChatGPT. Existem, é claro, muitos tipos de IA, alguns mais antigos, outros mais recentes, alguns ainda por vir. Mas deixarei que outros discutam os sistemas de classificação de IA. E tenha paciência, preciso fazer um desvio mais longo do que o normal para chegar à maneira de pensar sobre LLM/IA.
Embora eu tenha escrito The Design of Business há uma década e meia, muito antes de a IA se tornar um grande negócio, sinto que ele fornece uma maneira útil de pensar sobre o que o LLM/IA realiza. O livro envelheceu bem e se tornou a 2ª publicação mais citada em sua área.
O livro postula (como mostrado acima) que todo conhecimento em nosso mundo passa por três estágios. Todo domínio começa como um mistério, momento em que nem sabemos como pensar sobre o assunto. Por exemplo, em determinado momento da história, não tínhamos ideia de por que os objetos caem no chão – o destino, o amor de todos os objetos pela mãe terra, os espíritos dos animais, etc. ajuda a chegar a uma resposta valiosa. No devido tempo, uma pessoa brilhante postulou que existe uma força universal (gravidade) que empurra todos os objetos em direção ao solo, alguns com mais sucesso (rochas) do que outros (pássaros). Algumas heurísticas avançam para algoritmos – uma fórmula que produz consistentemente o resultado desejado. Os objetos aceleram em direção ao solo a 9,8 m/s2. Aprofundei isso neste artigo anterior do PTW/PI se mais detalhes forem úteis, e aqui e aqui para obter ainda mais nuances.
Para dar uma ideia da minha conclusão, acredito que a melhor maneira de conceituar LLM/IA é que ele é um dispositivo para avançar domínios de conhecimento através do Funil de Conhecimento mais rapidamente do que aconteceria sem ele – o que é uma coisa boa.
O mundo está cheio de mistérios, e é isso que torna a vida interessante. Além de interessante, desvendar um mistério e desenvolver uma ótima heurística para lidar com o conhecimento em questão pode ser extremamente remunerador. Por exemplo, como escrever uma música de sucesso é um mistério. Mas artistas como Bruce Springsteen, Drake, Rihanna e Taylor Swift desenvolveram heurísticas para gerar hit após hit. Embora produzir uma música de sucesso seja um mistério para a maioria, não é para eles. E como resultado, eles são ricos e famosos.
E não são apenas artistas. Os banqueiros do Goldman Sachs têm uma heurística para realizar transações de fusões e aquisições. Os sócios jurídicos da Wachtell Lipton possuem uma heurística para fornecer suporte jurídico em negócios para seus clientes. O mesmo acontece com cientistas farmacêuticos ou supervendedores altamente bem-sucedidos.
É importante ressaltar que estes avanços heurísticos não são acessíveis ao mundo em geral, caso contrário Springsteen et al não seriam famosos e os banqueiros do Goldman e os parceiros da Wachtell não seriam ricos. É mais uma manifestação da grande observação de William Gibson: “O futuro já está aqui – só não está distribuído de forma muito uniforme”. (Parece que Gibson nunca escreveu isso, mas disse em uma entrevista.)
Por que o futuro está distribuído de forma desigual?
O estudioso de finanças Michael Jensen forneceu uma explicação de por que muitas heurísticas não são compreendidas de forma onipresente em Conhecimento Específico e Geral e em Estrutura Organizacional. Jensen argumenta que algumas formas de conhecimento são conhecimentos específicos, residentes na cabeça de um determinado indivíduo e ao mesmo tempo dispendiosos e difíceis de transferir para outros. Um exemplo seria o conhecimento sobre a forma de lidar de forma otimizada com um determinado cliente importante na cabeça de seu vendedor de longa data. Seria demorado e doloroso para o vendedor transferir as muitas complexidades desse conhecimento acumulado ao longo de anos servindo o cliente para (digamos) o sistema de CRM da empresa. Por outro lado, o conhecimento geral, como quanto o cliente comprou no último trimestre, é fácil de coletar e distribuir para toda a equipe de vendas.
