EBOOK_Fundamentos de IA em produtos digitais_Bernard de Luna

Prévia do material em texto

Faculdade Exame – Todos os direitos reservados 
 
 
 
Fundamentos de IA em 
produtos digitais 
 
Especialista 
Bernard De Luna 
Faculdade Exame – Todos os direitos reservados 
 
 
 
Sumário 
1. Introdução 
2. Níveis de maturidade da inteligência artificial 
2.1 Modelo assistivo de IA (prompt engineering) 
2.2 Modelo de copiloto de IA 
2.3 Automação completa 
3. IA em diferentes tipos de negócios digitais 
3.1 Estratégias de crescimento 
3.1.1 Product led growth (PLG) 
3.1.2 Sales led growth (SLG) 
3.1.3 Marketing led growth (MLG) 
3.1.4 Community led growth (CLG) 
4. Definindo métricas de sucesso para produtos de IA 
4.1 Métricas de negócio 
4.2 Métricas de usuário 
4.3 Métricas de funcionalidade 
4.4 Métricas específicas para IA 
5. Desafios do uso de IA em produtos digitais 
6. Conclusão 
7. Referências 
 
 
Faculdade Exame – Todos os direitos reservados 
 
 
 
1. Introdução 
A inteligência artificial está transformando rapidamente a paisagem dos 
negócios digitais, redefinindo a forma como as empresas operam, inovam e se 
conectam com os clientes. 
A adoção de inteligência artificial em produtos digitais tem acelerado desde o 
surgimento do ChatGPT, que popularizou o uso da IA generativa. Empresas de 
todos os setores estão investindo cada vez mais para melhorar a eficiência 
operacional, personalizar a experiência do usuário e criar novas ofertas de 
produtos. Segundo um relatório do Fórum Econômico Mundial, inclusive, mais 
da metade dos CEOs e CFOs estão planejando aumentar seus investimentos em 
IA, refletindo a importância estratégica dessa tecnologia. 
Este ebook visa explorar como cada tipo de negócio faz uso da tecnologia, além 
de apresentar métricas e boas-práticas para mitigar riscos e aumentar a 
probabilidade de sucesso. O objetivo é fornecer uma visão abrangente e prática 
que ajude os profissionais a entenderem melhor as oportunidades e os desafios 
associados à integração da IA em seus produtos. 
2. Níveis de maturidade da inteligência artificial 
A compreensão dos diferentes níveis de maturidade da Inteligência Artificial é 
fundamental para aplicar essa tecnologia de forma eficaz em produtos digitais. 
Vamos explorar os três principais níveis de maturidade da IA: o modelo 
assistivo, o modelo de copiloto e a automação completa. 
2.1 Modelo assistivo de IA (prompt engineering) 
O modelo assistivo de IA, também conhecido como engenharia de prompts, é o 
primeiro nível de maturidade de Inteligência Artificial. 
Neste modelo, a IA atua de forma reativa, ou seja, ela responde a comandos 
específicos dados por um usuário. Esse modelo é comparável a uma pessoa que 
Faculdade Exame – Todos os direitos reservados 
 
 
 
