Veja esses conselhos de especialistas de Inteligência Artificial de Stanford (Universidade na Califórnia, EUA) sobre como agir rápido e aumentar a eficiência da sua empresa.
No início de 2023, enquanto o ChatGPT ultrapassava 100 milhões de usuários, Kuang Xu estava ministrando uma nova aula que abordava uma das questões mais urgentes deste momento transformador: Agora que estamos aparentemente à beira da era da inteligência artificial, como usar essas tecnologias da melhor maneira?
Ou, mais precisamente, como Kuang resume as perguntas centrais da disciplina AI and Data Science: Strategy, Management, and Entrepreneurship:
“Como você cria produtos profundamente integrados ou impulsionados por IA e ciência de dados? E, por outro lado, como você gerencia equipes que trabalham com IA e ciência de dados?”
Kuang, professor de operações, informação e tecnologia (OIT) na Stanford GSB, cujo foco de pesquisa é o uso da IA e da tomada de decisões baseadas em dados para impulsionar negócios e políticas, vem lidando com esses tópicos há algum tempo. “Na verdade, comecei a pensar nessa aula muito antes de o ChatGPT se tornar popular,” ele explica. O currículo foi informado por sua pesquisa e trabalho de consultoria, onde ele viu o que acontece quando as empresas montam equipes de IA ou ciência de dados às pressas em resposta à pressão de seus conselhos. “Cinco anos depois, todos vão embora ou são demitidos. Por quê? Porque nunca se integraram. Não é uma coisa trivial integrar essas novas tecnologias.”
Ninguém quer perder as oportunidades que a IA oferece. Mas por onde começar? IA tornou-se um termo genérico para tudo, desde ferramentas generativas como o ChatGPT e aprendizado de máquina (machine learning) até visão computacional e automação de processos robóticos. Como os líderes empresariais podem descobrir quais ferramentas de IA precisam e, em seguida, agir rapidamente sem causar problemas — ou afetar as pessoas com quem trabalham? Aqui, Kuang e outros professores da GSB (Graduate School of Business) oferecem suas perspectivas sobre os passos que você pode dar para implantar a IA de forma ágil, estratégica e responsável.
Prepare-se para embarcar
“Até recentemente, empresas de fora do setor de tecnologia vinham para o programa Exec Ed da Stanford GSB preocupadas por estarem atrasadas em relação à IA,” diz Susan Athey, PhD ’95, professora de economia na GSB e especialista em aprendizado de máquina, bem como em governança e ética em IA. “Eu frequentemente as tranquilizava dizendo que formas mais complexas de IA não traziam valor suficiente para justificar o investimento.”
No entanto, isso mudou no último ano ou dois: a qualidade da IA explodiu justamente quando mais empresas começaram a levar a sério a coleta e análise de dados. “Essa combinação,” diz Athey, “nos coloca em uma posição em que as coisas vão se mover muito rapidamente.”
A adoção em massa do ChatGPT é um sinal concreto de que a corrida pela IA chegou, diz Gabriel Weintraub, professor de OIT especializado em ciência de dados. Recentemente, ele apresentou uma estrutura para avaliar oportunidades de investimento em IA em um workshop sobre o uso da IA para transformação empresarial que organizou com seus colegas Mohsen Bayati e Stefanos Zenios. “Acreditamos que isso é real,” afirma Weintraub. Para o líder empresarial curioso sobre IA, ele recomenda rapidez e cautela. “Acho que você precisa mergulhar — mas de maneira pensada. Quando há todo esse hype, é muito fácil esquecer o básico. Você ainda está criando valor ao abordar um ponto de dor do cliente, e, basicamente, o que a IA está fazendo é lhe oferecer novas e potencialmente transformadoras maneiras de criar valor.”
Embora a pressão para agir seja intensa, a IA pode não ser essencial para todos os negócios neste momento. “Acho que isso depende absolutamente do negócio,” diz Kuang. Ele sugere um experimento mental para quem está em dúvida: Imagine um oráculo que pode responder a qualquer pergunta sobre o futuro do seu negócio. Se ele pudesse prever a demanda pelo seu produto, isso mudaria seu preço? “Quando você começa a fazer essas perguntas, a questão se torna mais concreta, e as pessoas percebem: ‘Ah, provavelmente não posso mudar meu preço por causa de barreiras regulatórias ou preocupações com a reputação.’”
