Iniciar teste gratuito
Popular Novos Gêneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Pesquisando...
SoBrief
Generative AI

Generative AI

Descubra os usos da IA generativa nos negócios que podem ganhar escala e identifique os riscos antes que isso aconteça.
por Harvard Business Review 2024 170 páginas
3.46
264 avaliações
Ouvir
Imersivo
V2.3
Amazon Kindle Audible
Experimente o Acesso Completo por 3 Dias
Desbloqueie o áudio e muito mais!
Continuar

Principais Lições

Desenvolva a IA em torno da jornada completa do cliente, não do aplicativo que você já tem.

A interface está mudando. A IA generativa pode transformar uma solicitação em linguagem natural em orientações, conteúdo e ações sob medida. Em vez de navegar por menus, um cliente pode pedir ajuda para planejar uma viagem ou reformar um cômodo. O sistema pode interpretar o objetivo, recorrer a informações relevantes e até gerar código para conectar etapas que antes exigiam vários aplicativos ou pesquisas manuais.

Amplie o serviço. Isso exige combinar dados confiáveis da empresa com informações de parceiros escolhidas com cuidado e, em seguida, definir regras para o que o sistema pode recomendar ou fazer. O exemplo do ChatSpot, da HubSpot, conecta pesquisa sobre empresas, o contexto de um vendedor, a elaboração de e-mails e o acompanhamento de contatos. O grande prêmio estratégico não é um chatbot engenhoso. É um serviço útil que acompanha o cliente por uma parte maior da tarefa, com permissões e salvaguardas claras.

Análise

O que chama a atenção é a mudança: deixa-se de vender uma ferramenta para coordenar um resultado. Isso se parece com o design de serviços, em que o valor vem da sequência completa de interações, e não de uma única tela. Mas uma jornada mais ampla também aumenta o alcance de um erro: dados imprecisos ou um parceiro inadequado podem abalar a confiança em toda a experiência. Por isso, as empresas precisam perguntar não só o que o sistema pode fazer, mas quem controla cada etapa, de quem são os dados usados e quem responde quando algo dá errado.

Colete feedback continuamente, porque a vantagem da IA se acumula com o uso.

Os dados aprimoram as previsões. Os efeitos de rede de dados ocorrem quando a atividade e o feedback dos usuários ajudam um sistema de IA a fazer previsões mais úteis, atraindo ainda mais uso e gerando mais feedback. Isso difere de uma rede telefônica, cujo valor aumenta porque mais pessoas podem ligar umas para as outras. O Google Maps ilustra esse ciclo de dados: as recomendações de trajeto se baseiam em padrões de trânsito de muitos usuários, enquanto os tempos reais de viagem ajudam a aprimorar estimativas futuras.

Construa o ciclo de feedback. Um modelo treinado com informações antigas e com poucas maneiras de verificar suas respostas pode perder valor prático, mesmo que seu desempenho inicial seja impressionante. O livro usa a parceria entre a OpenAI e a Microsoft para mostrar por que os produtos de IA precisam de informações atualizadas e das respostas dos usuários. As empresas devem coletar sinais de clientes, fornecedores e processos internos, considerando também quem mais se beneficia quando esses sinais são compartilhados.

Análise

O recurso importante não é simplesmente um grande conjunto de dados, mas um ciclo repetível que conecta previsões a resultados. Isso se aproxima da lógica da ciência experimental: uma afirmação se torna mais útil quando as observações podem corrigi-la. Ainda assim, mais dados não garantem um julgamento melhor. Eles podem reproduzir comportamentos enviesados, capturar sinais irrelevantes ou dar vantagem a uma plataforma sobre as empresas que fornecem informações. A estratégia de dados é, portanto, tanto um problema de aprendizagem quanto uma questão de poder de negociação.

Escolha tarefas de IA em que a demanda seja alta e os erros, administráveis.

Avalie valor e risco. Um teste prático para projetos faz duas perguntas: há uma necessidade duradoura para o resultado e qual seria o custo de um erro? Representar essas dimensões ajuda as equipes a distinguir aplicações promissoras de distrações impressionantes. Rascunhos de marketing são um uso inicial plausível: as organizações precisam de muitas variações, e editores podem corrigir o texto antes da publicação. Materiais de aprendizagem internos também podem ser adaptados a diferentes públicos, com revisão antes de uma distribuição ampla.