precisa de instruções claras e detalhadas para realizar uma tarefa. 
Características: 
 Reativo: só responde quando solicitada; 
 Baseada em prompt: o usuário fornece comandos específicos e a IA 
executa; 
 Ampla aplicação: utilizada em várias áreas como criação de textos, 
imagens e até códigos de programação; apesar de pouco maduro, é uma 
das IAs mais utilizadas no mundo. 
Exemplo: ferramentas de IA generativa como o GPT-4, que cria conteúdos 
textuais baseados em comandos fornecidos pelo usuário. 
2.2 Modelo de copiloto de IA 
O modelo de copiloto de IA é um passo além do assistivo. Aqui, a IA não apenas 
responde aos comandos, mas também antecipa necessidades e faz 
recomendações proativas para deixar a experiência mais eficiente. Este modelo 
é comparável a um copiloto humano que auxilia o piloto durante um voo, 
fornecendo informações e sugestões em tempo real. 
Características: 
 Proativo e reativo: responde a comandos e faz sugestões proativas; 
 Assistência contínua: fornece suporte constante ao usuário; 
 Melhoria da experiência do usuário: oferece recomendações baseadas 
em comportamento e contexto. 
Exemplo: aplicativos de navegação como o Waze, que não só seguem as rotas 
fornecidas, mas também oferecem rotas alternativas em tempo real para evitar 
tráfego. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
2.3 Automação completa 
A automação completa representa o nível mais avançado de maturidade da IA, 
no qual as tarefas são totalmente automatizadas, sem a necessidade de 
intervenção humana. Neste modelo, a IA opera de forma autônoma, tomando 
decisões e executando tarefas de forma independente. 
Características: 
 Totalmente autônoma: não requer intervenção humana; 
 Alta complexidade: utiliza algoritmos avançados e grandes volumes de 
dados para tomar decisões; 
 Aplicação em nichos específicos: mais comum em setores como 
manufatura e logística, onde processos repetitivos podem ser 
completamente automatizados. 
Exemplo: sistemas de automação industrial, como o IBM Watson, que podem 
gerenciar processos complexos de manufatura de forma autônoma. 
Cada nível oferece diferentes capacidades e benefícios; a escolha da tecnologia 
adequada depende dos objetivos específicos e do contexto em que a IA será 
aplicada. 
3. IA em diferentes tipos de negócios digitais 
Para aproveitar ao máximo o potencial da IA, devemos entender como ela pode 
ser aplicada nas principais estratégias de crescimento utilizadas no mercado. 
Vamos explorar as estratégias de crescimento PLG (product led growth), SLG 
(sales led growth), MLG (marketing led growth) e CLG (community led growth), 
e como a IA pode ser utilizada para potencializar cada uma delas. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
3.1 Estratégias de crescimento 
3.1.1 Product led growth (PLG) 
O crescimento liderado por produto (PLG) é uma abordagem na qual o produto 
em si é o principal motor do crescimento. Neste modelo, os usuários podem 
experimentar o produto gratuitamente antes de decidir pela compra de 
funcionalidades adicionais. 
Aplicação: 
 Recomendações personalizadas: a IA pode ser utilizada para oferecer 
recomendações personalizadas aos usuários, aumentando o 
engajamento e a probabilidade de conversão. Plataformas como Spotify, 
por exemplo, utilizam algoritmos de IA em PLG para recomendar músicas 
baseadas no histórico de escuta do usuário. 
 Análise de uso: ferramentas de IA podem analisar como os usuários 
interagem com o produto, de forma a identificar oportunidades para 
melhorar a experiência do usuário, incentivando a adoção de 
funcionalidades pagas. 
Casos reais de uso: 
 Dropbox: um dos primeiros serviços de armazenamento de nuvem, o 
Dropbox possui uma versão gratuita com capacidade e 
funcionalidades limitadas. A versão paga, que vem junto de serviços 
de IA, é capaz de organizar arquivos automaticamente, oferecer 
sugestões de compartilhamento e detectar anomalias e possíveis 
violações de segurança; 
 Trello: oferece uma versão gratuita com funcionalidades básicas, 
enquanto a IA ajuda a identificar padrões de uso e sugerir upgrades 
para funcionalidades avançadas. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
No caso do Spotify, o usuário tem acesso a uma versão gratuita com 
anúncios e funcionalidades limitadas. Além de todos os eventuais benefícios 
da versão paga, as recomendações e funcionalidades personalizadas são um 
diferencial a mais para incentivar o consumidor a virar cliente. 
3.1.2 Sales led growth (SLG) 
O crescimento liderado por vendas (SLG) depende fortemente de um time de 
vendas afiado para converter leads (possíveis clientes) em clientes pagantes. 
Essa abordagem é comum em empresas que oferecem produtos complexos ou 
de alto valor. 
Aplicação: 
 Automação de vendas: a IA pode automatizar partes do processo de 
vendas, como a qualificação de leads e o agendamento de reuniões, 
liberando os vendedores para focarem em atividades mais estratégicas; 
 Copiloto de vendas: algumas ferramentas utilizam IA para atuar como 
copilotos de vendas, oferecendo insights e recomendações para 
melhorar a eficácia das interações de vendas. 
Casos de uso reais: 
 HubSpot: aplataforma de CRM utiliza IA para automatizar tarefas de 
vendas, qualificar leads e fornecer insights para a equipe de vendas; 
 Salesforce: implementa IA para analisar dados de clientes e prever 
quais leads têm maior probabilidade de conversão, otimizando os 
esforços de vendas. 
3.1.3 Marketing led growth (MLG) 
O crescimento liderado por marketing (MLG) utiliza campanhas publicitárias 
para atrair e converter clientes. Essa estratégia é eficaz para produtos que 
dependem de uma forte presença de marca e visibilidade no mercado. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
Aplicação: 
 Segmentação de público: a IA pode analisar dados demográficos e 
comportamentais para segmentar o público de forma mais eficaz, 
permitindo campanhas de marketing mais direcionadas e 
personalizadas; 
 Otimização de anúncios: algoritmos de IA podem ajustar 
automaticamente anúncios em plataformas como Google e Facebook, 
maximizando o retorno sobre o investimento da publicidade. 
Casos de uso reais: 
 Airbnb: utiliza IA para segmentação avançada de público e 
personalização de anúncios, aumentando a eficácia das campanhas 
de marketing; 
 Netflix: emprega algoritmos de IA para recomendar conteúdos, 
baseando-se nas preferências e comportamentos dos usuários, o que 
melhora o engajamento e a retenção. 
3.1.4 Community led growth (CLG) 
O crescimento liderado por comunidade (CLG) é uma abordagem que utiliza o 
poder das comunidades para impulsionar o crescimento da organização. 
Empresas que adotam essa estratégia investem em construir e nutrir 
comunidades de usuários engajados. 
Aplicação: 
 Engajamento de comunidade: ferramentas de IA podem ajudar a 
moderar e engajar comunidades online, identificando tópicos de 
interesse e facilitando interações significativas entre os membros; 
Faculdade Exame – Todos os direitos reservados 
 
