Tenha pena do departamento de radiologia de seu hospital. Sim, eles têm um ótimo aparelho de ressonância magnética e um software poderoso para gerar as imagens. Contudo, a partir daí, os aparelhos deixam a desejar, pois um radiologista precisa encontrar e ler o prontuário do paciente, examinar as imagens e emitir seu parecer. Mas e se a inteligência artificial (IA) conseguisse acelerar este processo e tornar possíveis orientações e diagnósticos mais precisos e em tempo real, superando o que os olhos humanos são capazes de ver?
Fique em dia com seus tópicos favoritos
Graças aos avanços tecnológicos nos últimos anos, os fabricantes estão próximos de oferecer justamente esse tipo avançado de soluções em ressonância magnética. Na verdade, eles estão explorando novas aplicações de IA que afetarão praticamente todos os setores da economia, de produtos industriais ao setor público. Com algoritmos aperfeiçoados e um maior armazenamento de dados, a taxa de erro dos cálculos efetuados por computador é hoje similar ou melhor que a dos seres humanos no que diz respeito ao reconhecimento de imagens e a diversas outras funções cognitivas. A performance do hardware também melhorou drasticamente, permitindo às máquinas processarem quantidades de dados sem precedentes. Esta é uma das principais alavancas da melhoria na precisão dos modelos de inteligência artificial.
Aliás, em relação à IA, o deep learning (DL) representa a área de maior potencial inexplorado. (Veja mais informações sobre as categorias de inteligência artificial no box, “A evolução da IA”). Essa tecnologia baseia-se em redes neurais complexas que processam informações utilizando várias arquiteturas, compostas por camadas e nós, que se aproximam das funções dos neurônios em um cérebro. Cada conjunto de nós na rede executa uma análise diferente de padrões, permitindo que o deep learning gere insights mais muito mais sofisticados que as ferramentas de IA anteriores. Esse aumento da sofisticação, por sua vez, provoca uma maior necessidade de hardware e software de ponta.
Cientes do enorme potencial da inteligência artificial, as principais empresas de alta tecnologia deram os primeiros passos para vencer neste mercado. Todavia, o setor ainda é incipiente, e nenhuma receita clara de sucesso surgiu até o momento. Então, como as empresas podem capturar valor e obter um retorno de seus enormes investimentos em IA?
Nossa pesquisa, bem como as interações com os clientes finais da IA, sugerem que seis princípios se revelarão verdadeiros quando a poeira baixar. Para começar, a captura de valor no espaço do consumo será inicialmente limitada e as empresas obterão mais valor concentrando-se em “microverticais” corporativos, isto é, casos de uso específicos em setores selecionados. Nossa análise do stack de tecnologia [a “pilha” de tecnologias, softwares e ferramentas usadas em um sistema computacional] também sugere que as oportunidades variarão em cada camada, e que as empresas mais bem-sucedidas buscarão soluções de ponta a ponta, muitas vezes por meio de parcerias ou aquisições. Para certos fabricantes de hardware, a IA poderá representar um novo alento, após anos de uma constante perda de interesse dos investidores, que gravitaram para o software – para não falar na intensa comoditização que encolheu suas margens. Acreditamos que o advento da IA abre oportunidades significativas, com soluções tanto na nuvem como na borda [isto é, quando processamento e armazenamento ocorrem perto dos dispositivos que produzem e consomem dados, ou seja, na borda da rede], gerando forte demanda entre os consumidores finais. Mas nossa conclusão mais importante é que as empresas precisam agir rapidamente. Aquelas que apostarem alto agora e revisarem suas estratégias tradicionais emergirão como vencedoras.
Os aspectos práticos do mercado de IA
Embora o tema Inteligência Artificial esteja muito em alta, este mercado pode intimidar até os analistas e investidores mais intrépidos. Nenhuma definição padrão do stack de tecnologia surgiu até o momento, o que torna difícil entender o que ocorre neste concorrido campo competitivo. Das centenas de empresas que estão se esforçando para conquistar market share, quem de fato está oferecendo o quê?