Agora use o mesmo processo para avaliar uma possível solução de IA: Se ela funcionar como planejado, o que você faria de diferente? Se a resposta for “não muito,” talvez seja melhor esperar antes de investir em algo como um aplicativo de análise impulsionado por IA. “A conclusão,” diz Kuang, “é que IA e ciência de dados devem ajudar você a tomar decisões melhores. Sempre. Se não há como você mudar sua operação ou tomada de decisão, ter mais informações não lhe ajuda.”
Amir Goldberg, professor associado de comportamento organizacional cuja pesquisa incorpora ciência de dados e estudos organizacionais, enfatiza os desconhecidos e as complexidades que ainda cercam a IA. “Para certas coisas onde o problema de otimização é bem definido, como aspectos simples da gestão da cadeia de suprimentos, adotar IA é uma escolha óbvia porque está comprovada e sabemos como usá-la. Mas em outras coisas, como gerenciar relacionamentos com seus funcionários, as oportunidades e os riscos parecem colossais.” De modo geral, ele diz, “Não é uma decisão binária: Eu faço IA ou não faço IA? É: Como eu integro a IA nas minhas operações?”
Encontre as ferramentas certas
Para integrar a IA, você precisa de uma estratégia. “Se você ainda não tem uma estrutura em vigor para implantar uma solução de IA, será muito mais difícil,” diz Mohsen Bayati, professor de OIT que estuda as bases matemáticas e algorítmicas da IA na tomada de decisões baseada em dados. Você não está sozinho se ainda não tem uma estratégia de IA. Pouco mais de 50% dos “alto-performers em IA” relatam ter uma estratégia ou visão claramente definida de IA, segundo a McKinsey. E quase 80% de todas as outras empresas ainda não desenvolveram uma estratégia de IA.
O próximo passo é encontrar as ferramentas certas, o que exige equilibrar curiosidade com cautela. Mais soluções de IA estão agora facilmente disponíveis, “mas isso não eliminou o desafio de combinar a solução certa com a pergunta certa,” diz Jann Spiess, professor assistente de OIT que estuda tomada de decisões baseada em dados e interação homem-IA. Se você compra ou constrói suas ferramentas de IA, é essencial garantir que “elas realmente façam algo e não apenas resolvam cegamente algum problema técnico que pode não ser o certo para progredir.”
Athey observa que o campo se abriu para empresas com menos poder técnico — mas as aplicações plug-and-play ainda não foram aperfeiçoadas para muitos aplicativos voltados para o cliente ou críticos para a missão. “Não é uma má ideia para as empresas tentarem se envolver com as novas ferramentas, porque as barreiras à adoção são menores”, diz ela. “Mas ainda acho que há uma grande diferença entre algo que funciona mais ou menos e algo que realmente funciona e é seguro. Não temos ferramentas prontas para ajudar as empresas a avaliar o desempenho e gerenciar o risco. Existem tantas dimensões a considerar e não há abordagens estabelecidas o suficiente para resolver problemas quando eles são identificados.”
Paradoxalmente, a súbita explosão das capacidades da IA pode tornar mais difícil encontrar as ferramentas certas. Bayati chama isso de “lacuna de alinhamento”. Normalmente, quando as pessoas levantam preocupações sobre o alinhamento da IA, estão pensando nos riscos existenciais representados por uma IA superinteligente descontrolada. Bayati se refere a questões mais imediatas e práticas: como você sabe se uma ferramenta de IA pode realmente realizar as tarefas que você lhe atribui? Além disso, que estratégias você pode usar para adaptar a IA quando ela não atende às suas expectativas?
Isso era menos problemático com os modelos de IA mais antigos, que eram treinados em um conjunto limitado de problemas e dados. Novas ferramentas, como modelos de linguagem de grande escala, vão muito além de seu treinamento para realizar coisas que seus desenvolvedores nunca anteciparam. O ChatGPT foi inicialmente projetado para prever a próxima palavra em uma frase — quem poderia imaginar que ele seria capaz de passar em exames de MBA, depurar códigos ou obter ótimos resultados em testes de desenvolvimento cognitivo? “É aí que está a lacuna de alinhamento — as diferenças entre o treinamento e a tarefa”, diz Bayati.