 
 
 Análise de sentimento: a IA pode analisar o sentimento das discussões 
dentro da comunidade, ajudando a identificar tendências e ajustar 
estratégias de engajamento. 
Casos de uso reais: 
 Duolingo: utiliza IA para criar desafios personalizados e promover a 
participação ativa da comunidade de usuários. 
 Reddit: implementa IA para moderar discussões, identificar tendências 
e melhorar a experiência geral da comunidade. 
4. Definindo métricas de sucesso para produtos de IA 
Medir o sucesso de produtos de inteligência artificial é a forma mais eficaz de 
garantir que eles estejam atingindo seus objetivos e proporcionando valor aos 
usuários e ao negócio 
Para isso, é fundamental identificar e utilizar as métricas adequadas. Essas 
métricas podem ser divididas em três categorias principais: de negócio, de 
usuário e de funcionalidade. Além disso, há indicadores específicos que ajudam 
a avaliar a eficácia dos modelos de IA utilizados. 
4.1 Métricas de negócio 
As métricas de negócio são essenciais para avaliar a saúde financeira e o 
desempenho geral de um produto ou serviço. Ao comparar os números pré e 
pós implementação de IA, entende-se o impacto da solução. 
 Receita recorrente mensal (MRR) e Receita recorrente anual (ARR): 
MRR: refere-se à receita mensal gerada de forma recorrente pelos clientes. É 
uma métrica importante para empresas que oferecem serviços baseados em 
assinaturas. 
ARR: similar ao MRR, mas calculado anualmente. É útil para negócios que 
Faculdade Exame – Todos os direitos reservados 
 