Para trazer alguma clareza ao contexto aparentemente caótico da oferta, dividimos o stack de tecnologia de machine learning (ML) e de deep learning (DL) em nove camadas, abrangendo serviços, treinamento, plataforma, interface e hardware (Quadro 1). Algumas empresas estão competindo em várias camadas, enquanto outras se concentram em apenas uma ou duas. Como discutiremos mais adiante, as empresas que limitarem seu foco a camadas específicas poderão ficar em desvantagem.
Soluções na nuvem e na borda
Tradicionalmente, a maioria das aplicações da IA residiu na nuvem – redes de servidores remotos – seja para treinamento ou para inferência. No entanto, inferências na borda se tornarão cada vez mais comuns no caso de aplicações em que latências da ordem de microssegundos são cruciais. Com os carros autônomos, por exemplo, a decisão de frear ou acelerar tem de ocorrer com latência quase zero, o que torna a inferência na borda a opção ideal. A computação na borda [edge computing] também despontará como a escolha preferida para aplicações nas quais questões de privacidade e de largura de banda para dados sejam primordiais – por exemplo, diagnósticos de tomografia computadorizada viabilizados por inteligência artificial. O crescimento da computação na borda criará novas oportunidades para todas as empresas ao longo do stack de tecnologia e, em especial, para os fabricantes de hardware.
Nossas principais convicções acerca do futuro da inteligência artificial
A inteligência artificial está posicionada para provocar a disrupção do nosso mundo. O McKinsey Global Institute estima que avanços rápidos em automação e inteligência artificial terão impacto significativo no modo como trabalhamos e em nossa produtividade. Para capturar valor neste mercado crescente, as empresas estão experimentando diferentes estratégias, tecnologias e oportunidades, todas as quais exigem grandes investimentos. Embora ainda haja muita incerteza, as empresas que prestarem atenção aos seguintes pontos estarão em melhor posição para vencer.
1. A captura de valor será inicialmente limitada no âmbito do consumo
As primeiras ofertas de inteligência artificial para o consumidor têm uma característica em comum: elas tornam os produtos melhores, mas não contribuem diretamente para a lucratividade. A maioria delas provém de grandes e conhecidas empresas de tecnologia e incluem alguns serviços online de tradução e tagging de fotos, bem como assistentes de voz digitais em telefones celulares. Sem dúvida, esses aprimoramentos de produtos atraem o consumidor – podem, por exemplo, aumentar o tempo que alguém permanece em um site – mas não produzem um aumento direto nas vendas ou nas receitas. Se empresas menores criarem ofertas semelhantes, elas provavelmente irão descobrir que as vendas serão limitadas ou inexistentes, pois os consumidores sempre tendem a buscar soluções gratuitas. Além disso, as grandes empresas têm acesso a um conjunto significativamente maior de dados sobre o consumidor – a força vital da inteligência artificial –, o que lhes permite desenvolver soluções de IA mais precisas e acertadas para os clientes. Com os produtos gratuitos das grandes empresas conquistando quase todo o mercado, a captura do valor da IA permanecerá limitada no setor de consumo, ao menos no curto prazo.
Porém, o mesmo poderá não ser verdade no futuro, pois novas ofertas pagas (pois cobram uma taxa do consumidor) estão entrando no mercado – os assistentes digitais para o lar, por exemplo. A próxima onda de inteligência artificial voltada para o consumidor incluirá muitas outras inovações à medida que as montadoras e outras empresas forem introduzindo novos produtos. É o caso dos carros autônomos. Alguns consumidores poderão se contentar com veículos em que a inteligência artificial possibilita a frenagem autônoma. Outros, porém, vão querer recursos adicionais – por exemplo, veículos totalmente autodirigidos –, mesmo que tenham de pagar a mais por isso.
Would you like to learn more about our Advanced Electronics Practice?
