Os serviços financeiros distinguem-se de outros setores por uma longa história de dados estruturados e controlo rigoroso. Enquanto muitas organizações ainda precisam começar a organizar informação, este setor tem muitas vezes já décadas de experiência com modelos de dados, trilhas de auditoria e gestão de risco. Isso dá uma vantagem aparente. A dimensão gestão de dados obtém na prática frequentemente uma pontuação mais alta do que noutros setores, mas isso não significa que a organização como um todo esteja pronta para a IA. Enquanto, por exemplo, a construção luta com dados fragmentados sobre projetos, o setor financeiro luta antes com silos de dados tão bem protegidos que já não se conseguem alcançar entre si.
A relação entre as dimensões fundamentais está, por isso, desequilibrada, mas de uma forma diferente. A infraestrutura de TI é geralmente robusta, mas também pesada: sistemas grandes e antigos que não se adaptam rapidamente. A estrutura organizacional é muitas vezes hierárquica e dividida por linhas rígidas de responsabilidade, o que pode retardar a tomada de decisões sobre novas tecnologias. O resultado é um setor que, no papel, obtém boas pontuações na base, mas que na prática é lento na passagem da fundação para a ativação.
A compliance e a gestão de risco estão enraizadas no DNA do setor. Isso funciona em dois sentidos. Por um lado, garante disciplina na qualidade dos dados e uma delimitação clara das responsabilidades, algo que outros setores ainda precisam construir. Por outro lado, o hábito de calcular primeiro os riscos gera reticência em implementar novas tecnologias antes de o impacto estar totalmente calculado. Essa reticência não é necessariamente uma desvantagem, mas explica por que os projetos-piloto tendem a permanecer numa fase experimental em vez de evoluírem para uma aplicação estrutural.
A dimensão tomada de decisão é aqui determinante. Em muitas organizações financeiras falta uma visão clara de quem pode tomar qual decisão sobre uma aplicação de IA, e com base em que informação. Essa visão, o que deve constar de um inventário de decisões, é exatamente onde muitas avaliações de maturidade revelam uma lacuna: a tecnologia está presente, a competência para trabalhar com ela não.
O que distingue ainda mais este setor é a dimensão da diferença entre departamentos. Um departamento de risco trabalha há anos com modelos e estatística, e vê a IA como uma extensão lógica do que já acontece. Um departamento de back-office ou de atendimento ao cliente vê a IA sobretudo como algo imposto de cima, sem que os próprios processos de trabalho estejam preparados para isso. Quando várias pessoas da mesma organização avaliam separadamente as sete dimensões, essa dispersão salta imediatamente à vista. O resultado raramente é uma imagem uniforme, e é precisamente aí que reside o valor: mostra onde a conversa sobre a preparação ainda não teve lugar.
Essa dispersão é menos acidental do que parece. As instituições financeiras são muitas vezes constituídas por divisões que historicamente cresceram de forma separada, cada uma com o seu próprio ritmo de digitalização. Esse é um padrão diferente do que se vê, por exemplo, no setor das instalações técnicas, onde a dispersão surge mais frequentemente entre a sede e a execução no terreno, ou no setor imobiliário, onde a diferença está muitas vezes entre a gestão e o desenvolvimento.
A tentação de começar pelas dimensões visíveis e dependentes é grande no setor financeiro, porque já existem muitos dados e muita experiência com modelos. Ainda assim, a ordem mantém-se válida: a estrutura organizacional, a infraestrutura de TI e a gestão de dados formam a base sobre a qual o resto se apoia. Uma organização que, no papel, obtém uma boa pontuação em gestão de dados, mas onde a tomada de decisão e a responsabilidade não estão definidas, choca contra a mesma parede que uma organização que ainda está a começar. Por que as dimensões fundamentais devem vir primeiro não é, portanto, uma questão de preferência, mas da forma como as aplicações de IA efetivamente funcionam: sem uma base sólida, tudo permanece ao nível de um projeto-piloto, independentemente do quão avançado seja o modelo.
A comparação com outros setores intensivos em capital, como o setor energético, mostra que uma base técnica forte não conduz automaticamente à maturidade nas outras dimensões. A técnica e a disciplina são necessárias, mas não suficientes.
A avaliação de maturidade mostra se a organização como um todo tem a base necessária para sustentar a IA de forma responsável: a estrutura, a infraestrutura, a gestão de dados e a tomada de decisão em torno destas. Essa é uma questão diferente de saber que parte do trabalho é, em si, elegível para ser assumida pela IA. Uma vez identificada essa base, torna-se relevante analisar, tarefa a tarefa, o que a IA pode assumir e o que não pode. Esse é o domínio da análise de tarefas da FTE TO AI, que calcula, por tarefa, que parte do trabalho pode ser assumida pela IA, com base na natureza da própria tarefa e não na preparação da organização.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.