 
 
possuem contratos anuais ou multianuais. 
 Perda de receita (revenue churn): 
Essa métrica indica a quantidade de receita perdida devido ao cancelamento de 
assinaturas ou redução de planos. É importante não apenas monitorar a saída 
de clientes, mas também a redução de receita de clientes existentes. 
 Receita média por usuário (ARPU): 
Mede a receita média gerada por cada usuário em um determinado período; 
ajuda a entender o valor que cada cliente traz para o negócio. 
 Economia unitária (unit economics): 
Avalia a viabilidade financeira do produto ao medir o custo de aquisição de 
clientes (CAC) em relação ao valor de vida útil do cliente (LTV). A recomendação 
é que a razão LTV/CAC seja superior a três para garantir sustentabilidade. 
4.2 Métricas de usuário 
As métricas de usuário são fundamentais para entender o comportamento, a 
satisfação e o engajamento dos usuários com o produto de IA. É uma das formas 
mais diretas de se medir o impacto de um modelo. 
 Net Promoter Score (NPS) e customer satisfaction (CSAT): 
NPS: mede a probabilidade dos usuários recomendarem o produto a outras 
pessoas, baseado em uma escala de 0 a 10. Embora tenha sido amplamente 
utilizado, o NPS está sendo cada vez mais criticado por oferecer poucos insights 
efetivamente tangíveis. 
CSAT: avalia a satisfação dos clientes com o produto ou serviço. É uma métrica 
direta que ajuda a identificar áreas de melhoria. 
 Saúde do cliente (customer health score): 
Faculdade Exame – Todos os direitos reservados 
 
 
 
Avalia a probabilidade de retenção de clientes com base em vários indicadores, 
como uso do produto, frequência de login e interações de suporte. 
 Engajamento do cliente (customer engagement): 
Mede o nível de interação e envolvimento dos usuários com o produto. 
Indicadores comuns incluem tempo gasto no produto, frequência de uso e 
número de funcionalidades utilizadas. 
4.3 Métricas de funcionalidade 
As métricas de funcionalidade ajudam a avaliar a eficácia e a eficiência das 
funcionalidades específicas do produto de IA. 
 Aderência (stickiness): 
Mede o quão frequentemente os usuários voltam a utilizar o produto em um 
período definido, como o número de dias ativos no mês. 
 Taxa de conclusão de tarefas: 
Avalia a capacidade dos usuários em completar tarefas específicas dentro do 
produto, indicando a usabilidade e a eficiência da funcionalidade. É 
particularmente útil dentro do contexto de IA. 
 Rastreamento de eventos (event tracking): 
Monitora ações específicas dos usuários dentro do produto, permitindo a 
criação de métricas personalizadas baseadas no comportamento do usuário. 
4.4 Métricas específicas para IA 
Além das métricas tradicionais (que, como vimos, podem ser aplicadas a 
soluções de Inteligência Artificial), produtos de IA requerem métricas 
específicas para avaliar sua performance. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
 Precisão da classificação (classification accuracy): 
Mede a precisão das previsões feitas pelo modelo de IA. É fundamental para 
garantir que o modelo está funcionando correta e eficientemente. 
 Recall: 
Avalia a capacidade do modelo de identificar corretamente todos os exemplos 
positivos dentro de um conjunto de dados. 
 F1 score: 
Combina a precisão e o recall em uma única métrica, proporcionando uma visão 
equilibrada da performance do modelo de IA. 
 Sensatez da resposta (SSA): 
Avalia a coerência e relevância das respostas geradas pelo modelo de IA. É 
especialmente útil em chatbots e sistemas de diálogo. 
5. Desafios do uso de IA em produtos digitais 
A eficiência dos modelos de IA depende inteiramente da qualidade dos dados 
com os quais eles são treinados e dos prompts e diretrizes que os orientam. Se 
não forem seguidos padrões éticos rigorosos, as soluções de IA podem 
perpetuar preconceitos, discriminações e outras práticas prejudiciais. Abaixo, 
confira uma lista dos principais desafios e problemas, além de observar como 
eles podem ser mitigados. 
 Vieses e preconceito: 
Suponha a seguinte situação: um pesquisador quer saber qual candidato tem a 
maior probabilidade de ganhar a próxima eleição, mas, ele só entrevista 
pessoas brancas e de classe média-alta. Seus dados serão enviesados, pois só 
levarão em conta um grupo social, ao invés de abrir o escopo, como deveria ser 
Faculdade Exame – Todos os direitos reservados 
 
