Há muitos anos venho acompanhando de perto o ecossistema de IA, tanto como investidor como mentor de diversas startups, como também atuando em diversos projetos, além de ações de educação e consultoria para empresas adotarem IA. Participei de muitas bancas de avaliação de startups de IA. E nesse post gostaria de compartilhar minhas percepções sobre esse tal negócio de IA. Como criar uma empresa sustentável de IA?

O modelo econômico das empresas de software tradicionais e as exclusivamente de IA são diferentes. Uma empresa de IA é muito mais próxima dos modelos econômicos de empresas de serviços que de empresas de software. Um software no modelo SaaS pode escalar muito rápido, enquanto um sistema de IA demanda um processo de retreinamento de algoritmos e ajustes à cada cliente, que demanda consultoria e serviços. Seu processo de crescimento é, portanto, similar à de empresas de serviços e consultoria.

A indústria de software passou por uma transformação em seu modelo econômico, quando saiu da venda de licenças on-premise para o SaaS. São negócios com modelos econômicos totalmente diferentes. Empresas de IA demandarão um novo modelo econômico.

O SaaS oferece a vantagem de ser criado uma vez, colocado em um ambiente de nuvem e de lá será usado por milhares de clientes. O modelo SaaS transformou a indústria de software, então baseada no modelo on-premise, de venda de licenças de uso e que demandava o software ser instalado no data center do cliente. Hoje SaaS é padrão da indústria.

Uma empresa de serviços tem outra dinâmica. Cada projeto requer pessoas dedicadas e o crescimento é linear. Um projeto, um consultor, dois projetos, dois consultores. E assim por diante. A receita recorrente (típica de uma assinatura SaaS) não é automática e a consultoria tem que se esforçar para conseguir um segundo ou terceiro projeto no cliente. E muitas vezes esse segundo projeto tem intervalo de tempo bem grande em relação ao término do primeiro. Um projeto de consultoria não é facilmente replicável, pois embora o conhecimento adquirido em um projeto facilite uma segunda ocorrência, cada cliente tem peculiaridades que impossibilitam a replicação sem alterações.

Uma empresa de IA, por sua vez, tem características tanto de empresas de software como de serviços, tendendo mais para serviços. O lado software é a transformação do problema de negócio em modelos matemáticos e sua aplicação em linhas de código. Além disso, o algoritmo de IA está envolto em outros códigos de software, como interface com os usuários e outros sistemas. Mas, o coração da aplicação de IA é o conjunto de modelos matemáticos treinados com massiva base de dados. Uma característica desse treinamento é que se o modelo foi treinado para um determinado conjunto de dados, como por exemplo, um chatbot que usa NLP, para interagir com um usuário de uma empresa de seguro saúde precisa ser retreinado para interagir com um usuário de um banco ou de uma empresa aérea. Um sistema de reconhecimento de imagens que identifica câncer de mama precisa ser retreinado para identificar pneumonia.

O treinamento adequado de um modelo sofisticado demanda grande capacidade computacional. E, este treinamento não é feito uma única vez, sendo necessário contínuo retreinamento e ajustes, não apenas pela introdução de melhorias nos modelos, mas também pelo efeito do fenômeno conhecido como “data drift”, provocado pela mudança contínua no conjunto de dados que alimenta o modelo. Além disso, dependendo do tipo de aplicações, como análise de imagens médicas, é necessário um grande esforço prévio de preparo, rotulagem e curadoria dos dados para que o treinamento seja possível.

O esforço de preparação e curadoria de dados, os treinamentos e os ajustes demandam pessoas. Existem algumas ferramentas que auxiliam no processo, mas ainda não fazem o trabalho de forma automática. Existe ainda um longo caminho de evolução para termos automação completa.

Um sistema de IA tem uma peculiaridade que afeta em muito a escalabilidade: é o efeito chamado “cauda longa” ou “long tail”. Em estudo bem abrangente sobre o assunto é “Power laws, Pareto distributions and Zipf’s law”. A distribuição de dados tipo “cauda longa” são comuns, mas ao contrário do exemplo típico de pesquisas na Internet, as técnicas atuais de ML não estão bem equipadas para lidar com elas. Os modelos de aprendizagem supervisionada tendem a ter dificuldade onde os exemplos são esparsos (a cauda). Como a cauda geralmente é a maioria de todas as ocorrências, os desenvolvedores de ML acabam presos em um loop, coletando continuamente novos dados e fazendo um novo treinamento para ajustar o modelo a esses casos. Por outro lado, ignorar a cauda longa no processo de treinamento (e geralmente você descobre o tamanho da cauda quando o modelo sai da fase de protótipo e entra em produção no cliente, com dados que o modelo nunca tinha sido treinado antes), pode ser igualmente frustrante, resultando em clientes insatisfeitos com a baixa assertividade conseguida e consequente má reputação da solução.

Mas os desafios para criar uma empresa de sucesso em IA não terminam por aí. Existem muitos modelos pré-treinados e bases de dados disponíveis para treinamento, a maioria open source. Por um lado, isso facilita e acelera o desenvolvimento da solução, mas pelo outro, não garante vantagem competitiva. Todos podem usar os mesmos modelos e bases de dados.

O que fazer para criar uma empresa de IA? Antes de mais nada ter talentos adequados. Sem uma equipe multidisciplinar, com gente que conheça bem modelos matemáticos, tecnologias de IA e, claro, negócios e vendas, fica difícil decolar e sustentar um negócio. Participar de eventos e dar palestras sobre como sua empresa é “cool” e não gerar negócios, não vai dar sustentabilidade. Uma empresa de IA é como qualquer outra: precisa de um fluxo de caixa positivo para sobreviver. Recomendo um artigo muito bom sobre os desafios que uma empresa de IA vai enfrentar, que é “Taming the Tail: Adventures in Improving AI Economics”, publicado no blog da Andreessen Horowitz.

Comece com modelos ou conjuntos de modelos mais simples e que resolva problemas reais de negócio. Um modelo que tem que ser ajustado para cada cliente demanda muito mais esforço (e gera menos rentabilidade) que uma solução que possa ser replicada de forma mais ágil entre vários clientes. Se os esforços de retreinamento forem menores, a replicação é mais rápida. Escolha um foco de atuação. Concentre-se nele para evitar dispersão das suas ações de marketing, vendas, treinamento, ajustes e operação da solução.

Lembre-se que empresa de IA é uma empresa mais de serviços que de software, e, portanto, crie uma equipe que dê sustentação aos serviços necessários. Sem serviços não temos como tracionar a solução. Não existe solução plug-and-play, por mais simples que possa parecer.

A solução e seus modelos estarão em constante evolução, pois a tecnologia de IA ainda está na sua infância e temos muita evolução pela frente. Mantenha a equipe atualizada com as rápidas e contínuas evoluções que a IA apresenta e vai continuar apresentando nos próximos anos.

Desenhe uma estratégia de negócios baseado em empresa de serviços e não de software. Isso realmente muda as regras do jogo. IA/ML não é SaaS.

Cezar Taurion é Head da Ciatécnica Research e Partner/Head de Digital Transformation da Kick Corporate Ventures. Membro do conselho de inovação de diversas empresas e mentor e investidor em startups de IA. É autor de nove livros que abordam assuntos como Transformação Digital, Inovação, Big Data e Tecnologias Emergentes. Professor convidado da Fundação Dom Cabral, PUC-RJ e PUC-RS.

Este post tem um comentário

  1. Fabio Jose

    Cesar, excetuando capital, quais os problemas de negócios que persistem ainda hoje, jan/2022 ?

Comentários encerrados.