Na newsletter da semana passada apontamos para a existência do AI Lock-in Loop (Ciclo de Aprisionamento de Inteligência Artificial - IA) presente no coração das principais empresas da era exponencial, em que dados gerando IA (como Machine Learning – Aprendizado de Máquina), que gera melhores produtos, que geram mais dados, que geram mais, e melhores, IAs, que geram melhores produtos, criam um ciclo de aprisionamento em produtos e serviços (ou ativos digitais, como moedas digitais) que pode ter efeitos positivos ou negativos.
Duas questões que decorrem da existência desse ciclo são as seguintes: a possibilidade de dados gerarem melhores IAs conformando o que o economista Andrei Hagui denomina de “data-enabled learning” (aprendizado possibilitado por dados), cria vantagens competitivas? Se sim, em que medida tal efeito se compara com os conhecidos network effects - efeitos de rede?
Segundo Hagui, um crescente número de produtos e serviços tem se tornado melhores e tem aprendido a partir de dados dos seus consumidores: dados de engenhos de busca, aplicativos de mapas e tráfego, assistência a motoristas, termostatos, vestuário etc. Tais dados podem levar a melhores produtos, e, por sua vez, a mais consumidores. Associado a esse ciclo estão os efeitos de rede, onde mais valor para cada consumidor leva a mais consumidores.
No entanto, pergunta-se Hagui, em que medida o data-enabled learning pode levar a vantagens competitivas no negócio? Segundo ele, isso só ocorre se é possível responder a pelo menos sete questões centrais. Primeiramente, se o valor de um produto vem do aprendizado dos dados do consumidor, ou se ele vem do valor de um produto isolado. E aqui ele compara o produto gerado pela Mobileye com o da Netflix. A Mobileye, uma subsidiária israelense da Intel que desenvolve carros autônomos e sistemas avançados de assistência ao motorista, depende essencialmente de data-enabled learning. Já o assinante da Netflix está menos interessado na qualidade das suas recomendações do que na biblioteca de filmes à disposição.
Em segundo lugar, o que importa de forma geral não é o valor total do aprendizado dos dados do consumidor, mas sim o valor marginal. Ou seja, quão rápido se pode aprender de consumidores adicionais, independente da base de consumidores. Terceiro, quão rápido o valor da relevância dos dados do consumidor se deprecia. Quarto, é importante saber se os dados que se obtém dos consumidores são proprietários ou únicos. Quinto, quão difícil é copiar melhorias em produtos baseados em dados de consumidores. Sexto, se os dados que se obtém de um usuário ajudam a melhorar o produto para o mesmo usuário (por personalização), ou para outros. Finalmente, quão rápido insights (discernimentos) dos dados de um usuário podem ser incorporados em um produto.
As questões seis e sete acima determinam se data-enabled learning cria efeitos de rede, e isso levanta a seguinte indagação: eu estou preocupado, como um atual usuário do seu produto, sobre quantos outros usuários irão adotar o mesmo produto a partir de agora? Se a resposta é sim, logo há uma grande chance de que isso levará aos efeitos de rede que irão aumentar a vantagem competitiva.
Em resumo, de acordo com Hagui, data-enabled learning torna possível reforçar e personalizar mesmo os mais mundanos produtos. Data-based learning irá se tornar cada vez mais fundamental, mas não garante posições competitivas defensivas. E, a maioria dos negócios valiosos e poderosos irá ser construída em efeitos de rede regulares e data-enabled learning (eg., Alibaba, Amazon, Facebook, Instagram, WeChat).
Esses fundamentos da economia digital têm fortes implicações na estrutura e na dinâmica dos novos negócios da era digital. Em primeiro lugar, uma série de empresas da era digital já fazem uso tanto do data-enabled learning quanto dos efeitos de rede e das economias de rede decorrentes. Em segundo lugar, tais empresas se aproveitam de tais fundamentos para criação poderosas plataformas digitais (tais como aquelas citadas no parágrafo anterior) e de ecossistemas de co-criação de valor que alteram substantivamente a competição no mercado em que se encontram. E, finalmente, elas fazem uso de arquiteturas de negócios extremamente sofisticadas, que tornam quase impossível a entrada em tais mercados. É o uso da estratégia da “Trindade Essencial”, conceito identificado pela Creativante há quase dez anos!
Neste sentido, olhando para a configuração do novo sistema financeiro internacional, entendido aqui nesta newsletter como se conformando a partir da coexistência de três ecossistemas (o CeFi – Centralized Finance, gravitando ao redor das atuais instituições financeiras, como os Bancos Centrais; o DeFi- Decentralized Finance, descentralizado e fazendo uso das novas tecnologias do mundo cripto; e o PlatFi- Platform Finance, baseado na inserção das plataformas digitais no mundo das finanças), e levando em consideração os fundamentos aqui apontados, argumentamos que ainda há muito a aprender para sabermos se propostas tais como as das CBDCs- Central Bank Digital Currencies terão o “sucesso” desejado pelos seus proponentes!
Se sua empresa, organização ou instituição deseja saber mais sobre data-enabled learning, efeitos de rede e vantagens competitivas, fique à vontade para nos contatar!