Comece com tarefas delimitadas. Tarefas que geram ideias, resumos ou primeiros rascunhos costumam ser mais fáceis de validar do que decisões que afetam a saúde, o dinheiro, os direitos legais ou a segurança. A revisão humana pode reduzir riscos, mas também acrescenta tempo e custo, o que pode enfraquecer a justificativa comercial. A matriz é um filtro inicial, não uma licença para considerar automaticamente precisos os resultados de baixo risco.

Análise

Essa estrutura faz uma distinção útil entre possibilidade tecnológica e demanda organizacional. Ela também se parece com a regulação baseada em riscos: o escrutínio deve aumentar conforme a gravidade e o alcance dos danos potenciais. Uma complicação é que o risco pode surgir em etapas posteriores. Um rascunho que parece inofensivo pode ter consequências quando é copiado para uma política, uma mensagem a um cliente ou um processo decisório sem revisão. As equipes devem avaliar o uso final do resultado, não apenas a tarefa que o gerou.

Use a IA para ampliar o conjunto de ideias; depois, deixe as pessoas julgarem.

Gere antes de selecionar. A IA generativa pode criar combinações inusitadas rapidamente, oferecendo às pessoas mais matéria-prima para explorar. Em um exercício, um gerador de imagens misturou um elefante com uma borboleta e inspirou ideias para cadeiras e chocolates. Outra atividade uniu três substantivos sem relação entre si para estimular conceitos de negócios. Esses são exemplos de trissociação (Trisociation), uma técnica de criatividade que combina três ideias distintas para estimular uma nova.

Aprimore o processo de inovação. A IA pode ajudar as organizações a organizar uma enxurrada de sugestões, comparar ideias com critérios como viabilidade e impacto e combinar propostas incompletas. Também pode reduzir o viés da especialização ao mostrar aos designers formas que talvez não tivessem considerado. Mas textos bem-acabados ou imagens atraentes não provam que uma ideia seja viável. As pessoas ainda precisam testar suposições, acrescentar conhecimento especializado e decidir quais conceitos merecem investimento.

Análise

O argumento mais forte aqui não é que as máquinas tenham imaginação no sentido humano, mas que reduzem o custo de gerar variações. Isso favorece o pensamento divergente, a prática de criar muitas possibilidades antes de escolher entre elas. O método também pode democratizar a participação de pessoas que têm dificuldade para expressar uma ideia em textos ou desenhos bem-acabados. Seu limite é conhecido nas sessões de brainstorming: um volume maior de opções pode sobrecarregar a avaliação, a menos que as equipes tenham critérios claros e autoridade para escolher.

Mantenha os criadores humanos em evidência quando produzir conteúdo se tornar quase gratuito.

O trabalho criativo tem vários futuros possíveis. A IA pode ajudar criadores a produzir e revisar trabalhos com mais rapidez. Também pode inundar os canais com materiais de baixo custo, deslocando o trabalho humano e dificultando encontrar experiências culturais compartilhadas. Ou o público pode pagar mais por obras feitas por pessoas, que considera autênticas e atentas ao contexto. Esses resultados podem coexistir em mercados diferentes.

Prepare-se para a abundância. Quando produzir se torna mais fácil, curadoria e descoberta ganham importância, pois o público passa a lidar com um volume maior de materiais. Uma personalização extrema pode atender a públicos específicos, mas também fragmentar referências comuns e aprofundar bolhas de filtro. O livro aconselha trabalhadores e organizações a se prepararem para a disrupção, estruturarem seus conhecimentos para que possam ser reutilizados e aprenderem a colaborar com a IA. Essas medidas aumentam a capacidade de adaptação sem resolver a questão distinta de quanto do trabalho criativo deve continuar sob liderança humana.

Análise

Os cenários do capítulo são valiosos porque evitam uma previsão única e categórica. Também mostram que os mercados criativos dependem de mais do que produção: atenção, atribuição, descoberta e renda influenciam quem pode continuar criando. Uma valorização adicional do trabalho feito por pessoas é plausível quando confiança, contexto cultural ou autoria pessoal são importantes, mas não é garantida para todas as formas de conteúdo. As organizações podem influenciar o resultado pelo modo como dão crédito aos criadores, os remuneram e distinguem o trabalho gerado da contribuição humana.

Dê aos vendedores um assistente, não mais um painel administrativo.

Reduza o trabalho que cerca o trabalho. As equipes de vendas produzem e-mails, anotações de ligações, propostas e registros de clientes, ao mesmo tempo que lidam com exigências crescentes de documentação e conformidade. A IA generativa pode redigir mensagens rotineiras, resumir interações, preparar propostas e atualizar sistemas de gestão de clientes. Também pode ajudar gerentes a investigar o desempenho e preparar planos de contas com mais rapidez.

