Uma estratégia raramente se apoia em todos os factos disponíveis. Apoia-se num número limitado de suposições que, no momento em que foram escritas, eram sensatas e que depois nunca mais foram reabertas. Uma delas é frequentemente: a nossa vantagem de conhecimento mantém-se, porque estamos há mais tempo neste ramo, vimos mais clientes, resolvemos mais casos excepcionais do que quem está agora a entrar. Essa suposição veio de algum lado. Anos de experiência de especialistas, dossiers e precedentes que não se copiavam em meio ano, uma curva de aprendizagem que os recém-chegados simplesmente tinham de percorrer. Isso não era excesso de confiança. Era uma leitura razoável de como o conhecimento se construía: lentamente, em pessoas, ao longo de anos.
A suposição estava correta porque o conhecimento e a pessoa que o detinha eram praticamente inseparáveis. Se um concorrente quisesse igualar a sua vantagem, teria de contratar pessoas com os mesmos anos de experiência, ou investir ele próprio esses anos. Ambas as opções eram lentas e visíveis. O senhor via um concorrente a recrutar ou a construir essa base, e tinha tempo para reagir. A vantagem não era, portanto, apenas de conteúdo, era também uma diferença de ritmo que podia acompanhar.
A IA está a assumir trabalho, e isso não acontece da mesma forma em todas as categorias. Numa parte das tarefas de conhecimento, um modelo de linguagem ou de análise consegue fazer sozinho a primeira passagem: reconhecer padrões em dossiers, elaborar um parecer com base em precedentes, resumir uma análise que antes custava a um sénior um dia de trabalho. Noutra parte, funciona com supervisão humana: o modelo faz a proposta, um especialista aprova ou rejeita e fundamenta o porquê. Numa outra parte ainda, pouco muda, porque o julgamento é demasiado dependente do contexto ou demasiado arriscado para automatizar. Essa divisão é diferente por empresa e por tarefa, e é precisamente esse o ponto: não é um avanço geral, é uma mudança que ocorre tarefa a tarefa, e as empresas que mapeiam isso por tarefa estão, neste momento, avançadas em relação às empresas que ainda discutem a questão a nível estratégico.
De onde vem essa diferença, normalmente não é de conteúdo. Está em quem já colocou a questão ao nível do próprio trabalho, e quem ainda a coloca ao nível do setor. A mesma lógica aplica-se à suposição de que este trabalho não é possível de padronizar: o que outrora se considerava demasiado específico para automatizar, revela-se muitas vezes, ao ser testado, parcialmente decomponível em passos repetíveis.
A consequência para a vantagem de conhecimento especificamente: a diferença de ritmo que antes conseguia acompanhar já não está garantidamente visível. Um concorrente não precisa de contratar dez pessoas séniores para atingir o seu nível numa subtarefa. Só precisa de reconhecer a tarefa certa como adequada para ser assumida pela IA, e organizar bem a supervisão sobre isso. Pode fazê-lo sem que o senhor veja acontecer, até o resultado estar sobre a mesa.
Os sinais normalmente não estão nos números deste trimestre. Estão em comportamentos que atribui a outra causa. Uma proposta de um concorrente menor que, em termos de conteúdo, é tão precisa como antes só os seus séniores conseguiam entregar, e mais rápida. Um cliente que pergunta porque uma análise que consigo demora uma semana, é feita noutro lugar num dia. Novos entrantes que, sem a curva de aprendizagem de anos, já falam ao mesmo nível. Cada um desses sinais é explicável isoladamente, e é precisamente por isso que a suposição permanece tanto tempo sem ser notada: não há um único momento em que ela se quebre visivelmente, apenas uma série de casos isolados que só depois, em retrospetiva, formam um padrão.
A questão subjacente é a mesma que na suposição de que a dimensão de escala oferece proteção: uma vantagem que outrora era lenta de igualar, só se torna pouco confiável quando outra pessoa salta o passo lento. Na vantagem de conhecimento, esse passo lento é a curva de aprendizagem, e é precisamente esse passo que é saltado onde uma tarefa se presta a ser assumida por um modelo.
Para saber se a suposição ainda se mantém, não basta perguntar se as suas pessoas continuam a ser boas. Provavelmente ainda são. A questão é se a vantagem delas continua a ser o obstáculo para quem o quer igualar. Isso exige acompanhar três coisas: por tarefa de conhecimento, se se enquadra na categoria totalmente assumível, assumível com supervisão, ou trabalho humano, e se essa classificação foi verificada recentemente; há quanto tempo foi confirmado por último que um concorrente ainda não tinha dado esse passo, e com base em que sinal; e se a margem que atribui a essa vantagem de conhecimento está registada como suposição separada com uma data, para que fique claro quando foi testada por último em vez de apenas repetida. Onde o tema toca em decisões de pessoal, aplicam-se requisitos legais próprios; estes não são aqui tratados.
A questão subjacente — que trabalho nesta empresa pode realmente ser assumido pela IA — é respondida por tarefa através do werkscan da FTE TO AI, não ao nível de todo o setor.
Quem quiser saber se esta suposição ainda se mantém na sua própria empresa, pode começar com a verificação gratuita de suposições: uma ronda breve em que identifica as suas principais suposições e vê, por suposição, quando foi confirmada por último. A prova estratégica completa está em preparação.
Stel uw vraag. Vaak zit de echte vraag een laag dieper — daar mag ik naar vragen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.