2. Empresas vitoriosas se concentrarão nos microverticais de setores promissores
Nossa análise inicial dos dados do McKinsey Global Institute, combinada com pesquisas e entrevistas com especialistas, revelou quase 600 usos distintos para a inteligência artificial nos principais setores da economia. Destes, cerca de 400 exigem algum grau de machine learning e 300 exigem capacidades de deep learning. Muitas das aplicações de IA mais interessantes ainda estão em fase piloto e não foram implantadas em grande escala. A seguir destacamos algumas aplicações de IA para as quais poderá haver grande demanda nos próximos anos devido às sólidas capacidades que oferecem em termos de percepção visual e processamento:
- Os governos poderão utilizar a inteligência artificial para monitorar vídeos e identificar atividades suspeitas em locais públicos, ou aplicar algoritmos de IA para detectar possíveis ciberataques. Muitas aplicações militares, incluindo drones, também dependem da inteligência artificial. Além da segurança, a inteligência artificial vem sendo utilizada no controle de tráfego – por exemplo, sensores e câmeras que permitem mudar a temporização e a sequência dos semáforos conforme o número de carros na rua.
- Assim como o setor público, os bancos estão começando a usar a inteligência artificial para detectar comportamentos suspeitos, como padrões sugestivos de lavagem de dinheiro. Os algoritmos de IA também podem ajudar a processar transações e tomar decisões, muitas vezes com mais precisão que funcionários humanos. Por exemplo, algoritmos de IA podem revelar que certas características negligenciadas aumentam a probabilidade de uma determinada transação ser fraudulenta.
- No varejo, a IA já vem ajudando a detectar furtos e poderá trazer melhorias adicionais aos caixas automatizados. Inúmeros varejistas vêm desenvolvendo sistemas-piloto que utilizam câmeras e sensores para detectar quando um comprador retira algum item da loja ou o devolve. Depois que o cliente deixa a loja, sua conta é atualizada com o respectivo débito ou crédito. Outros varejistas utilizam vídeos nas lojas para otimizar a prestatividade dos vendedores. Se as câmeras detectam um comprador contemplando uma prateleira, o sistema notifica um vendedor para que venha prestar assistência. No futuro, talvez vejamos ainda outros aprimoramentos nesta área, incluindo sistemas de IA que identifiquem clientes com alto potencial de compra analisando determinadas características, como expressão facial (indicativa do estado de ânimo), roupas e o número de acompanhantes. Poderão então alertar os vendedores sobre a localização desses compradores no interior da loja.
As empresas enfrentam a difícil tarefa de decidir quais oportunidades levar adiante, entre as centenas disponíveis, mas poderão limitar suas opções por meio de uma abordagem estruturada. O primeiro passo consiste em escolher qual setor focar. É verdade que a expertise e capacidades de uma empresa influenciarão essa decisão, mas também é preciso levar em conta as características do setor, como seu tamanho. Igualmente importante é o potencial de disrupção que existe em um determinado setor, que nós estimamos computando o número de casos de uso de IA, o financiamento de start-ups com capital próprio e o impacto econômico total da IA, definido como o grau em que as soluções reduziram os custos, aumentaram a produtividade ou de algum modo contribuíram para a lucratividade em uma análise retrospectiva das diversas aplicações. Quanto maior o benefício econômico, maior é a probabilidade de os clientes pagarem por uma solução de IA. O Quadro 2 mostra os dados sobre métricas relacionadas à IA compilados em 17 setores.
Assim como o valor da IA varia conforme o setor, o mesmo acontece com sua maturidade. Por exemplo, o setor industrial poderia ganhar muito com a IA, mas as empresas que nele atuam estão menos preparadas para adotar tais soluções do que suas pares do setor automotivo. Para fornecedores de produtos e serviços de IA, isso significa que a captura de valor será escalonada, com alguns setores proporcionando inicialmente retornos mais elevados que outros.