Mantenha a relação humana no centro. Os sistemas podem usar informações específicas da empresa e sinais dos clientes para personalizar recomendações, mas conclusões inconsistentes ou imprecisas precisam ser revisadas. O livro recomenda integrar as ferramentas aos fluxos de trabalho existentes, testá-las com os primeiros usuários e considerar produtos prontos antes de desenvolver sistemas personalizados caros. Um articulador entre áreas, alguém que entenda tanto a prática de vendas quanto a implementação técnica, pode fazer a mediação entre as equipes. A IA talvez assuma tarefas rotineiras de vendas, enquanto compras complexas ainda exigem pessoas capazes de identificar necessidades e navegar pelas organizações.

Análise

As vendas são um caso revelador porque permitem avaliar se a automação elimina atritos ou apenas acrescenta outro sistema para manter. O melhor design disponibiliza a assistência no momento do trabalho, em vez de pedir aos funcionários que alimentem um painel separado. Essa também é uma questão de qualidade do trabalho: o tempo economizado só importa se as organizações permitirem que os funcionários o usem para compreender os clientes, exercer julgamento e construir relacionamentos. Os ganhos de produtividade não se transformam automaticamente em trabalho melhor; as escolhas da gestão determinam quem se beneficia.

Formule o problema real antes de aperfeiçoar um prompt de IA.

Defina primeiro o objetivo. A formulação do problema significa identificar o que precisa mudar, dividir um desafio complexo em partes manejáveis, examiná-lo sob perspectivas alternativas e estabelecer limites úteis. Um prompt bem elaborado não resolve um objetivo vago. O livro descreve como a InnoCentive usou repetidas perguntas sobre o porquê para diagnosticar um desafio de limpeza de derramamento de petróleo: o principal obstáculo era o petróleo congelado ficar viscoso demais para ser bombeado, e não simplesmente a falta de esforço de limpeza.

Mude o enquadramento quando necessário. Um pedido amplo para melhorar a cibersegurança pode produzir conselhos genéricos. Dividi-lo em áreas como autenticação, treinamento de funcionários e avaliação de vulnerabilidades torna a tarefa mais fácil de responder. Reformular também pode revelar um objetivo diferente: uma reclamação sobre estacionamento talvez seja, na verdade, sobre o estresse do deslocamento diário, e não apenas sobre a falta de vagas. As restrições devem ser rígidas em tarefas rotineiras, mas flexibilizadas quando o objetivo for uma exploração original.

Análise

Esta é uma lição duradoura porque situa o ponto de alavancagem antes da interface. Tanto no design quanto na pesquisa científica, o enquadramento de uma pergunta determina quais evidências e soluções se tornam visíveis. Um prompt restrito pode fazer uma resposta de IA parecer precisa sem tocar no problema subjacente. Há, porém, uma compensação: a decomposição pode fazer perder as interações entre as partes, enquanto um enquadramento amplo pode estimular a imprecisão. Uma boa formulação mantém a visão do sistema e, ao mesmo tempo, isola etapas viáveis.

Incorpore segurança, privacidade e supervisão humana ao produto.

Torne a confiança operacional. O uso responsável exige mais do que uma declaração de valores. As organizações precisam examinar a qualidade e a representatividade dos dados, informar quando há participação de IA, proteger informações sensíveis, testar resultados nocivos e oferecer canais de feedback. O livro descreve a Privacidade desde a concepção (Privacy by Design) como a incorporação da privacidade ao produto desde o início, em vez de tratá-la como um remendo de última hora. Também argumenta que modelos baseados em dados atuais da empresa, cuidadosamente rotulados, têm menos probabilidade de recorrer a informações ultrapassadas ou de origem duvidosa.

Ajuste a supervisão às consequências. A revisão humana é especialmente importante quando erros podem afetar a saúde, a segurança, as finanças ou os direitos. Os testes devem continuar após o lançamento, e trabalhadores e comunidades afetados precisam de maneiras de relatar problemas. Os sistemas de IA também têm custos de recursos: o livro informa que o treinamento do GPT-3 consumiu 1.287 gigawatts-hora de eletricidade e 700 mil litros de água doce. Modelos menores e mais bem direcionados podem reduzir a computação desnecessária.