Faça um teste com a Inteligência Artificial
“Avaliar a lacuna de alinhamento não é necessariamente fácil, mas você pode tentar verificá-la com um pequeno experimento”, continua Bayati. Ele e Weintraub sugerem testar ferramentas de IA em “frutas maduras”, como otimizar processos e fluxos de trabalho, antes de se comprometer com uma implantação em grande escala. “Encontre um pequeno problema ou uma pequena oportunidade para introduzir essa ferramenta e, em seguida, descubra maneiras de testá-la”, diz Bayati. “Iterar rapidamente é fundamental para responder à pergunta: ‘Nossa abordagem de usar IA para resolver esse problema é importante? Isso vai realmente fazer a diferença ou não?’”
Kuang também recomenda a prototipagem e a exploração, começando com aplicativos nos quais ajustes podem gerar insights sem grandes interrupções ou prejuízos. “As aplicações onde você viu a experimentação ser implementada com sucesso geralmente são aquelas onde não há decisões críticas de alto perfil”, diz ele. Os mecanismos de recomendação usados por sites de filmes e músicas são um bom exemplo. “Se eu recomendar uma música que não é do seu gênero, ninguém se machuca.”
No entanto, os riscos podem surgir rapidamente ao recalibrar funções mais sensíveis, como precificação. “Mesmo para empresas que são muito orientadas por dados e aprendizado de máquina, elas são muito conservadoras ao usar IA para conduzir experimentos de precificação devido à enorme responsabilidade e aos enormes riscos de reputação”, diz Kuang.
Da mesma forma, Goldberg observa que uma coisa é realizar experimentos em cadeias de suprimentos ou inventário. Outra é realizar experimentos com as pessoas que você gerencia. Imagine uma grande empresa testando uma ferramenta de análise que leva alguns funcionários a serem demitidos. Mesmo que afete apenas uma fração da força de trabalho, ele diz, “as implicações na vida dessas pessoas seriam imensas”.
Goldberg reconhece que há um paradoxo desconfortável aqui. A experimentação limitada e de baixo risco provavelmente não produzirá grandes avanços — e a tomada de riscos que poderia levar a esses avanços derrubará algumas empresas. “Os grandes vencedores da era da IA, se aprendermos com o passado, serão aqueles que revolucionarem seus processos”, diz ele. “O problema é que você não pode revolucionar por meio de uma experimentação cuidadosa de A/B.”
Os humanos que tomam as decisões ainda são muito importantes
A análise de dados orientada por IA pode ser uma ferramenta poderosa para encontrar correlações e fazer previsões que informam suas decisões. “Se você puder interpretar os problemas corretamente como problemas de previsão, então poderá identificar as subtarefas certas que poderá usar a máquina para ajudá-lo a tomar decisões”, diz Goldberg. “Um grande desafio na adoção da IA é pensar de forma abstrata sobre que tipo de problemas são aprendíveis pela IA e, em seguida, podem ser terceirizados para a máquina.”
A IA também pode ser implementada para liberar o poder cerebral humano para tarefas mais ambiciosas. “Vemos repetidamente que os algoritmos têm grande potencial para melhorar as decisões”, diz Spiess. “Vejo a IA como uma ferramenta para ampliar a tomada de decisões humanas, permitindo-nos expandir nossa experiência para que possamos nos concentrar nos casos mais difíceis, porque sistemas automatizados podem cuidar dos casos para os quais a resposta é bastante clara.”
No entanto, terceirizar a resolução de problemas para a IA não significa que a tecnologia tenha todas as respostas. Goldberg afirma que a IA não é um substituto para as qualidades essenciais de liderança. “A IA não vai substituir o pensamento estratégico das pessoas. Ela não vai substituir sua criatividade”, ele diz. “Ela não vai substituir o julgamento, que é basicamente como traduzir uma previsão em uma decisão.”
Kuang concorda que os líderes empresariais não devem permitir que sua expertise e julgamento fiquem em segundo plano em relação à IA, nem ceder a autoridade de tomada de decisão aos dados. “Você ainda é o tomador de decisões. Você não pode terceirizar isso”, ele diz. “Uma vez que você terceiriza, pode se tornar uma briga de rua entre diferentes equipes com prioridades e incentivos divergentes, todas argumentando que estão ‘usando dados’.”
Manter as pessoas envolvidas ainda exige uma consciência das limitações do julgamento humano — mesmo que os tomadores de decisão estejam consultando algoritmos projetados para minimizar o viés ou a injustiça. Spiess recomenda uma visão mais holística que considere as habilidades e falhas distintas, mas complementares, que humanos e máquinas trazem para a tomada de decisões. “Não devemos esquecer que, quando o algoritmo entra em cena, devemos continuar a auditar as decisões finais e não apenas focar no algoritmo isoladamente”, ele diz. “É mais fácil abrir o algoritmo do que abrir o cérebro humano.”
