Por Gabriel Coimbra, IDC Group VP, Head of South Europe Sales & Country Manager
Em sete curtos meses, a GenAI (Inteligência Artificial Generativa) capturou simultaneamente a atenção, a imaginação e a ansiedade de líderes de tecnologia e de negócio em todo o mundo.
Atenção. Os decisores máximos das organizações vêm facilmente como o GenAI aumentará os níveis de produtividade e a rentabilidade das empresas. A Brookings Institution prevê que a GenAI aumentará a produtividade em pelo menos 18% nos próximos 10 anos.
Imaginação. A GenAI tem uma ampla gama de aplicações – desde casos de uso transversais, como o desenvolvimento de software e criação de conteúdo de marketing, até casos de uso específicos por setor, como descoberta de medicamentos e design de produto. Os benefícios de negócio dos casos de uso são muito evidentes e as empresas não irão perder tempo para começar a utilizar. Os estudos da IDC mostram que a gestão de conhecimento, marketing e desenvolvimento de código de software são os principais casos de uso considerados.
Ansiedade. Os decisores máximos das organizações vêm como o GenAI pode mudar rapidamente os seus modelos negócios. A jornada de 20 anos para a “Cloud”, que hoje representa 50% dos gastos de TI, ou a jornada de 10 anos para a Transformação Digital, são transições muito lentas quando comparado com a velocidade que as organizações estão a adotar o GenAI. As preocupações sobre ética, conformidade regulatória e governança terão de ser incorporadas, mas a velocidade de adoção da GenAI será muito rápida.
Neste contexto estamos de facto a assistir a um novo paradigma na indústria de tecnologia. O gráfico abaixo mostra a linha do tempo das eras tecnológicas, com a introdução da nuvem e dos dispositivos móveis em 2007, aquilo que chamamos a 3ª Plataforma Tecnológica. A partir de 2015 vimos o desenvolvimento dos Aceleradores de Inovação, e atualmente estamos a iniciar aquilo que chamamos “AI Everywhere”.
Esta transição de Era não aconteceu do dia para a noite, os elementos fundamentais foram sendo desenvolvidos ao longo da última década com base na “3ª Plataforma Tecnológica” e nos “Aceleradores de Inovação”.
A Era da Inovação Multiplicada foi impulsionada principalmente pela Cloud, mobilidade e Internet. Os semicondutores de baixo custo e a virtualização possibilitaram a Cloud e a computação elástica e abundante. A mobilidade tornou a computação ubíqua. E a internet reduziu os custos de distribuição dos dados para quase zero.
Com infraestruturas abundantes, ubíqua, elástica e disponível, surgiram plataformas, comunidades e ecossistemas digitais. Essas plataformas desencadearam um processo massivo de consolidação de dados e desenvolvimento de uma nova arquitetura que permitiu a criação de modelos fundamentais de inteligência artificial, incluindo “large language models” (LLMs).
A nova Era que estamos a entrar utiliza algoritmos não supervisionados e semi-supervisionados para gerar conteúdos a partir de conteúdo criado anteriormente, como texto, áudio, vídeo, imagens e código, é uma tecnologia que permite dar início a uma nova era da computação – a Era “AI Everywhere”. Essa nova era terá uma jornada da “AI Restrita” para a “AI Ampliada” e mudará completamente o nosso relacionamento com os dados e como extraímos valor de dados estruturados e não estruturados.
A GenAI desencadeia o início desta nova era porque reduzirá drasticamente o tempo e os custos associados ao desenvolvimento de soluções para uma ampla gama de casos de uso associados à automação e inteligência. A rápida adoção da GenAI move a Inteligência Artificial de um segmento de software emergente para uma tecnologia fundamental que está no centro de uma transição de plataforma. O mercado geralmente assume que esse tipo de transição de plataforma requer uma mudança de hardware, semelhante à mudança para cliente-servidor de mainframes ou para a nuvem de cliente-servidor. No entanto, a IDC acredita que desta vez será diferente. Essa transição de plataforma vai concentrar-se mais nos dados. Desta vez, será sobre como utilizamos os dados como “input” (para treinar, ajustar e inferir modelos fundamentais) e como “output”, ou seja, resultado ao nível de negócio (como parte do desenvolvimento de novos casos de uso).