Análise

A medida útil é passar da ética abstrata às operações do produto: quem seleciona os dados, verifica os resultados, responde a reclamações e pode interromper uma implantação? Isso se assemelha à engenharia de segurança, em que a confiabilidade vem de controles em camadas, e não da confiança em uma única salvaguarda. A revisão humana tampouco é uma solução mágica. Os revisores precisam de tempo, conhecimento especializado e autoridade; caso contrário, a supervisão vira mera formalidade. Os números de consumo de energia também ampliam a definição de responsabilidade para além dos usuários diretos, abrangendo a infraestrutura e os custos ambientais.

Conheça os direitos relacionados ao conteúdo gerado antes de usá-lo.

Os dados de treinamento geram exposição jurídica. Os sistemas generativos aprendem padrões com grandes coleções de textos e imagens, algumas das quais podem estar protegidas ou não licenciadas. Na época dos artigos citados, processos judiciais estavam testando como as regras de direitos autorais, uso justo e obras derivadas se aplicam ao treinamento de modelos e aos resultados gerados. A situação jurídica da titularidade também não estava definida, portanto as empresas não podiam presumir que uma imagem ou um trecho gerado estivesse livre de reivindicações.

Crie um registro de evidências. As empresas devem perguntar aos fornecedores como os dados de treinamento foram obtidos, examinar os termos de serviço e de privacidade e proteger informações confidenciais contra inserção em ferramentas públicas. Os contratos podem tratar de divulgação, titularidade, indenização e usos permitidos. Desenvolvedores e usuários também podem registrar o modelo, o prompt, as configurações e as informações de origem associadas a um resultado. Criadores e marcas devem monitorar usos indevidos e considerar ferramentas treinadas com conteúdo que tenham permissão para usar.

Análise

A questão subjacente não é apenas se determinado resultado copia uma obra protegida. Também importa saber quem arca com o custo de comprovar o uso lícito quando as fontes de dados e o comportamento do modelo são opacos. A rastreabilidade pode melhorar a responsabilização, mas um registro de auditoria, por si só, não comprova que houve permissão nem resolve uma disputa jurídica. O ponto forte e prático do capítulo é o foco na contratação e nos contratos, onde as empresas podem fazer perguntas e distribuir os riscos antes que uma disputa se transforme em uma incerteza dispendiosa.

Avalie a IA pelo valor operacional, não pelas promessas de inteligência geral.

Separe capacidade de espetáculo. O argumento final do livro alerta que o rótulo amplo de IA pode inflar as expectativas ao sugerir inteligência de nível humano. Boa parte do valor para os negócios vem de sistemas de aprendizado de máquina mais restritos, que fazem previsões para decisões específicas. Prever quais clientes podem ir embora pode orientar ofertas de retenção; sinalizar transações suspeitas com cartão pode ajudar a evitar fraudes. Essas são tarefas mensuráveis, ao contrário da promessa de que uma máquina pode realizar qualquer trabalho intelectual.

Mantenha o objetivo concreto. Os projetos têm maior probabilidade de dar resultados quando as equipes especificam o processo de negócios, a decisão a ser aprimorada e as evidências que seriam consideradas sucesso. O autor chama de efeito da IA (AI effect) a tendência de menosprezar a conquista de uma máquina assim que ela se torna rotineira. O entusiasmo exagerado pode distrair os gestores de melhorias úteis e gerar decepção quando os sistemas não atendem a promessas irreais. Uma linguagem clara protege tanto as decisões de investimento quanto a credibilidade do aprendizado de máquina aplicado.

Análise

Esta é uma correção contundente ao teatro tecnológico: avalie um sistema pela decisão que ele melhora, não pelo quanto sua resposta soa humana. Também destaca um problema de mensuração. Um modelo pode ser preciso em um teste de referência e ainda assim não melhorar o fluxo de trabalho real, sobretudo se a equipe não puder agir com base em suas previsões. Portanto, os resultados operacionais precisam ser medidos junto com o desempenho técnico. Ainda assim, o ceticismo cuidadoso não deve servir de motivo para ignorar capacidades genuinamente novas; experimentos disciplinados podem testá-las sem comprar a narrativa grandiosa.

Análise

O argumento central da coletânea é que a IA generativa não é apenas uma nova ferramenta de criação de conteúdo. Ela transforma interfaces, fluxos de trabalho organizacionais, produção criativa e a economia da informação. Seu valor prático depende de conectar um modelo a uma tarefa bem definida, dados confiáveis, feedback e um fluxo de trabalho em que as pessoas possam validar ou utilizar seus resultados. Essa combinação explica por que os capítulos favorecem repetidamente a experimentação delimitada, em vez da adoção irrestrita ou da rejeição total.