Garantir que as decisões informadas pela IA sejam justas e transparentes exige que as empresas reconheçam preconceitos e casos extremos, bem como a importância de diretrizes éticas, diz Weintraub. “Nas equipes de ciência de dados, a regra geral costumava ser que 80% do esforço era a engenharia de dados, limpando os dados de entrada. Agora haverá muito mais esforço do lado do output — inspecionando, testando os modelos e monitorando os resultados”, ele diz. Isso será crítico para reduzir a lacuna de alinhamento. Ele se refere a um conceito compartilhado por seu colega de OIT, Stefanos Zenios: “Você precisa passar de um produto mínimo viável para um ‘produto mínimo viável responsável’, o que eu acho uma boa forma de resumir isso.”
Apenas uma ferramenta, e não um mestre de gerenciamento
Como tudo relacionado à IA, a tecnologia na qual estamos na iminência é tanto tentadora quanto um pouco aterrorizante. “É super empolgante, e ainda não é tão fácil”, diz Athey. “As empresas enfrentarão escolhas difíceis.”
Assim como ninguém em 1980 poderia prever como os computadores pessoais revolucionariam os negócios ou a economia, ninguém pode dizer exatamente como a IA transformará as organizações nas próximas décadas. Tudo o que sabemos é que ela o fará — e essas mudanças serão profundas, diz Goldberg. “Esses algoritmos vão mudar as maneiras pelas quais fazemos as coisas. Não é que eles vão substituir mecanismos já existentes ou algumas de nossas tarefas. Eles vão redefinir como fazemos o trabalho.”
Como fazemos o trabalho dependerá da nossa compreensão do papel da IA. Weintraub compara a tecnologia a um martelo: muitas pessoas estão balançando-o desenfreadamente em todos os pregos que veem, esperando que ele acerte. Ele sugere outra abordagem: “Apaixone-se pelo problema e não pela tecnologia. Você ainda está resolvendo um problema para um usuário. Descubra quais são os pregos importantes em seu negócio, se e como o martelo da IA é útil para eles, e aproveite essas oportunidades.”
Kuang resume a mensagem que ele e seus colegas da GSB de Stanford têm compartilhado com estudantes e líderes empresariais: “Não abandone os princípios tradicionais de ser um bom gerente. Certifique-se de entender a IA profundamente o suficiente. Uma vez que você pode dividir os custos e benefícios de todo o sistema em módulos facilmente compreensíveis, a IA realmente se torna uma ferramenta. Mas se ela permanecer opaca, torna-se como um senhor. Você quer uma ferramenta, não um senhor.”
Fonte:
Graduate School of Stanford Business - www.gsb.stanford.edu
Sobre os autores:
Dave Gilson (Califórnia, Estados Unidos), é atualmente um editor sênior na Stanford University Graduate School of Business. Dave Gilson é formado pela University Of California - Berkeley de 1999 a 2002. Com um conjunto robusto de habilidades que inclui liderança, edição, redação, mídia social, análise de negócios e muito mais. Atualmente é uma referência na divulgação da Inteligência Artificial.
Susan Athey foi entrevistada por Julia M. Klein. Susan Athey é Professora de Economia da Tecnologia, Professora de Economia e Pesquisadora Sênior no Instituto Stanford de Pesquisa em Política Econômica. A pesquisa de Susan Athey está nas áreas de economia da digitalização, design de mercado e a intersecção de aprendizado de máquina (IA) e econometria. Ela estudou uma gama de áreas de aplicação, incluindo leilões de commodities, publicidade online, mídia de notícias e a aplicação de tecnologia para impacto social.
Seguem abaixo sete dicas de como pequenas empresas podem aumentar sua eficiência utilizando ferramentas de inteligência artificial, usando como exemplo o ChatGPT:
1. Automatize o atendimento ao cliente:
Use o ChatGPT para criar chatbots que respondam automaticamente às perguntas mais comuns dos clientes. Isso pode reduzir o tempo de espera e liberar sua equipe para tarefas mais complexas, melhorando a satisfação do cliente.