 
 
feito. 
Algoritmos de inteligência artificial podem amplificar preconceitos existentesnos dados de treinamento, resultando em decisões enviesadas que afetam 
negativamente determinados grupos. 
Mitigação: é preciso implementar processos de revisão e auditoria constantes 
para identificar e corrigir vieses nos modelos de IA. Isso inclui a utilização de 
dados diversos e representativos durante o treinamento, além da consulta a 
especialistas em ética. 
 Transparência e explicabilidade: 
Muitas vezes, os modelos de IA são complexos, dificultando a compreensão de 
como chegam às suas conclusões. Isso pode levar a uma falta de confiança por 
parte dos usuários e stakeholders. 
Mitigação: desenvolver modelos de IA que sejam explicáveis e transparentes, 
oferecendo justificativas claras para as decisões tomadas. Ferramentas como 
LIME (local interpretable model-agnostic explanations; veja mais sobre isso na 
seção de “ParaSaber+” deste e-book) podem ajudar a explicar as previsões dos 
modelos. 
 Dados vazados e segurança: 
A segurança de dados é outro desafio significativo ao utilizar inteligência 
artificial em produtos digitais. Como a IA depende de grandes volumes de dados 
para existir, a proteção desses dados contra acessos não autorizados e, 
principalmente, vazamentos é essencial. 
Vazamentos de dados podem ocorrer devido a falhas de segurança, resultando 
em exposição de informações sensíveis. Isso não apenas prejudica os usuários, 
mas também pode levar a penalidades legais e danos permanentes à reputação 
da empresa. 
Faculdade Exame – Todos os direitos reservados 
 
 
 
Mitigação: implementar medidas robustas de segurança cibernética, incluindo 
criptografia de dados, controle de acesso rigoroso e monitoramento contínuo de 
atividades suspeitas. Realizar auditorias de segurança regulares para identificar 
e corrigir vulnerabilidades. 
 Governança de dados: 
A falta de uma governança de dados adequada pode resultar em problemas 
como a duplicação de informações, inconsistências e dificuldades para garantir 
a conformidade com regulamentações de proteção de dados, como a LGPD. 
Mitigação: estabelecer políticas claras de governança de dados, definindo 
responsabilidades, procedimentos de manuseio de dados e protocolos de 
conformidade. Ferramentas de gerenciamento de dados, como o Azure Purview 
da Microsoft e o tradicional Atlas, da Apache, podem ajudar a manter a 
integridade e a qualidade das informações. 
 Projeção de custos 
A implementação e manutenção de soluções de IA podem ser bem caras, 
exigindo investimentos significativos em infraestrutura, talentos e 
desenvolvimento contínuo. Isso inclui custos com hardware, software, serviços 
em nuvem e profissionais especializados. 
Mitigação: realizar uma análise de custo-benefício detalhada antes de iniciar 
projetos de inteligência artificial. Optar por soluções escaláveis e considerar o 
uso de serviços de IA baseados em nuvem, que oferecem flexibilidade e podem 
reduzir os custos iniciais. 
 Ausência de métricas para justificar o investimento: 
Sem métricas adequadas – como as que vimos anteriormente – para medir o 
impacto das soluções de IA, é muito difícil medir o retorno sobre o investimento 
inicial (ROI). 
Faculdade Exame – Todos os direitos reservados 
 
 
 