Um segundo tema é que a vantagem da IA é institucional, não apenas computacional. O acesso a dados, as relações com parceiros, os direitos de propriedade intelectual, a fluência organizacional e a confiança dos usuários determinam quais empresas conseguem implantar sistemas com eficácia. O ciclo de feedback que aprimora um serviço também pode concentrar poder nas plataformas que coletam o maior número de interações. Por isso, a governança de dados e a negociação do acesso são decisões estratégicas, não meras tarefas administrativas de bastidores.

A abrangência da coletânea é útil, mas ela não apresenta uma previsão única e integrada. Seus artigos foram escritos em meio a mudanças rápidas e, muitas vezes, apresentam cenários plausíveis, exemplos iniciais ou recomendações, em vez de evidências conclusivas. Os leitores devem distinguir princípios duradouros, como definir a tarefa e verificar resultados com consequências importantes, de afirmações sujeitas à passagem do tempo sobre produtos específicos ou disputas jurídicas. A mesma cautela vale para projeções de produtividade: redigir mais rápido não comprova, por si só, que o trabalho tenha mais qualidade ou que os ganhos sejam compartilhados.

A síntese mais duradoura se baseia em três perguntas. Primeiro, identifique o resultado humano ou de negócios, não o recurso de IA. Segundo, verifique se os dados, os direitos e o feedback podem dar suporte ao sistema. Terceiro, incorpore a responsabilização ao fluxo de trabalho, inclusive definindo quem revisa os erros e quem se beneficia do tempo economizado. A promessa da IA generativa é considerável, mas seu sucesso depende menos da magia dos prompts do que de um bom desenho organizacional.

Resumo em 30 Segundos
A IA generativa cria valor quando aprimora uma tarefa empresarial bem definida, se encaixa em um fluxo de trabalho existente e usa informações confiáveis e atualizadas. Priorize atividades com demanda elevada e erros que as pessoas possam detectar antes que causem danos; decisões de alto risco exigem supervisão mais rigorosa. O feedback pode aprimorar os sistemas ao longo do tempo, enquanto o acesso e o compartilhamento de dados determinam quem se beneficia. Proteja a privacidade, verifique os direitos sobre o conteúdo e acompanhe resultados mensuráveis, em vez de presumir que uma inteligência ampla das máquinas os proporcionará.
Contém spoilers

Última atualização:

Reportar Problema

Resumo das Resenhas

3.46 de 5
Média de 264 avaliações do Goodreads e Amazon.

As avaliações de Generative AI são variadas. Embora alguns leitores o considerem uma introdução útil ao tema, outros acharam que falta profundidade e que oferece poucas informações novas. O livro reúne artigos que abordam vários aspectos da IA generativa, incluindo seu impacto nos negócios, na criatividade e nas vendas. Críticos observaram que boa parte do conteúdo é semelhante ao de recursos já disponíveis on-line e que as conclusões muitas vezes simplificam demais ideias complexas. Alguns leitores apreciaram artigos específicos sobre trabalho criativo e formulação do problema, mas, no geral, o livro recebeu avaliações medianas.

Sua avaliação:
4.15
514 avaliações
Quer ler o livro completo?

Glossário

Efeitos de rede de dados

O uso melhora as previsões

Um ciclo de reforço em que mais interações dos usuários fornecem mais dados e feedback, ajudando um sistema de IA a melhorar suas previsões. Previsões melhores podem tornar o produto mais útil, atraindo ou mantendo usuários e gerando ainda mais dados para aprendizado. O efeito depende de feedback relevante e suficientemente confiável, não simplesmente do acúmulo do maior conjunto de dados possível.

Formulação do problema

Definir bem o problema

O trabalho de identificar e descrever o problema que um sistema de IA deve ajudar a resolver. Inclui diagnosticar a questão subjacente, dividir desafios complexos em partes administráveis, considerar perspectivas alternativas e estabelecer limites para soluções aceitáveis. Uma boa formulação conecta a tarefa ao contexto real e deixa claro o resultado desejado antes que um prompt seja escrito.

Democratização da inovação

Ampliar quem pode contribuir

Uma abordagem à inovação que permite que usuários, clientes e outras pessoas de fora das equipes especializadas de design ajudem a desenvolver produtos e serviços. A IA generativa pode reduzir as barreiras para expressar ideias e produzir protótipos. Essa abordagem ainda precisa de meios para avaliar grandes volumes de sugestões, acrescentar detalhes sobre viabilidade e combinar contribuições distintas em soluções coerentes.

