Prediction Machines: The Simple Economics of Artificial Intelligence

Ajay Agrawal, Joshua Gans, Avi Goldfarb — 2018

Categoria: Tecnología, Datos & IA

Prediction Machines (2018) propõe uma ideia simples e poderosa: a IA reduz o custo de prever. Quando o preço de algo cai drasticamente, mudam o que fazemos, quem faz e como a economia se organiza. Os autores—economistas de gestão—oferecem um quadro para transformar a IA em decisões de negócios: onde cria valor, quando automatizar, o que complementar com julgamento humano e como redesenhar processos.

Do que se trata exatamente? O livro separa uma decisão em componentes: Dados → 2) Previsão (o que a IA faz melhor quando há histórico) → 3) Julgamento (definir o “payoff”: o que significa uma boa decisão) → 4) Ação → 5) Resultados → 6) Feedback (melhoria do sistema). A tese central: se a previsão se torna barata, o gargalo se desloca para dados de qualidade, julgamento, ações e design organizacional. Ideias-chave (em resumo) IA = previsão barata: classificar, estimar, completar lacunas. Se você pode enquadrar uma tarefa como previsão, provavelmente a IA a tornará mais barata. Julgamento como complemento: a IA não define objetivos nem custos do erro: isso é julgamento (ética, regulação, marca). Quanto mais barata a previsão, mais valioso o julgamento. Qualidade e propriedade dos dados: nem toda “quantidade” serve: importa a representatividade, o viés e os direitos. Os “moats” reais combinam dados + processos + relacionamentos. Automatizar vs. aumentar: automatize quando o custo do erro e a variabilidade são baixos e o feedback é claro. Aumente (IA como copiloto) quando o erro é caro ou ambíguo. Redesign de processos: a melhoria não chega “colando IA no final”: é preciso distribuir trabalho entre previsão, julgamento e ação; talvez mudar quem decide e em que momento. Economia de limiares: muitas decisões são “sim/não” com um limiar (probabilidade mínima aceitável). Escolher esse limiar é estratégia (trade-off precisão/recall, risco/renda). Deslocamentos de valor: quando a previsão se torna mais barata, surgem negócios em orquestrar dados, desenhar ações e assegurar/regular risco. Política e responsabilidade: viés, explicabilidade, privacidade e emprego tornam-se decisões de design, não externalidades. O que você vai aprender com “Prediction Machines” A reformular problemas como previsões concretas (qual variável falta que, se soubéssemos, decidiríamos melhor?). A separar previsão de julgamento e ação, para saber o que automatizar e o que manter humano. A escolher limiares e métricas (precisão, recall, custo do erro) alinhadas com negócios e regulação. A construir ciclos de feedback que tornam a IA cada vez mais útil. A decidir make/buy/ally: modelos próprios vs. APIs, e onde está seu “moat” real. Como aplicar o livro em iGaming 1) Reformular decisões como previsões KYC/Verificação: Qual é a probabilidade de que este documento seja legítimo? Fraude e chargeback: Probabilidade de transação disputada? Churn/retenção: Probabilidade de que um jogador ativo abandone em 14/30 dias? Risco de dano (RG): Probabilidade de padrão de jogo problemático emergente? Atendimento ao cliente: Probabilidade de que este ticket escale se não for atendido por um agente sênior em 10 min? 2) Definir o julgamento (custo do erro e limiares) Falsos positivos (bloquear quem não deveria) vs. falsos negativos (deixar passar risco). Para RG e fraude, o limiar deve priorizar proteção; para churn, talvez você prefira maior recall (arriscar incentivos “inúteis” antes de perder o cliente certo). 3) Escolher automatizar ou aumentar Automatize: detecção de duplicados óbvios, pontuação inicial de documentos, priorização de tickets. Aumente: decisões com alto custo reputacional ou regulatório (fechamentos de conta por RG, disputas complexas): IA sugere e humanos decidem com rastreabilidade. 4) Dados e governança Catálogo de dados com linhagem e permissões por país; eliminação de viés de amostragem (por exemplo, sub-representação de certos métodos de pagamento). Dashboard de drift e fairness: monitorar quando o modelo se degrada ou discrimina. Privacidade by design: minimização, retenção limitada, anonimização quando aplicável. 5) Integração operacional Ciclo completo: dados → modelo → recomendação → ação em sistemas (PSP, CRM, limites) → feedback rotulado. Explicabilidade útil: razões da recomendação para agentes (características principais, evidências) e para auditoria. 6) Métricas de negócio (não apenas AUC) Tempo até o primeiro saque, CES/NPS pós-saque, % com limites ativos, chargebacks/1.000, retenção por coorte. Conecte cada modelo a 1–2 KPIs da jornada; se não mover a agulha, replanteie. Kit mínimo: Modelo de caso IA: variável a prever, limiar, custo do erro, quem decide, ação automática/humana, feedback disponível. Mapa de decisões por jornada (KYC, depósitos, saques, CRM, RG) indicando o que é previsão e o que é julgamento. Guia de limiares por país/risco com exemplos de trade-offs. Contrato de dados: fontes, direitos, qualidade, viés, caducidade. Dashboard de saúde do modelo: performance, drift, fairness, impacto em KPI de negócio. Runbook de incidentes: o que fazer se o modelo falhar ou causar dano (rollback, comunicação, correções). “Prediction Machines” transforma a IA em gestão: ensina a pensar em custos, limiares, complementos e redesign de processos. A promessa não é mágica, é economia aplicada: se a previsão é barata, o valor está em escolher bem o que prever, como decidir e como agir—com métricas, ética e aprendizado contínuo.