Líderes empresariais de diversos setores continuam a enxergar a inteligência artificial generativa (IA) como uma força transformadora capaz de remodelar operações, engajamento com clientes e tomada de decisões estratégicas. No entanto, apesar do entusiasmo generalizado e da rápida adoção impulsionada pelo lançamento do ChatGPT há três anos, muitas organizações estão lutando para alcançar retornos substanciais e consistentes de suas iniciativas em IA. Pesquisas recentes de empresas líderes como Forrester e Boston Consulting Group (BCG) evidenciam uma realidade preocupante: apenas uma pequena porcentagem de empresas—cerca de 15% para a Forrester e 5% para a BCG—obtiveram melhorias significativas nos resultados de negócios relacionados a seus esforços com IA generativa. Esse sucesso limitado decorre de diversos desafios persistentes enfrentados pelas tecnologias de IA generativa. Um problema principal é a tendência da IA de produzir respostas excessivamente agradáveis ou simplistas, muitas vezes sem o devido grau de nuance crítica ou sem desafiar adequadamente as entradas recebidas. Isso reduz a profundidade e a confiabilidade dos insights gerados pela IA. Além disso, a inconsistência na entrega de resultados precisos complica o uso prático, especialmente ao lidar com documentos complexos, extensos ou específicos de um domínio. Exemplos do mundo real ilustram essas dificuldades: o motor de recomendação de vinhos alimentado por IA do CellarTracker enfrenta dificuldades para interpretar com precisão as preferências dos usuários diante de diversas terminologias vinícolas e distinções sutis, enquanto a ferramenta de IA da Cando Rail, criada para resumir regras de segurança, encontra obstáculos em manter a precisão ao lidar com textos regulatórios extensos. O atendimento ao cliente está entre as aplicações mais maduras das tecnologias de chatbots. Empresas como Klarna e Verizon adotaram chatbots de IA para gerenciar consultas rotineiras, gerando eficiências operacionais e reduções de custos.

No entanto, há uma crescente conscientização de que a IA não consegue substituir totalmente agentes humanos no manejo de interações complexas, sensíveis ou nuanceadas com clientes. A falta de empatia semelhante à humana e a incapacidade de compreender sutilezas contextuais limitam a efetividade da IA nesses cenários, tornando indispensável a supervisão contínua de humanos. Especialistas descrevem o estado atual da IA generativa como uma “fronteira acidentada”, refletindo desempenho desigual em diferentes casos de uso. Quando bem aplicada, a IA destaca-se em tarefas como geração de linguagem e sumarização de dados, mas encontra dificuldades em atividades que exigem compreensão profunda de contextos ou conhecimentos especializados. Desafios na interpretação precisa de dados geográficos ou expressões coloquiais relacionadas ao tempo evidenciam a necessidade de desenvolvimento e aperfeiçoamento contínuos. Para superar esses obstáculos e maximizar o valor da IA, as empresas estão investindo fortemente na realização de uma colaboração estreita entre suas equipes internas e os fornecedores de tecnologia de IA. Líderes do setor, como OpenAI e Anthropic, juntamente com startups inovadoras como a Writer, estão incorporando seus engenheiros às organizações clientes para co-criar soluções personalizadas de IA, adaptadas às necessidades específicas dos negócios e aos fluxos de trabalho. O consenso predominante no ambiente empresarial e tecnológico é de que, apesar do enorme potencial da IA generativa, a realização de sua totalidade exige aplicações mais focadas, envolvimento humano contínuo e disposição para uma reformulação significativa dos processos e das competências existentes. A IA generativa deve ser vista como uma ferramenta potente de augmentação, e não uma solução autônoma. Com estratégia deliberada e esforço sustentado, as organizações podem evoluir de experimentações iniciais para a obtenção de resultados de negócios mensuráveis, posicionando a IA como um fator chave para vantagem competitiva nos anos vindouros.