Trissociação (Trisociation)

Combinar três ideias distintas

Uma técnica de criatividade que gera um novo conceito associando três elementos distintos. No exemplo do livro, um modelo de linguagem escolheu dois substantivos e pediu a uma pessoa que sugerisse um terceiro; em seguida, propôs uma ideia de negócio que os combinava. O objetivo é estimular conexões inesperadas, não atestar que o conceito resultante seja prático.

Articulador entre áreas

Fazer a ponte entre equipes técnicas e de negócios

Uma pessoa que compreende tanto uma função de negócios quanto o trabalho técnico necessário para apoiá-la e que consegue se comunicar de forma convincente com os dois grupos. Em projetos de IA para vendas, essa função ajuda a traduzir as necessidades da equipe de vendas em sistemas implementáveis e ajuda os especialistas técnicos a entender a realidade dos fluxos de trabalho da área.

Mentalidade digital

Trabalhar com fluência com sistemas digitais

Um conjunto de atitudes e comportamentos que ajuda as pessoas a reconhecer possibilidades relacionadas a dados, tecnologia, algoritmos e IA. Não exige que todos se tornem programadores. Enfatiza a colaboração entre plataformas, a capacidade de fazer perguntas pertinentes sobre dados e computação e a adaptação conforme as ferramentas e as práticas de trabalho mudam.

Privacidade desde a concepção (Privacy by Design)

Incorporar a privacidade desde o início

Uma estrutura para tornar a privacidade um recurso padrão e contínuo dos sistemas e processos organizacionais, em vez de uma resposta acrescentada depois que os problemas ocorrem. Seus princípios incluem prevenção proativa, segurança de ponta a ponta, transparência e práticas centradas no usuário. O livro ressalta que a privacidade depende da organização como um todo, não apenas de uma equipe especializada no tema.

Efeito da IA (AI effect)

Desconsiderar tarefas que máquinas já resolveram

A tendência de deixar de considerar uma tarefa inteligente assim que um computador consegue executá-la. Uma capacidade que antes parecia exigir inteligência humana pode passar a parecer mecânica ou corriqueira depois de automatizada. O conceito ajuda a explicar por que afirmações abrangentes sobre IA podem ser difíceis de definir e por que objetivos específicos e mensuráveis são mais úteis para avaliar sistemas.

Dados de parte zero (zero-party data)

Dados que os clientes compartilham proativamente

Informações que os clientes fornecem intencional e diretamente a uma organização. O livro as compara aos dados de primeira parte, que uma empresa coleta por meio de suas próprias interações com os clientes, e aos dados de terceiros, obtidos de fontes externas. As informações fornecidas diretamente podem melhorar o contexto, embora as organizações ainda precisem de autorização, segurança e boas práticas de tratamento de dados.

Perguntas Frequentes

Do que trata "Generative AI: The Insights You Need from Harvard Business Review"?

  • Visão geral da IA generativa: O livro oferece uma compreensão abrangente da IA generativa, de suas capacidades e de seu possível impacto nas empresas e na sociedade.
  • Coletânea de perspectivas: Reúne pesquisas, entrevistas e análises da Harvard Business Review, oferecendo conhecimentos fundamentais e estudos de caso práticos.
  • Preparação para o futuro: O livro busca preparar as organizações para os efeitos transformadores da IA generativa nas operações empresariais e nas interações com clientes.

Por que devo ler "Generative AI: The Insights You Need from Harvard Business Review"?

  • Manter-se informado: Ajuda os leitores a se manterem informados sobre o campo da IA generativa, que evolui rapidamente, e suas implicações para diversos setores.
  • Aplicações práticas: O livro oferece perspectivas práticas e estudos de caso que podem ser aplicados diretamente para aprimorar estratégias empresariais.
  • Vantagem competitiva: Compreender a IA generativa pode dar às empresas uma vantagem competitiva, permitindo que inovem e se adaptem às mudanças tecnológicas.

Quais são os principais aprendizados de "Generative AI: The Insights You Need from Harvard Business Review"?

  • Potencial transformador: A IA generativa tem potencial para revolucionar processos empresariais, interações com clientes e trabalho criativo.
  • Considerações éticas: O livro enfatiza a importância de diretrizes éticas e do uso responsável das tecnologias de IA.
  • Implementação estratégica: Apresenta estruturas e estratégias para integrar eficazmente a IA generativa às operações empresariais.

