Observação: Nós nos empenhamos ao máximo para manter o espírito e as nuances originais de nossos artigos. Porém, pedimos desculpas desde já por quaisquer erros de tradução que você venha a notar. Seu feedback é bem-vindo através do e-mail reader_input@mckinsey.com
Mais insights da McKinsey em português
Confira nossa coleção de artigos em português e assine nossa newsletter mensal em português.
O CEO de um marketplace B2B em estágio inicial cria integrações para produção por meio de mensagens de voz durante seu trajeto de metrô para o trabalho. Uma empresa de agrotecnologia (agtech) com 20 funcionários suspendeu todas as contratações depois de adotar grandes modelos de linguagem (LLMs) comerciais capazes de executar mais da metade das tarefas em quase todas as áreas da empresa. Em uma plataforma madura de desenvolvimento, segurança e operações (DevSecOps), funcionários de áreas não técnicas utilizam ferramentas de IA para corrigir pequenos bugs e ajustar a nomenclatura das funcionalidades, sem qualquer intervenção da equipe de engenharia.
Estes não são experimentos isolados. Nos últimos meses, mantivemos reuniões com líderes de tecnologia e de negócios de 15 empresas orientadas por IA – em diferentes continentes, setores e estágios de desenvolvimento, desde startups com quatro pessoas até plataformas globais consolidadas – para entender o que é necessário para que a IA efetivamente gere resultados concretos. Esperávamos ouvir quinze histórias diferentes, mas esse grupo diversificado de empresas, independentes umas das outras, convergiu para os mesmos insights fundamentais sobre o que é preciso para colocar a IA, com sucesso, no centro da organização. É essa convergência que narramos aqui.
No início deste ano, publicamos um guia estratégico sobre a criação de empreendimentos priorizando a IA. O presente artigo parte desse guia, mas vai além das estruturas conceituais e estratégias teóricas, e identifica as práticas do dia a dia que diferenciam as empresas bem-sucedidas daquelas que continuam tendo dificuldades para obter resultados efetivos com suas iniciativas de IA. E essas dificuldades são reais: a mais recente Pesquisa Global da McKinsey sobre IA revela que, embora hoje 88% das organizações utilizem IA em pelo menos uma área de negócios, apenas cerca de 1 em 100 se considera plenamente madura – e aproximadamente dois terços ainda não conseguiram escalar a IA para além de projetos-piloto isolados.
O que essas empresas vitoriosas sabem que suas concorrentes não sabem? O que elas parecem ter em comum é um senso de possibilidade. Em vez de implementar IA generativa e IA agêntica apenas para reduzir custos e aumentar a produtividade, suas lideranças encaram a tecnologia como um multiplicador tanto da ambição como das capacidades necessárias para concretizá-la. Sintetizamos o que aprendemos com esses líderes em sete verdades essenciais – insights duramente conquistados que, em conjunto, formam um sistema operacional para extrair o máximo da IA.
A IA não é uma ferramenta; é um membro da equipe
O verdadeiro valor da IA não está em realizar o mesmo trabalho com mais rapidez, mas na capacidade de ampliar o potencial de cada profissional por meio de agentes que atuam como verdadeiros membros da equipe.
Quando iniciamos nossa pesquisa, no final do ano passado, os líderes tendiam a descrever a utilização de ferramentas de IA como “copilotos” de produtividade pessoal. Meses depois, já falavam em ter verdadeiros colegas agênticos de trabalho – com seu próprio nome, perfil no Slack e quadros de tarefas compartilhados – capazes de executar tarefas autonomamente 24/7. O diretor de operações de uma fintech no estágio de financiamento Série D1, por exemplo, utiliza um sistema com múltiplos agentes para avaliar novas ideias. Qualquer funcionário pode enviar sugestões de produtos, resumidas em uma única frase, por meio do Slack. Após a triagem inicial feita pelo gerente de produto, dez agentes especializados trabalham simultaneamente na ideia – cobrindo aspectos como definição do produto, viabilidade do back-end, contabilização de receitas e conformidade legal – e apresentam em poucas horas uma lista praticamente completa dos requisitos do produto.