Quando consideramos o valor em jogo juntamente com a maturidade, fica evidente que diversos setores hoje oferecem as melhores oportunidades para IA, entre eles, o setor público, bancos, varejo e o setor automotivo (Quadro 3). Embora a proeminência do setor público possa parecer surpreendente em uma época em que os governos estão reduzindo orçamentos, muitos altos funcionários veem valor na inteligência artificial como forma de melhorar a eficiência e a eficácia, e estão dispostos a liberar verbas para isso. Ao planejarem suas estratégias de IA, os fornecedores devem concentrar seus investimentos nos possíveis consumidores de soluções de IA que estejam dispostos a ser o primeiro dominó.
Microverticais. Uma vez que uma empresa escolhe um ou alguns setores como foco, ela deve dar um passo além e selecionar casos de uso específicos – que chamamos de microverticais – nos quais se concentrará. Compradores não estão interessados em inteligência artificial apenas porque é uma nova tecnologia inovadora; pelo contrário, eles querem que a IA gere um bom retorno do investimento, seja resolvendo problemas específicos, economizando dinheiro ou aumentando as vendas. Por exemplo, uma fábrica que queira reduzir o tempo de inatividade das máquinas não buscará um fornecedor de IA apenas porque ele é conhecido no âmbito industrial; em vez disso, procurará uma empresa que tenha expertise e soluções comprovadas de manutenção preditiva. Se um fornecedor de IA tentasse oferecer uma solução horizontal – uma que os clientes possam aplicar a uma variedade de casos de uso não relacionados –, a proposta de valor poderia não ser tão interessante. Os clientes finais questionariam se o retorno do investimento da solução justificaria o aumento da despesa, especialmente se ela se aplicar a casos de uso que consideram sem importância ou irrelevantes.
3. As empresas precisam ter soluções de ponta a ponta para saírem vencedoras em IA
Para saírem vencedoras em IA, as empresas precisam oferecer, ou orquestrar, soluções de ponta a ponta em todas as nove camadas do stack de tecnologia, pois muitos clientes corporativos enfrentam dificuldades quando têm de implementar soluções fragmentadas. Um hospital, por exemplo, certamente preferirá adquirir um sistema que inclua um aparelho de ressonância magnética e um software de IA capaz de efetuar diagnósticos do que obter esses componentes em separado e tentar fazê-los funcionar juntos. Além do aumento das vendas, fornecedores com soluções de ponta a ponta poderão conquistar uma posição estratégica segura com o cliente e acelerar a adoção. A Nvidia, por exemplo, oferece sua plataforma Drive PX como um módulo, e não apenas um chip, fornecendo assim uma solução de ponta a ponta para veículos autônomos. A plataforma reúne processadores, software, câmeras, sensores e outros componentes que fornecem imagens em tempo real do ambiente em torno de um carro. Também é capaz de localizar sua posição em um mapa e planejar um percurso seguro.
Grandes empresas de hardware e software geralmente ampliam seu portfólio de IA ao longo de todo o stack mediante a aquisição de outras empresas. Embora a negociação de acordos seja comum em todos os setores, ela é mais predominante em IA devido à necessidade de oferecer soluções de ponta a ponta. Mais de 250 aquisições envolvendo empresas privadas com expertise em IA foram realizadas desde 2012, sendo que 37 delas ocorreram no primeiro trimestre de 2017. 1 Para competir com esses gigantes, muitas start-ups estão formando parcerias a fim de se posicionarem como integradoras de sistemas para soluções de IA.
4. No stack de tecnologia da IA, a maior parte do valor provém de soluções ou de hardware
Com relação ao stack de tecnologia da IA, nossa análise de tendências futuras sugere que cada camada gerará diretamente uma quantidade diferente de lucro ou valor. A maior parte do valor estará concentrada em duas áreas (Quadro 4). Primeiro – e um tanto surpreendentemente, dadas as tendências do setor –, muitas das melhores oportunidades virão do hardware (head nodes [servidores intermediários entre um cluster e a rede], aceleradores de inferência e aceleradores de treinamento). Estimamos que, juntos, esses componentes representarão 40% a 50% do valor total para os fornecedores de IA.
