Os modelos de IA são tão bons quanto os dados que lhes são apresentados. Isso não é um slogan, mas um problema prático: um modelo de linguagem que trabalha com dados dispersos, desatualizados ou indefinidos produz respostas igualmente dispersas, desatualizadas e indefinidas. Muitas organizações só percebem isto depois de um piloto ter começado, quando se torna claro que os dados de que o modelo necessita não estão reunidos num único local, ou que já ninguém sabe qual a versão correta de um ficheiro. A gestão de dados é uma das dimensões fundamentais: a questão não é quais tarefas a IA poderia assumir, mas sim se, por baixo dessas tarefas, existe uma camada de dados suficientemente sólida para se construir sobre ela.
A gestão de dados trata da origem dos dados, de quem é responsável por eles, em que estado se encontram e com que facilidade podem ser encontrados e combinados. Isto inclui, entre outros aspetos, se os dados estão armazenados de forma centralizada ou dispersa, se foi designado um responsável por cada conjunto de dados, se definições de conceitos como 'cliente' ou 'projeto ativo' são consistentes entre departamentos, e se existe visibilidade sobre a qualidade dos dados utilizados diariamente. Uma organização pode ter uma pontuação elevada em infraestrutura de TI e ainda assim ter uma pontuação baixa em gestão de dados: os sistemas existem, mas nunca ninguém registou exatamente o que contêm ou quem pode alterar algo neles.
No nível baseline, os dados existem sobretudo em silos: cada departamento mantém os seus próprios ficheiros, sem estrutura ou propriedade partilhada. No nível foundation, há um início de organização: existem acordos sobre onde determinados dados devem estar, mas a execução ainda depende de hábitos individuais. No nível activation, a propriedade dos dados está atribuída e existe um quadro de conceitos partilhado, de forma que diferentes departamentos usam o mesmo termo da mesma maneira. No nível insight, a qualidade dos dados é medida e monitorizada, e há visibilidade sobre onde se encontram os pontos fracos na cadeia de dados. O nível intelligence significa que a gestão de dados está integrada na forma de trabalhar diária: qualidade, origem e acesso são controlados continuamente, não como um projeto separado mas como parte fixa do modo de trabalhar.
Um indicador prático é a pergunta sobre quanto tempo demora a responder a uma questão simples, como quantos clientes adquiriram um determinado produto no último ano. Se a resposta vier de um único sistema em poucos minutos, isso indica um nível mais elevado. Se for necessário primeiro telefonar a três pessoas para descobrir qual o ficheiro atual, isso indica baseline ou foundation. Outro indicador é o que acontece quando alguém com conhecimento sobre um conjunto de dados sai da organização: a informação continua acessível, ou desaparece com essa pessoa. Também é relevante saber se há alguém que assume responsabilidade por um conjunto de dados, ou se essa responsabilidade não pertence, na prática, a ninguém.
Na medição de maturidade, esta dimensão não é avaliada por uma única pessoa, mas por várias pessoas separadamente. Um gestor de TI pode avaliar a gestão de dados como elevada porque os sistemas estão tecnicamente em ordem, enquanto um gestor operacional atribui uma pontuação baixa porque, na prática, os dados não parecem localizáveis ou fiáveis. Essa dispersão torna-se visível no gráfico e é, por si só, um sinal: uma grande distância entre pontuações significa frequentemente que a organização está mais avançada no papel do que na prática diária, ou que diferentes departamentos trabalham com diferentes versões da verdade. Uma dispersão reduzida, mesmo num nível mais baixo, indica uma visão realista e partilhada a partir da qual se pode trabalhar.
A passagem de baseline para foundation muitas vezes não exige nova tecnologia, mas sim acordos: quem é proprietário de que conjunto de dados, e onde está determinada informação. A passagem de foundation para activation exige um quadro de conceitos partilhado, de forma que os departamentos não definam de forma divergente o que é um 'cliente ativo' ou um 'projeto concluído'. O que uma passagem específica exige em termos de custo e tempo depende da dimensão da organização e do estado dos sistemas subjacentes; isso está detalhado na página sobre o que custa fazer a organização subir um nível e na página sobre o que custa fazer a infraestrutura de TI subir um nível, uma vez que, na prática, os dados e a infraestrutura frequentemente avançam em conjunto.
A gestão de dados não existe isolada do resto da medição. Sem acordos claros sobre quem pode usar que dados e para que finalidade, surgem questões que, na verdade, pertencem à dimensão privacidade e segurança. Sem pessoas que compreendam o que significa qualidade de dados e como prestar atenção a isso no seu trabalho, a dimensão pessoas e competências fica atrasada. E sem uma visão sobre quem decide o que pode ou não ser feito com os dados, falta a ligação com a ética. As sete dimensões da medição estão interligadas; a gestão de dados é uma delas, e geralmente não é a última a merecer atenção.
Esta medição mostra se a base sob as aplicações de IA é suficientemente sólida: se os dados são localizáveis, fiáveis e têm um proprietário. Essa é uma questão diferente de saber que parte do trabalho pode efetivamente ser assumida pela IA. Essa questão é respondida pelo scan de trabalho da FTE TO AI, que calcula, por tarefa, que parte é adequada para transferência à IA, partindo da estrutura de dados presente nesse momento. As duas medições destinam-se a ser lidas em sequência: primeiro a capacidade de suporte, depois as tarefas que sobre ela podem assentar.
A medição de maturidade, incluindo a dimensão gestão de dados, está atualmente em construção. Quem desejar realizar a medição assim que estiver disponível pode inscrever-se na lista de espera.
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.