Ao dificultar a visualização de benefícios (tanto tangíveis quanto intangíveis), 
dificulta-se também, a justificativa para o investimento, o que pode colocá-lo 
em xeque. 
Mitigação: definir KPIs (key performance indicators) claros e alinhados aos 
objetivos de negócio. Monitorar e avaliar continuamente o desempenho das 
soluções de IA para garantir que estão gerando o valor esperado. 
 Falta de transparência com os usuários: 
Informar os usuários sobre como seus dados são utilizados e garantir que eles 
tenham controle sobre suas informações pessoais é fundamental para construir 
confiança e lealdade. 
Mitigação: desenvolver políticas de privacidade claras e acessíveis; fornecer 
ferramentas para que os usuários possam gerenciar suas preferências de 
dados. 
6. Conclusão 
O futuro da IA em produtos digitais é promissor e cheio de possibilidades. À 
medida que a tecnologia continua a evoluir, novas aplicações e inovações 
surgirão, transformando ainda mais a maneira como vivemos e trabalhamos. As 
empresas que adotarem uma abordagem proativa, ética e estratégica na 
implementação de IA estarão mais bem posicionadas para aproveitar essas 
oportunidades e liderar o mercado. 
Para garantir uma implementação eficaz para a tecnologia, garanta que sua 
solução tenha/faça o seguinte: 
 Educação e capacitação: invista em educação contínua e capacitação da 
equipe para garantir que todos estejam atualizados com as últimas 
tendências e melhores práticas relativas à IA; 
Faculdade Exame – Todos os direitos reservados 
 
 
 
 Pilotagem e testes: comece com projetos piloto para testar a viabilidade 
e o impacto das soluções antes de uma implementação em larga escala; 
 Feedback contínuo: mantenha um ciclo contínuo de feedback e 
melhorias com base nas métricas e nos insights obtidos; 
 Colaboração e parcerias: colabore com especialistas e forme parcerias 
estratégicas para fortalecer as capacidades da organização; 
 Adaptação e flexibilidade: esteja preparado para adaptar estratégias e 
abordagens conforme necessário para responder a novos desafios e 
oportunidades. 
A integração eficaz da inteligência artificial em produtos digitais requer uma 
abordagem holística que considere tanto os aspectos técnicos quanto os 
humanos – pensando, também, na segurança de dados. 
Ao aderir às melhores práticas e manter o foco na ética e na responsabilidade, 
as organizações podem desbloquear todo o potencial da IA, criando produtos 
inovadores que transformam a experiência dos usuários e geram valor 
duradouro. 
 
INTERPRETML. Local Interpretable Model-agnostic Explanations. [S. l.], 
2023. Disponível em: 
https://interpret.ml/docs/lime.html#:~:text=LIME%20works%20by%20pertur
bing%20any,set%20for%20the%20glassbox%20model. Acesso em: 22 maio 
2024. 
7. Referências 
CARRARO, Fabrício. Inteligência artificial e ChatGPT: da revolução dos 
Faculdade Exame – Todos os direitos reservados 
 
 
 
modelos de IA generativa à engenharia de prompt. São Paulo, SP: Casa do 
Código, 2023. E-book. Disponível em: https://plataforma.bvirtual.com.br. 
Acesso em: 08 nov. 2024. 
EIS, Diego. Gestão moderna de produtos digitais: o produto digital como um 
meio de entregar valor para o usuário e para o negócio. São Paulo, SP: Casa do 
Código, 2022. E-book. Disponível em: https://plataforma.bvirtual.com.br. 
Acesso em: 08 nov. 2024. 
PEREIRA, Rogério. User experience design: como criar produtos digitais com 
foco nas pessoas. São Paulo, SP: Casa do Código, 2018. E-book. Disponível 
em: https://plataforma.bvirtual.com.br. Acesso em: 08 nov. 2024. 
SCHEIDEGGER, Jorge. Ah, se eu soubesse (inteligência artificial): uma 
viagem aos "cérebros eletrônicos". 1. ed. Nova Lima, MG: Falconi, 2021. E-
book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 08 nov. 
2024.