Embora o hardware tenha sido comoditizado em muitos outros setores, essa tendência não irá afetar a IA tão rapidamente, pois hardwares otimizados para resolverem os problemas de cada microvertical oferecerão melhor performance (quando computado o custo total de propriedade) do que hardware básico, como CPUs genéricas. Por exemplo, aceleradores otimizados para redes neurais convolucionais são melhores para reconhecimento de imagem e, portanto, seriam escolhidos por fabricantes de aparelhos médicos. Por sua vez, aceleradores otimizados para redes longas de memórias de curto prazo são mais adequados para o reconhecimento de voz e a tradução de idiomas e, portanto, atrairiam os fabricantes de assistentes domésticos virtuais sofisticados. Visto que cada caso de uso tem requisitos ligeiramente diferentes, cada um precisará de hardware parcialmente customizado.
Em outro padrão que se afasta da norma, é improvável que software (definido como as camadas de plataforma e de interface) seja o único diferenciador de longo prazo em IA. Como vimos com o advento dos aceleradores de deep learning, é provável que o hardware (por si só ou em combinação com software) possibilite melhorias significativas de performance – por exemplo, diminuição da latência ou do consumo de energia. Neste cenário, as empresas precisarão ser seletivas no que diz respeito a suas opções de hardware.
How artificial intelligence can deliver real value to companies
Outros 40% a 50% do valor das soluções de IA virão de serviços, que incluem soluções e casos de uso. Os integradores de sistemas, que muitas vezes têm acesso direto aos clientes, captarão a maior parte desses ganhos ao reunirem soluções envolvendo todas as camadas do stack.
No futuro imediato, outras áreas do stack de IA não gerarão muito lucro, embora possam gerar valor indireto que impulsionará o crescimento do ecossistema de deep learning. Por exemplo, dados e métodos – ambos elementos de treinamento – hoje representam apenas 10%, no máximo, do valor de um fornecedor de IA típico. Esse padrão ocorre porque a maioria dos dados provém de usuários finais de soluções de IA, não de fornecedores terceirizados. Entretanto, um mercado para dados poderá um dia surgir no mundo corporativo ou no do consumidor, tornando esta camada do stack relativamente mais atraente no futuro.
5. Arquiteturas específicas de hardware serão diferenciais críticos para computação na nuvem e na borda
Com o crescimento da IA, o hardware voltou à moda novamente, depois de anos em que o software atraiu a maior parte do interesse das corporações e dos investidores. Nossas conversas com usuários finais sugerem que haverá um grande interesse por soluções na nuvem e na borda, dependendo do caso de uso. A nuvem continuará sendo a opção preferida para muitas aplicações, dada a sua vantagem de escala. Com relação ao hardware da nuvem, a preferência de clientes e fornecedores varia entre a tecnologia de circuitos integrados específicos para cada aplicação (ASICs) e as unidades de processamento gráfico (GPUs), e é provável que o mercado continue fragmentado.
Dito isto, também vemos um papel importante e crescente da inferência na borda, onde baixa latência e questões de privacidade são críticas, ou quando a conectividade é problemática. Na borda, os ASICs serão os vencedores no espaço do consumidor, pois proporcionam uma experiência de usuário mais otimizada, incluindo um menor consumo de energia e um maior poder de processamento em muitas aplicações. Nas empresas, haverá uma competição saudável na borda entre os arranjos de portas programáveis em campo, as GPUs e a tecnologia ASIC. Todavia, é possível que os ASICs tenham uma vantagem, devido a sua melhor performance por watt, algo que é crítico na borda. Acreditamos que eles poderão dominar aplicações corporativas específicas quando os níveis de demanda forem suficientemente intensos para justificar os altos custos de desenvolvimento.
6. O mercado já está decolando – as empresas têm que agir agora e reavaliar suas estratégias atuais
Embora as empresas de tecnologia talvez não saibam exatamente como a demanda por IA está evoluindo, elas reconhecem as enormes oportunidades que existem em deep learning e querem aproveitá-las. Com a tecnologia ainda em evolução, e com diferentes empresas implementando estratégias extraordinariamente diferentes, a receita para o sucesso ainda é incerta.
