Infelizmente, a IA está falhando em todos os lugares. A taxa de abandono de projectos reflecte uma tendência mais ampla de desalinhamento de recursos e descuidos estratégicos. Os rápidos avanços nas capacidades de IA foram acompanhados pelo aumento da complexidade e especificidade dos requisitos de dados. Muitas organizações precisam de ajuda para obter e gerenciar dados de alta qualidade para implantações de IA bem-sucedidas, o que se tornou um obstáculo que a maioria das empresas deve superar.
Dados são o problema
A má qualidade dos dados é um fator central que contribui para o fracasso dos projetos. À medida que as empresas se aventuram em aplicações de IA mais complexas, a procura de conjuntos de dados personalizados e de alta qualidade expôs deficiências nos dados empresariais existentes. Embora a maioria das empresas entendesse que seus dados poderiam ter sido melhores, elas não sabiam até que ponto isso era ruim. Durante anos, as empresas têm descartado os dados, sem vontade de corrigi-los, enquanto acumulam dívidas técnicas.
A IA exige dados excelentes e precisos que muitas empresas não possuem – pelo menos, não sem muito trabalho. É por isso que muitas empresas estão desistindo da IA generativa. Os problemas de dados são demasiado caros para resolver e muitos CIOs que sabem o que é bom para as suas carreiras não querem assumir isso. As complexidades na rotulagem, limpeza e atualização de dados para manter a sua relevância para os modelos de formação tornaram-se cada vez mais desafiantes, sublinhando outra camada de complexidade que as organizações devem navegar.