2. Aprimore o marketing de conteúdo:
Utilize ferramentas de IA para gerar ideias de conteúdo, escrever postagens em blogs, criar descrições de produtos e até mesmo elaborar campanhas de marketing. Isso economiza tempo e garante que o conteúdo seja relevante e envolvente.
3. Personalize a experiência do cliente:
A IA pode analisar dados de clientes para personalizar ofertas, recomendações de produtos e campanhas de marketing. Isso pode aumentar a fidelidade do cliente e melhorar as taxas de conversão.
4. Otimize processos internos:
Ferramentas de IA podem ser usadas para automatizar processos repetitivos, como entrada de dados, agendamento de reuniões e gerenciamento de inventário. Isso reduz erros e libera tempo para a equipe focar em atividades estratégicas.
5. Melhore o suporte técnico:
Integre o ChatGPT ou outras ferramentas de IA para oferecer suporte técnico rápido e eficiente. A IA pode ajudar a diagnosticar problemas comuns e sugerir soluções, reduzindo o tempo de inatividade e aumentando a produtividade.
6. Apoie a tomada de decisões:
Utilize a IA para analisar grandes volumes de dados e fornecer insights acionáveis. Isso pode ajudar nas decisões sobre gerenciamento de estoque, precificação e planejamento estratégico, tornando o negócio mais ágil e eficiente.
7. Capacite a equipe com treinamentos personalizados:
Ferramentas de IA podem criar programas de treinamento adaptados às necessidades específicas de cada funcionário, ajudando-os a adquirir novas habilidades e se adaptarem rapidamente a mudanças no ambiente de trabalho. Isso pode melhorar a eficiência e a produtividade geral da equipe.
A IA generativa pode aumentar a produtividade sem substituir trabalhadores
O primeiro estudo em grande escala de um assistente semelhante ao ChatGPT no local de trabalho revela que ele pode beneficiar funcionários menos experientes — e deixar os clientes mais satisfeitos.
Desde que a IA generativa se tornou popular há um ano, ela gerou tanto entusiasmo quanto temor. Defensores de ferramentas como o ChatGPT e o DALL-E preveem que elas transformarão nossa economia, enquanto os céticos se preocupam com seu potencial para produzir resultados imprecisos ou prejudiciais e, eventualmente, substituir trabalhadores. Mas, até recentemente, ninguém havia testado o que realmente acontece quando empresas implantam IA generativa em grande escala em ambientes de trabalho reais.
O primeiro estudo desse tipo, lançado como um documento de trabalho do National Bureau of Economic Research no início deste ano, encontrou o melhor cenário possível: fornecer aos trabalhadores uma ferramenta de IA generativa semelhante ao ChatGPT pode levar a trabalhadores mais produtivos, clientes mais satisfeitos e maior retenção de funcionários.
Os pesquisadores estudaram quase 5.200 agentes de suporte ao cliente em uma empresa de software da Fortune 500, que receberam acesso a um assistente baseado em IA generativa em uma implementação gradual entre novembro de 2020 e fevereiro de 2021. Durante os chats de suporte, a ferramenta de IA generativa forneceu recomendações em tempo real aos operadores, sugerindo como responder aos clientes e fornecendo links para documentos internos sobre questões técnicas.
Comparados a um grupo de trabalhadores que operavam sem a ferramenta, aqueles que contavam com a ajuda do chatbot foram, em média, 14% mais produtivos, com base no número de problemas resolvidos por hora. Os agentes apoiados pela IA encerraram as conversas mais rapidamente, lidaram com mais chats por hora e foram ligeiramente mais bem-sucedidos na resolução de problemas. Notavelmente, o efeito foi maior para os trabalhadores menos qualificados e menos experientes, que viram ganhos de produtividade de até 35%.
Grandes ganhos com menos esforço
“Esses números são impressionantes,” diz Erik Brynjolfsson, professor (por cortesia) da Stanford Graduate School of Business e pesquisador sênior do Stanford Institute for Human-Centered Artificial Intelligence. “Eu já fiz muitos trabalhos sobre a introdução de novas tecnologias de informação ao longo dos anos, e muitas vezes as empresas ficam satisfeitas com ganhos de produtividade de 1% ou 2%.”
Brynjolfsson também ficou surpreso com a rapidez com que a produtividade aumentou:
“Frequentemente, com novas tecnologias, há uma queda antes de decolar, porque é difícil e custoso implementar mudanças, treinar novamente os trabalhadores e alterar os processos de negócios,” ele diz. “Neste caso, não vimos uma desaceleração, e o desempenho decolou em apenas alguns meses.”