Como "Generative AI: The Insights You Need from Harvard Business Review" sugere que as empresas se adaptem à IA generativa?

  • Integração de dados: As empresas devem se concentrar em integrar dados de diversas fontes para ampliar as capacidades da IA.
  • Soluções centradas no cliente: As empresas precisam adaptar as soluções de IA para atender às necessidades abrangentes de seus clientes.
  • Práticas éticas: Implementar práticas éticas de IA é fundamental para reduzir riscos e garantir conformidade com as regulamentações.

Quais são os efeitos de rede da IA discutidos em "Generative AI: The Insights You Need from Harvard Business Review"?

  • Efeitos de rede de dados: Os sistemas de IA melhoram com mais dados, o que leva a previsões melhores e a um aumento de valor.
  • Ciclos de feedback: O feedback contínuo dos usuários aprimora a precisão e a eficácia da IA.
  • Parcerias estratégicas: Colaborações como a parceria entre OpenAI e Microsoft aproveitam efeitos de rede para ampliar as capacidades da IA.

Como "Generative AI: The Insights You Need from Harvard Business Review" aborda os riscos da IA generativa?

  • Questões de propriedade intelectual: O livro discute possíveis problemas de violação de propriedade intelectual e a necessidade de cumprir as leis vigentes.
  • Vieses e equidade: Ressalta a importância de enfrentar os vieses nos sistemas de IA para garantir resultados justos e precisos.
  • Privacidade de dados: Proteger dados confidenciais e garantir a privacidade são considerações essenciais para empresas que usam IA.

Qual é o papel da engenharia de prompts na IA generativa, segundo "Generative AI: The Insights You Need from Harvard Business Review"?

  • Habilidade temporária: A engenharia de prompts é importante atualmente, mas pode se tornar menos relevante à medida que os sistemas de IA melhorarem.
  • Formulação do problema: O livro enfatiza a importância duradoura da formulação do problema em relação à engenharia de prompts.
  • Compreensão da IA: É provável que os futuros sistemas de IA exijam prompts menos precisos à medida que se tornarem mais intuitivos.

Como as empresas podem usar a IA generativa para ampliar a criatividade, segundo "Generative AI: The Insights You Need from Harvard Business Review"?

  • Ampliação da criatividade humana: A IA generativa pode apoiar o pensamento divergente e inspirar ideias originais.
  • Superação de vieses: A IA pode ajudar a questionar vieses de especialização e incentivar soluções inovadoras.
  • Design colaborativo: A IA facilita a colaboração entre designers e usuários, levando a resultados mais personalizados e criativos.

Quais são as diretrizes éticas para o desenvolvimento de IA generativa em "Generative AI: The Insights You Need from Harvard Business Review"?

  • Precisão e segurança: É fundamental garantir que os modelos de IA sejam treinados com dados precisos e sejam seguros para uso.
  • Transparência e honestidade: Os sistemas de IA devem ser transparentes quanto às fontes de dados e aos resultados que produzem.
  • Empoderamento e sustentabilidade: A IA deve empoderar os usuários e ser desenvolvida levando em conta a sustentabilidade.

Como "Generative AI: The Insights You Need from Harvard Business Review" sugere que se controle a euforia em torno da IA?

  • Foco no uso prático: O livro recomenda priorizar aplicações práticas de aprendizado de máquina, em vez de exagerar as capacidades da IA.
  • Expectativas realistas: Incentiva o estabelecimento de expectativas realistas para projetos de IA, a fim de evitar desilusões.
  • Abordagem orientada a valor: É fundamental enfatizar o valor concreto que a IA pode agregar às operações empresariais.

Quais são os possíveis impactos da IA generativa nas vendas, segundo "Generative AI: The Insights You Need from Harvard Business Review"?

  • Eficiência administrativa: A IA pode reduzir as tarefas administrativas, permitindo que as equipes de vendas se concentrem nas interações com clientes.
  • Melhores insights sobre clientes: A IA oferece insights mais profundos sobre as preferências e os comportamentos dos clientes.
  • Otimização da estratégia de vendas: A IA generativa pode ajudar a desenvolver estratégias de vendas e recomendações mais eficazes.

Quais são as melhores citações de "Generative AI: The Insights You Need from Harvard Business Review" e o que significam?

