Transformação digital, IA e o problema da produtividade

A era da IA generativa traz consigo a promessa de aumentar significativamente a produtividade. Posso certamente ver o potencial, uma vez que estou usando uma forma dela para escrever esta coluna e ela está fazendo um bom trabalho ao antecipar a próxima palavra que pretendo escrever. Mas também estou percebendo que, para aproveitar ao máximo esse recurso, preciso pressionar a tecla de seta para a direita, o que me desacelera consideravelmente. Então, geralmente acabo digitando a palavra inteira de qualquer maneira, porque o teclado que estou usando não facilita o funcionamento do recurso de autocompletar.

Resumindo, em vez de acelerar minha escrita (a promessa), o impacto na minha produtividade pode ser negativo (a realidade), pois, quando pressiono a tecla de seta, isso quebra o fluxo da digitação e me obriga a reposicionar minha mão direita.

Para que esse tipo de ferramenta de IA seja um benefício, eu precisaria não apenas modificar meu teclado, mas também me reeducar para usar a tecla de seta correta em vez de digitar a palavra completa. (Isso pode levar um tempo considerável, uma vez que tenho digitado sem fazer isso há cerca de 55 anos.)

O caminho crítico

Quando aprendemos sobre otimização de processos, geralmente discutimos um conceito chamado “caminho crítico“. Este é o caminho que um processo possui e define quão rapidamente algo pode ser concluído. Se você melhora qualquer coisa, exceto o caminho crítico, a taxa de conclusão do processo ainda é limitada pelo caminho crítico intocado e é improvável que você veja uma melhoria na produtividade.

Vimos isso acontecer com a reação inicial dos escritores à IA generativa. Eles foram capazes de criar livros em um ritmo incrível, até centenas por semana, mas o caminho crítico estava na edição. Os editores, que já estavam no limite de sua capacidade, não conseguiam lidar com a chegada de centenas de manuscritos. Muitas editoras tiveram que parar de aceitar manuscritos porque não conseguiam editá-los a tempo.

Leia também: Chatbots e a conformidade com a privacidade e proteção dos dados pessoais

O plano mais adequado teria sido automatizar a edição primeiro de alguma forma, mas isso exigiria um treinamento muito mais extenso para a IA garantir que os manuscritos estivessem em conformidade com as políticas das editoras, e esse trabalho ainda precisa ser feito.

Mesmo que você altere o caminho crítico inicial primeiro, é provável que você encontre outras dependências que então se tornam o novo caminho crítico, limitando substancialmente quaisquer benefícios até que esse novo caminho também seja aprimorado.

Medindo produtividade: carros e pessoas

Eu gosto de carros. Com carros, você mede o desempenho em uma máquina chamada Dyno, e aprende rapidamente que apenas a potência não aumenta o desempenho. O carro ainda precisa percorrer a pista e transferir essa potência para a estrada. Tração, suspensão, habilidades do motorista, peso, posição das rodas motrizes, transferência de peso durante a aceleração, inclinações, aerodinâmica, calor e confiabilidade das peças desempenham papéis igualmente críticos. O único verdadeiro teste de desempenho não é a potência nem o torque – é como o carro se sai competitivamente.

Comparados às pessoas, os carros são simples. As pessoas têm uma variedade de tarefas diferentes sobre as quais frequentemente não têm controle. E-mails recebidos, problemas não previstos, colegas de trabalho que precisam conversar sobre um projeto, distrações (e há muitas delas) e gerentes cuja qualidade pode variar muito – tudo isso afeta a produtividade. (Um gerente ruim pode destruir a produtividade de um departamento apenas introduzindo excesso de drama.)

Veja mais: A Microsoft defende a regulamentação governamental da IA. Devemos confiar?

Ou pense no que aconteceu durante a pandemia de Covid-19. Inicialmente, pensávamos que trabalhar em casa era mais produtivo do que ir para o escritório, porque havia menos distrações. O que descobrimos foi que os funcionários estavam trabalhando mais horas, comprometendo seu equilíbrio entre trabalho e vida pessoal, e acabavam ficando esgotados ou saindo da empresa. Também descobrimos que as pessoas que conseguiam se concentrar, geralmente eram introvertidas e tinham habilidades de trabalho sólidas, realmente se saíam melhor em casa. Pessoas altamente sociais, novos funcionários ou aqueles com problemas de concentração e habilidades de trabalho menos desenvolvidas não se saíam bem.

Aplicar uma abordagem padrão para todos os funcionários não funciona. Cada pessoa é diferente e qualquer discussão sobre produtividade em um departamento precisa levar em consideração a dinâmica do ambiente de trabalho, independentemente de onde ele seja, e a natureza única de cada funcionário. Lembre-se, o objetivo de qualquer mudança focada em produtividade é melhorar a produtividade, e não criar mais problemas.

Onde precisamos que a IA se concentre

Quando se trata de melhorias na produtividade, o primeiro passo deve ser analisar onde são necessárias melhorias, identificar os caminhos críticos e, em seguida, desenvolver um plano que tenha o maior impacto na produtividade com o menor custo. No entanto, muitas empresas tendem a agir sem essas medições ou entendimento inicial, e as metas de melhoria de produtividade muitas vezes não são alcançadas.

Mais importante ainda, há uma grande chance de que os esforços para melhorar a produtividade acabem piorando as coisas. Há alguns anos, um dos meus clientes tinha um “problema de produtividade” e instituiu um programa chamado “voltar às bases” – os funcionários tinham que bater o ponto de entrada e saída porque a gerência estava convencida de que eles estavam fugindo do trabalho. O resultado foi uma queda catastrófica na produtividade, pois as pessoas que estavam relaxando continuaram a fazê-lo no trabalho em vez de irem embora mais cedo, e aqueles que estavam trabalhando longas horas para concluir suas tarefas começaram a trabalhar apenas das 9h às 17h. Logo, os melhores funcionários começaram a procurar emprego em empresas que confiavam mais neles.

Resumindo, você precisa entender bem um problema para resolvê-lo de forma eficaz. Embora a IA generativa possa ajudar nisso, não conheço ninguém que esteja focando essa tecnologia nesse problema crítico. Se você não entender quem são seus funcionários, o que eles fazem e como o fazem, não poderá usar a transformação digital e a IA generativa para torná-los subitamente melhores. É mais provável que você os torne piores.

Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!