Por que dados, processos e julgamento profissional continuam sendo a base da transformação tecnológica
Poucas palavras ocuparam tanto espaço nas agendas corporativas nos últimos anos quanto inteligência artificial. Conselhos de administração perguntam sobre IA, executivos anunciam projetos, empresas contratam plataformas e fornecedores prometem transformar processos inteiros. Em muitas organizações, entretanto, existe uma pergunta anterior e talvez mais importante: estamos preparados para utilizar essa tecnologia?
A transformação digital não começou com a inteligência artificial. Antes dela vieram sistemas integrados de gestão, business intelligence, big data, data analytics, robotização e inúmeras iniciativas de automação. A história recente das organizações mostra, contudo, que adquirir tecnologia é consideravelmente mais simples do que transformar tecnologia em melhores decisões.
Davenport (2018) argumenta que a inteligência artificial deve ser entendida como uma evolução das capacidades analíticas das organizações. Empresas que desenvolveram competências em dados, analytics e modelos quantitativos possuem, portanto, uma base mais adequada para avançar em IA. Essa perspectiva é importante porque desloca a discussão da ferramenta para a capacidade organizacional.
E talvez esteja exatamente aí um dos principais problemas dos investimentos corporativos em tecnologia.
Dados ruins continuam sendo dados ruins
Criar uma área de Data Analytics não transforma automaticamente uma organização em uma empresa orientada por dados. É possível possuir dezenas de dashboards, sofisticadas ferramentas de visualização e equipes de cientistas de dados e, ainda assim, tomar decisões utilizando informações inconsistentes.
Davenport destaca que muitas aplicações de IA dependem de grandes volumes de dados de qualidade e que questões relacionadas à organização, consistência, disponibilidade e qualidade dos dados precisam ser resolvidas para que essas tecnologias produzam resultados adequados.
Na Contabilidade e na Controladoria isso é particularmente relevante. Uma ferramenta pode processar milhões de registros em segundos, identificar padrões e produzir análises extremamente sofisticadas. Mas, se cadastros estiverem incorretos, critérios contábeis forem inconsistentes ou diferentes sistemas produzirem conceitos distintos para uma mesma informação, teremos apenas uma maneira tecnologicamente mais sofisticada de produzir conclusões potencialmente equivocadas.
Em outras palavras, mais dados não significam necessariamente melhor informação; e mais informação não significa necessariamente melhores decisões.
Automatizar um processo ruim não o transforma em um processo bom
O mesmo princípio vale para automação.
Organizações frequentemente procuram automatizar processos antes de compreendê-los. Entretanto, se um processo contém atividades redundantes, controles desnecessários, responsabilidades mal definidas ou etapas que não agregam valor, automatizá-lo pode simplesmente fazer com que a organização execute mais rapidamente aquilo que não deveria estar fazendo.
Por isso, transformação tecnológica deveria começar por perguntas relativamente simples: por que este processo existe? Qual problema ele resolve? Quais atividades agregam valor? Quais controles são efetivamente necessários? Quais decisões dependem dele?
Somente depois dessas respostas deveria surgir a pergunta: o que pode ser automatizado?
A tecnologia deveria ser consequência do desenho do processo, e não seu ponto de partida.
Essa discussão também mostra por que modelos desenvolvidos para grandes organizações nem sempre podem ser simplesmente reduzidos e aplicados às pequenas empresas. De Sordi et al. (2022) destacam que pequenas organizações possuem recursos mais escassos e processos de inovação frequentemente caracterizados por maior informalidade e improvisação. Portanto, transformação tecnológica não deveria significar reproduzir, em escala menor, a arquitetura tecnológica de uma multinacional. Deve significar identificar quais problemas efetivamente justificam investimento.
Inteligência artificial sem inteligência humana
A terceira camada dessa discussão talvez seja a mais importante.
Mesmo com bons dados e processos adequadamente estruturados, a inteligência artificial não elimina a necessidade de julgamento profissional. Ao contrário: quanto maior a capacidade das máquinas de produzir respostas, maior será a importância das pessoas capazes de formular boas perguntas e avaliar criticamente essas respostas.
