O pilar que sustenta todos os hypes tecnológicos

Em um mundo cada vez mais orientado por dados, a adoção de tecnologias tem se mostrado um divisor de águas para empresas em todos os setores. Isso ficou ainda mais evidente com a popularização da Inteligência Artificial Generativa (AI Gen), que provocou, em um espaço tão curto de tempo, uma mudança significativa na forma como pensamos sobre inovação e os desafios e oportunidades que ela traz. Esta tecnologia não só oferece a capacidade de gerar novas ofertas, produtos e serviços, mas também coloca um poder sem precedentes nas mãos das organizações, permitindo avanços consideráveis.

No entanto, a empolgação com essas possibilidades, frequentemente, esconde uma verdade essencial: sem um planejamento claro, mesmo as tecnologias mais avançadas podem falhar em alcançar todo o seu potencial. Pode-se observar isso pelo Ciclo de Hype do Gartner, de 1995, definido como um modelo que descreve como novas ferramentas evoluem desde a introdução até a maturidade. Ele começa com a inovação inicial e grande entusiasmo, levando a expectativas exageradas e altos investimentos. Quando os resultados não correspondem às expectativas, o interesse diminui, e os investimentos retraem — este é o “Vale da Desilusão”. Em seguida, ocorre uma fase de recuperação, onde as aplicações práticas começam a emergir e a tecnologia se estabiliza, culminando em uma adoção mais madura e produtiva.

Esses ciclos foram muito visíveis nos últimos anos, tanto Big Data quanto Machine Learning (ML), que passaram pelas fases de hype e desilusão, são bons exemplos. No auge, diversas empresas investiram pesadamente em Big Data, mas muitos projetos não alcançaram os resultados esperados, levando a uma retração dos investimentos em 2013 e 2014, de acordo com o Gartner. A recuperação veio com um foco em aplicações práticas que mostraram valor real. O ML, por sua vez, obteve grandes investimentos entre 2016 e 2017, mas também enfrentou sua fase de desilusão devido à complexidade técnica e falta de profissionais qualificados. A recuperação foi mais custosa, exigindo investimentos adicionais em capacitação e desenvolvimento de algoritmos para alcançar resultados consistentes.

Leia mais :O pilar que sustenta todos os hypes tecnológicos | TI INSIDE Online