Esses vendedores podem nem conhecer sua própria heurística, mas apenas operá-la intuitivamente. Muitas pessoas executam heurísticas das quais nem sequer têm consciência. Isso ficou claro em minhas entrevistas com líderes altamente bem-sucedidos para meu livro de 2007, The Opposable Mind. Pelo menos metade deles utilizou uma heurística brilhante que usou para impulsionar seu sucesso, mas não conseguiu articulá-la ou explicá-la.
Codificar a própria heurística é um enorme desafio. E conheço a enormidade por experiência pessoal. Levei uma década para criar uma heurística para estratégia – o que se tornou a estrutura Playing to Win – depois mais uma década e meia para refina-la e depois co-escrever um livro de 67 mil palavras (Playing to Win) sobre ela com AG Lafley. Mas percebi que a estrutura ainda era principalmente uma heurística de conhecimento específico na minha cabeça (e na de AG), então decidi convertê-la ainda mais em conhecimento geral e, até agora, coloquei 285 mil palavras de heurística no Série PTW/PI — ou seja, 4,25 livros adicionais.
Para além da enormidade do desafio, existe o problema daquilo que os economistas chamam de “risco moral”. As pessoas que possuem uma heurística têm fortes desincentivos para transferi-la do conhecimento específico exclusivamente mental para o conhecimento geral, mesmo que isso fosse bom para a humanidade. Se fizerem com que ela se torne conhecimento geral, a oferta de pessoas que possuem a heurística aumentaria e o valor para o seu criador diminuiria. Se o vendedor acima desse todos os insights sobre como atender aquele cliente, a empresa poderia transferir o cliente com sucesso para outro vendedor.
Se uma heurística se tornar conhecimento geral distribuído uniformemente, ela será mais facilmente avançada para um algoritmo, de modo que até mesmo uma máquina poderia fazê-lo. As máquinas agora podem ler raios X tão bem quanto um radiologista para muitas aplicações (uma aplicação inicial da IA), o que significa que as habilidades de radiologia nessas áreas têm valor diminuído. Isso ocorre porque um grupo de radiologistas tornou a leitura de raios X uma heurística de conhecimento geral suficiente para avançá-la para um algoritmo, o que a tornou programável em software.
O que então o LLM/AI faz?
LLM/AI infere a natureza de uma heurística a partir de um enorme banco de dados de palavras relativas a um mistério (e o mesmo pode ser feito com números, imagens ou sons). O ‘M’ em LLM é um algoritmo para inferir uma heurística que está atualmente escondida dentro de um mistério. O modelo descobre, a partir de um banco de dados textual gigante, qual é a combinação de palavras mais convincente – uma palavra de cada vez. Peça a um LLM para redigir um discurso de aceitação e ele inferirá a heurística para discursos de aceitação bem-sucedidos de todos os discursos de aceitação (e semelhantes) no banco de dados textual.
O LLM/AI supera totalmente os dois impedimentos à generalização da heurística. As máquinas não se intimidam com tarefas enormes: elas funcionarão para sempre se forem solicitadas. E eles não têm problemas de risco moral.
Consequentemente, o LLM/AI tem o poder de empurrar o conhecimento mais rapidamente através do funil de conhecimento, desparticionando as heurísticas, tornando-as mais omnipresentes e mais rapidamente, o que acredito que irá acelerar o seu avanço para algoritmos – o que é bom para o mundo.
O lado obscuro
Lembre-se de que escrevi um artigo PTW/PI, Strategy & Sunshine, que argumentava que quanto mais forte a luz brilhar em seu rosto, mais escura será a sombra atrás de você. E assim é com LLM/AI.