A razão para o impulso, segundo Brynjolfsson e os coautores Danielle Li, professora associada na MIT Sloan School of Management, e Lindsey Raymond, estudante de doutorado na MIT Sloan, foi que o bot aprendeu o que os agentes mais bem-sucedidos estavam fazendo certo ao digerir milhões de transcrições de interações de serviço. Em seguida, disseminou essas lições — muitas vezes conhecimento tácito difícil de destilar em treinamentos de funcionários — para a força de trabalho em geral. Com a ajuda da IA, agentes com dois meses de trabalho apresentaram um desempenho equivalente ao de agentes sem suporte com seis meses de experiência.
“Durante a maior parte dos últimos 30 anos, computadores e tecnologias digitais ajudaram mais os trabalhadores mais qualificados do que os menos qualificados, o que levou a um aumento da desigualdade salarial e de renda,” diz Brynjolfsson. “Foi fascinante ver que essa tecnologia vai na direção oposta — é um bom sinal.”
A intervenção também resultou em clientes mais satisfeitos, medido tanto por pesquisas de clientes quanto por uma análise textual de sua linguagem nas conversas. “As pessoas gostam quando você resolve seus problemas, e o sistema parece estar fazendo um trabalho melhor nisso,” diz Brynjolfsson. A equipe não encontrou muitas evidências de que os clientes estavam mais satisfeitos simplesmente porque os agentes com o assistente de IA usaram uma linguagem mais positiva — a pesquisa descobriu que os agentes tendiam a usar um tom animado mesmo antes da introdução do sistema.
Longe de ressentirem um treinador de IA, os agentes com acesso à ferramenta eram menos propensos a pedir demissão, uma descoberta significativa em uma indústria com rotatividade cronicamente alta. “Não sabemos ao certo por que isso ocorreu, mas eu imagino que seja mais agradável estar em um emprego onde os clientes gostam de você e você pode resolver os problemas deles mais rapidamente,” diz Brynjolfsson.
IA vs. desigualdade
No geral, os pesquisadores concluíram que a IA generativa foi uma vitória tanto para os funcionários da empresa quanto para os clientes e acionistas. “Não foi à custa de um grupo em benefício dos outros — todos os três saíram ganhando,” diz Brynjolfsson. Em 2021, ele cofundou uma startup chamada Workhelix para ajudar outras empresas a aplicar IA generativa para aumentar a produtividade.
Adotando uma visão mais ampla, Brynjolfsson diz que o estudo sinaliza que a IA generativa vai turbinar a produtividade na economia dos EUA na próxima década. “Isso significaria que poderíamos elevar o padrão de vida e resolver muitos problemas, como o déficit orçamentário, a saúde e o meio ambiente,” ele diz. “E se estiver ajudando mais os trabalhadores menos qualificados, isso pode ajudar a reduzir a desigualdade.”
Brynjolfsson alerta que o estudo não esclarece como a IA generativa vai remodelar o mercado de trabalho em geral. No entanto, ele argumenta que empregadores que interpretam a pesquisa como uma desculpa para demitir trabalhadores mais qualificados estão perdendo o ponto. “A lição é que, mais frequentemente do que não, você se beneficiará ao aumentar a capacidade dos trabalhadores, em vez de tentar substituí-los,” ele diz. “Uma empresa inteligente vai garantir que eles compensem e mantenham os trabalhadores altamente qualificados, para que o sistema possa continuar aprendendo com eles.”
Fonte:
Graduate School of Stanford Business - www.gsb.stanford.edu
Sobre a autora:
Katia Savchuk, a autora, é jornalista nos EUA e escreve sobre TI e AI para diversos portais de tecnologia e novidades, incluindo Forbes, The Guardian, The Washington Post, Yahoo News, Stanford University, The New Yorker, Chicago Tribune, Fast Company entre outros.
Erik Brynjolfsson é Professor e Diretor do Stanford Digital Economy Lab no HAI. Ele também é Pesquisador Associado no National Bureau of Economic Research e coautor de seis livros, incluindo The Second Machine Age. Sua pesquisa, ensino e palestras focam nos efeitos das tecnologias digitais, incluindo IA, na economia e nos negócios.
Tradução dos dois artigos realizada pelo ChatGPT