  • "A IA generativa vai mudar a maneira como as empresas desenvolvem produtos centrados no cliente, levando a novos níveis de personalização e customização." Isso ressalta o potencial transformador da IA para criar experiências adaptadas aos clientes.
  • "A IA já está tornando o autoatendimento dos clientes mais poderoso e as vendas internas mais eficazes." Isso enfatiza o papel da IA no aprimoramento dos processos de vendas e do atendimento ao cliente.
  • "Os riscos — desde os dados fundamentais, passando pela gestão dos dados, até a natureza dos resultados da IA generativa — continuarão se multiplicando." Isso alerta para a crescente complexidade e os possíveis riscos associados às tecnologias de IA.

Sobre o Autor

A Harvard Business Review é uma revista de administração geral publicada pela Harvard Business Publishing, subsidiária integral da Universidade Harvard. Foi publicada pela primeira vez em 1922 e tem sede em Brighton, Massachusetts. A revista aborda vários aspectos da administração e da estratégia empresarial, oferecendo perspectivas de acadêmicos, executivos e especialistas em gestão. A HBR é conhecida por seus estudos de caso, artigos de pesquisa e conselhos práticos para líderes empresariais. A publicação ampliou sua oferta para incluir livros, conteúdo on-line e programas educacionais. Harvard Business Review é amplamente considerada uma voz influente no pensamento sobre gestão e tem leitores no mundo todo, tanto na academia quanto no meio empresarial.

Baixar PDF

Para guardar este resumo de Generative AI para depois, baixe o PDF grátis. Você pode imprimi-lo ou ler offline quando quiser.
Download PDF

Baixar EPUB

Para ler este resumo de Generative AI no seu dispositivo ou aplicativo de leitura, baixe o EPUB grátis. O formato digital .epub é ideal para ler e-books em celulares, tablets e leitores digitais.
Download EPUB
Quer ler o livro completo?
Seguir
Ouvir
Início
Swipe
Biblio
App
Experimente o Acesso Completo por 3 Dias
Ouça, salve e muito mais
Comparar Recursos Gratuito Pro
📖 Ler Resumos
Leia resumos ilimitados. Usuários gratuitos recebem 3 por mês
🎧 Ouvir Resumos
Ouça resumos ilimitados em 40 idiomas
—
❤️ Favoritos Ilimitados
Usuários gratuitos são limitados a 4
—
📜 Histórico Ilimitado
Usuários gratuitos são limitados a 4
—
📥 Downloads Ilimitados
Usuários gratuitos são limitados a 1
—
Cronograma Sem Risco
Hoje: Acesso Imediato
Ouça resumos completos de mais de 26.000 livros. São mais de 12.000 horas de áudio!
Dia 2: Lembrete do Teste
Enviaremos uma notificação avisando que seu teste está acabando.
Dia 3: Sua assinatura começa
A cobrança será feita em 25 de nov.,
cancele a qualquer momento antes.
Consume 2.8× More Books
2.8× mais livros Audição Leitura
Nossos usuários nos amam
1M+ leitores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este site é revolucionário. Tenho lido resumos de livros como nunca antes. Recomendo muito, muito mesmo.
— Dave G
Vale o meu dinheiro e tempo, e muito bem feito. Nunca vi essa qualidade de resumos em outros sites. Muito útil!
— Em
Altamente recomendado!! Serviço fantástico. Perfeito para quem quer algo além de uma prévia, mas sem todos os detalhes de um audiolivro completo.
— Greg M
Economize 62%
Anual
$119.88 $44.99/ano/ano
$3.75/mês
Mensal
$9.99/mês
Iniciar Teste Gratuito de 3 Dias
3 dias grátis, depois $44.99/ano. Cancele quando quiser.
Unlock a world of fiction & nonfiction books
Mais de 26.000 livros pelo preço de 2 livros
Leia qualquer livro em 10 minutos
Descubra novos livros como no Tinder
Solicite qualquer livro se ainda não tiver resumo
Leia mais livros do que qualquer pessoa que você conhece
App nº 1 para amantes de livros
Lifelike & immersive summaries
Garantia de reembolso de 30 dias
Baixe resumos em EPUB ou PDF
Cancele a qualquer momento em poucos cliques

Por que só um resumo?

Scanner
Encontre um código de barras para escanear

⭐
⭐
⭐
Temos um presente especial para si
Abrir
38% de desconto
DESCONTO PARA VOCÊ
⭐
⭐
⭐
$79.99
$49.99/ano
Apenas $4.16 por mês
Continuar
Comece com 2 toques e cancele com facilidade
Configurações
Geral
Widget
Carregando...