O lado negro decorre do processo de inferência da heurística. É fundamentalmente baseado na frequência. O LLM/AI não pergunta: o que é único ou excepcional? Ele pergunta: o que é mais? LLM/AI democratiza as heurísticas – mas as torna medianas. O LLM/AI encontrará a representação média/mediana/modal da heurística no domínio que será solicitado a pesquisar. Ele não encontrará a cauda certa da distribuição porque não está configurado para isso – nem mesmo tentará.
Isso me faz pensar no canadense e lenda do rock Neil Young, que critica o MP3 e o Spotify. Embora aprecie o facto de estes padrões terem ajudado a difundir a música, tornando-a mais fácil e barata de consumir, ele despreza-os porque reduzem a qualidade e a fidelidade da música gravada.
Insights do praticante
LLM/AI veio para ficar, assim como o MP3 e o Spotify. É útil para o mundo porque inferirá muitas heurísticas ocultas e, ao fazê-lo, desparticionará e democratizará o conhecimento.
Há lições tanto para gerentes/profissionais em um mundo LLM/IA quanto para usuários de LLM/IA.
Como gestor/profissional, você precisa trabalhar na criação de uma heurística exclusivamente valiosa. Se você simplesmente executar um algoritmo, provavelmente já estará desempregado. Se você ainda não fez o trabalho de reflexão para formalizar as heurísticas que emprega em seu próprio trabalho, boa sorte, é apenas uma questão de tempo até que você seja substituído. E se você buscou uma heurística de qualidade média, você está diretamente na zona de morte do LLM/AI.
Para ter uma ótima carreira na economia moderna, o único caminho é ter uma heurística acima da média para criar valor no domínio específico do seu trabalho. O LLM/AI não encontrará sua heurística porque não é isso que ele procura se sua heurística estiver na cauda direita da distribuição. Criar uma heurística acima da média é um desafio elevado – mas será cada vez mais uma realidade na economia LLM/AI.
Como usuário de LLM/AI, você precisa deixar claro qual das duas coisas você busca. Se você deseja descobrir a mediana, média ou moda, incline-se agressivamente para o LLM/AI. Por exemplo, use LLM/AI se quiser determinar o sentimento médio do consumidor, criar um discurso mediano ou escrever um artigo modal. Se você está procurando a mediana, média ou moda oculta, LLM/AI é o seu ingresso – e esse será o caso na maioria das vezes. Ser um negador de LLM/AI não é uma opção.
Porém, se a sua aspiração é uma solução na cauda da distribuição, fique longe. Este é o problema persistente dos veículos autônomos. Eventos de cauda (como o ciclista que desvia na sua frente para evitar ser atingido lateralmente por outro carro) são essenciais para a segurança – e ainda não são tratados de forma consistente pela IA automotiva.
Quando se trata de estratégia, estou registrado que vejo a estratégia como uma arte perdida, e a maior parte do que está escrito sobre “estratégia” não é estratégia nem é útil e esclarecedor. Em estratégia, estou visando o final da distribuição e, por esse motivo, nunca usaria um LLM/AI que contenha tudo o que está escrito sobre estratégia porque o resultado seria medíocre. Embora, para ser justo, não sou o mercado-alvo da estratégia LLM/AI.
No entanto, estou fazendo algo interessante nesse aspecto com um cliente de tecnologia que é um grande player em ferramentas de IA. Como um experimento de IA, ele colocou cerca de 1 milhão de palavras que escrevi sobre estratégia em um ‘bot Roger’. Até agora estou gostando. Parece muito comigo!
Talvez eventualmente o LLM/AI consiga encontrar a cauda certa da distribuição. Mas não estou prendendo a respiração nesse aspecto. Dito isto, o LLM/AI irá forçá-lo a melhorar seu próprio trabalho e será muito útil para muitas tarefas que você enfrenta. Mas antes de usá-lo, pergunte: estou atrás do meio ou do rabo? Se você perguntar, acho que Neil Young ficaria feliz!