Rousseau e Gunia (2016), ao discutirem práticas baseadas em evidências, destacam competências como pensamento crítico, conhecimento do domínio, capacidade de formular questões, buscar e avaliar evidências e analisar resultados. São competências essencialmente humanas e extraordinariamente relevantes na era da inteligência artificial.
A questão, portanto, não deveria ser simplesmente quanto uma organização pretende investir em IA, mas quanto está investindo na capacidade de seus profissionais de utilizá-la criticamente.
Na Contabilidade isso é especialmente evidente. Uma IA pode auxiliar na análise de contratos, identificar lançamentos atípicos, preparar reconciliações, pesquisar normas contábeis ou sugerir explicações para variações financeiras. Mas reconhecer se uma conclusão é economicamente coerente, se uma interpretação normativa é aplicável às circunstâncias ou se uma informação aparentemente correta contradiz a realidade operacional continua exigindo conhecimento técnico e julgamento.
Baba e HakemZadeh (2012) lembram que decisões gerenciais frequentemente são tomadas sob pressão e com informações incompletas e defendem que a qualidade da evidência depende não apenas de sua existência, mas de elementos como rigor, relevância para o contexto, transparência e possibilidade de validação.
Esse princípio ganha ainda mais importância quando a evidência passa a ser intermediada por algoritmos.
A verdadeira transformação é decisória
Talvez seja necessário, portanto, mudar a maneira como medimos transformação digital.
O número de robôs implementados, dashboards publicados, licenças adquiridas ou projetos de IA lançados mede atividade, não necessariamente valor.
Uma organização tecnologicamente madura deveria ser aquela capaz de transformar dados confiáveis em evidências, evidências em conhecimento e conhecimento em decisões melhores.
Isso exige tecnologia, mas também governança de dados, processos conhecidos, controles adequados e profissionais capazes de questionar resultados.
Davenport e Dyché (2013), ao analisarem o uso de big data em grandes organizações, já observavam que iniciativas mais promissoras apresentavam forte relacionamento entre áreas de negócio e tecnologia. Também destacavam que profissionais de analytics precisavam não apenas dominar ferramentas quantitativas, mas comunicar resultados aos tomadores de decisão e compreender mudanças em processos e responsabilidades.
Mais de uma década depois, a inteligência artificial amplia exponencialmente essa discussão.
A vantagem competitiva dificilmente estará simplesmente em possuir acesso à IA, porque o acesso à tecnologia tende a se democratizar. Estará na capacidade de combinar tecnologia com dados confiáveis, processos eficientes e conhecimento humano.
Por isso, antes de perguntar “quanto devemos investir em inteligência artificial?”, talvez administradores, CFOs e controllers devessem fazer três perguntas mais fundamentais:
Nossos dados são confiáveis?
Nossos processos fazem sentido?
Nossas pessoas possuem conhecimento suficiente para questionar as respostas produzidas pela tecnologia?
Se alguma dessas respostas for negativa, provavelmente o próximo investimento da organização não deveria começar pela inteligência artificial.
Porque tecnologia pode acelerar processos, ampliar capacidade analítica e transformar organizações. Mas também pode acelerar erros.
E talvez a maior transformação trazida pela inteligência artificial seja justamente nos lembrar de que, no final, a qualidade de uma decisão continua dependendo da qualidade das evidências, dos processos e das pessoas que a sustentam.
Artigo escrito por André Paravela, founder na GlobalizaContábil
Referências
BABA, V. V.; HAKEMZADEH, F. Toward a theory of evidence based decision making. Management Decision, v. 50, n. 5, 2012.
DAVENPORT, T. H. From analytics to artificial intelligence. Journal of Business Analytics, v. 1, n. 2, p. 73–80, 2018.
DAVENPORT, T. H.; DYCHÉ, J. Big Data in Big Companies. SAS Institute, 2013.
DE SORDI, J. O. et al. Development of products and services in small enterprises: proposition of an artifact to discuss creative logics. Journal of Small Business and Enterprise Development, v. 29, n. 1, 2022.
ROUSSEAU, D. M.; GUNIA, B. C. Evidence-Based Practice: The Psychology of EBP Implementation. Annual Review of Psychology, v. 67, p. 667–692, 2016.