As grandes empresas já estão ensaiando suas jogadas e as mais importantes estão caminhando em direções que parecem desafiar o bom senso. Para dar apenas um exemplo, a Nvidia aumentou suas despesas de P&D em IA em cerca de 8% ao ano entre 2012 e 2016, quando atingiram US$ 1,3 bilhão (Quadro 5). Esses custos representam cerca de 27% da receita total da empresa – muito mais do que a média de seus concorrentes, em torno de 15% – e mostram que a Nvidia está disposta a seguir um caminho diferente que o de muitos fabricantes de semicondutores, que estão reduzindo drasticamente suas despesas de P&D. Além disso, a Nvidia tomou medidas enérgicas para criar um ecossistema de produtos de ponta a ponta focado em suas GPUs. A empresa vem agressivamente treinando desenvolvedores para que adquiram as habilidades necessárias para fazer com que as GPUs sejam usadas em deep learning, além de financiar start-ups que proliferam o uso de GPUs da empresa em deep learning, formar parcerias para criar soluções de ponta a ponta que incorporem seus produtos, e aumentar o número de aplicações que utilizam GPUs. Outras empresas que adotarem estratégias tão pouco convencionais também poderão ser recompensadas com retornos excepcionais.
O sucesso da Nvidia mostra que as empresas de tecnologia não serão vitoriosas em IA se mantiverem o status quo. Elas precisam revisar sua estratégia agora e apostar alto no desenvolvimento de ofertas atraentes de inteligência artificial. Com tanto em jogo, não podem se dar ao luxo de ter um plano nebuloso ou provisório para capturar valor. Quais, portanto, devem ser suas principais considerações para avançarem por este caminho? Nossa investigação sugere as seguintes ideias emergentes sobre as questões clássicas da estratégia de negócios:
- Onde competir. Ao decidirem onde competir, as empresas têm de olhar tanto para os setores como para os microverticais. Precisam selecionar casos de uso compatíveis com suas capacidades, conferir-lhes uma vantagem competitiva e resolver as questões mais prementes de um setor, como a detecção de fraudes em transações com cartões de crédito.
- Como competir. As empresas devem começar a buscar agora parceiros ou aquisições a fim de construírem ecossistemas em torno de seus produtos. Os fornecedores de hardware devem avançar stack acima, enquanto as empresas de software devem caminhar stack abaixo para criarem soluções de aplicabilidade imediata (turnkey). Também é hora de darem uma nova olhada nos modelos de monetização. Os clientes esperam que os fornecedores de IA assumam uma parte dos riscos durante uma compra e isso pode resultar em opções criativas de precificação. Por exemplo, uma empresa poderá cobrar o preço habitual por um aparelho de ressonância magnética que também possua recursos de IA e exigir pagamento adicional apenas para imagens que forem processadas usando deep learning.
- Quando competir. Empresas de alta tecnologia são recompensadas por soluções de ponta sofisticadas; no entanto, o foco na perfeição pode ser prejudicial no caso da inteligência artificial. As primeiras a oferecerem uma solução de IA terão condições de se aprimorar, ganhar escala e se tornar o padrão. Ou seja, as empresas devem se concentrar em soluções sólidas que lhes permitam firmar sua presença agora, em vez de buscarem a perfeição. Com um sucesso inicial em sua bagagem, poderão expandir para oportunidades mais especulativas.
Acreditamos que, se uma empresa esperar dois a três anos para estabelecer uma estratégia de IA e fazer suas apostas, é improvável que consiga recuperar o ímpeto inicial neste mercado em rápida evolução. De modo geral, as empresas sabem qual valor está em jogo e estão dispostas a continuar avançando, mas carecem de uma estratégia forte. As seis convicções fundamentais que descrevemos aqui podem indicar para as empresas a direção certa e lhes fornecer uma base sólida. A questão-chave é saber quais delas seguirão nesta direção antes que a janela de oportunidade se feche.