O CEO de um marketplace Série A conta com uma equipe inteira de agentes pessoais: um assistente executivo agêntico que responde a e-mails e gerencia sua agenda; um chefe de gabinete agêntico que registra reuniões e, autonomamente, gera e divulga os passos seguintes; e um analista agêntico que fornece insights sobre dados em tempo real a partir dos dashboards da empresa. Essa equipe virtual, diz ele, quintuplicou sua capacidade e eficácia. Ouvimos relatos semelhantes de outros líderes entrevistados.
Esse novo padrão estrutural implica redefinir o próprio trabalho como uma colaboração entre humanos e agentes, e realocar tarefas para ampliar o escopo do que as equipes se dispõem a empreender. Engenheiros agora também atuam em design e pesquisa com clientes. Profissionais de áreas não técnicas abrem merge requests [para incorporar alterações ao código-fonte] e encaminham experimentos internos. Uma startup de sustentabilidade com apenas quatro pessoas consegue atender vinte clientes corporativos, gerando em minutos relatórios de conformidade legal que antes levariam semanas para serem produzidos por um escritório de advocacia. Outro marketplace Série A avançou de 50 transações sob responsabilidade de um consultor para 3 mil geridas simultaneamente – não porque contratou 60 vezes mais profissionais, mas porque criou analistas de IA capazes de absorver essa enorme quantidade de trabalho. Com isso, as pessoas puderam se concentrar nas conversas cruciais, baseadas em relações de confiança, que realmente impulsionam o negócio. Estes não são ganhos de eficiência; são modelos de negócio fundamentalmente diferentes, que se tornaram possíveis porque a IA ampliou o volume de trabalho que as equipes ousam assumir.
Possíveis vulnerabilidades
O lado negativo de tratar agentes de IA como membros da equipe é a possibilidade de dependência estrutural. “Que externalidades imprevistas podemos estar criando ao entrar no mundo agêntico?”, pergunta o CEO da agtech. “Ao delegarmos cada vez mais tarefas aos agentes, que crises podemos estar perpetuando?” A empresa mitiga esse risco por meio de um desenho deliberado de funções, direcionando humanos para problemas que os agentes genuinamente não conseguem resolver – como discernimento científico original e relacionamento com parceiros – e criando mecanismos de escalonamento para quando os agentes atingem o limite de sua competência. A parceria entre humanos e agentes, diz o CEO, não envolve “substituir humanos por IA, mas sim identificar com precisão cirúrgica onde o talento humano é insubstituível”.
Iniciativas da liderança
Não medir a IA pelo número de horas economizadas, mas sim pelo que a empresa está disposta a empreender com ela. Atribuir nomes, responsabilidades e mecanismos de escalonamento aos agentes. Mapear como as tarefas estão sendo reordenadas na organização e redesenhar cargos e funções para que reflitam a nova alocação de trabalho entre humanos e agentes.
Definir o que desenvolver internamente e o que adquirir fora
Só deve ser desenvolvido internamente aquilo que confere um diferencial efetivo à empresa. Quanto ao restante, o limite de até onde ir dependerá do nível de conforto de cada um.
A primeira decisão entre desenvolver ou comprar é a mais simples. Todas as empresas que priorizam a IA com que conversamos aplicam o mesmo critério à sua capacidade proprietária básica, perguntando-se: “Isto nos permite criar uma vantagem defensável – baseada em nossos dados, expertise ou propriedade – que uma ferramenta pronta para uso não é capaz de proporcionar?” Se a resposta for sim, a opção deve ser o desenvolvimento interno. A agtech mencionada acima desenvolve seus próprios modelos de melhoramento genético de culturas, suas análises contextuais de propriedade intelectual e seus agentes de P&D com capacidade de autoaprimoramento. A empresa de tecnologia avançada (deep-tech) dedicada a descobrir novos materiais desenvolve seu agente de descoberta científica com base em dados proprietários. “Nosso diferencial competitivo são os dados e opiniões que apresentamos ao mundo”, disse-nos o vice-presidente de engenharia de uma empresa de inteligência climática; “a IA não consegue substituir isso”.
Uma decisão mais difícil diz respeito ao que fazer com todo o restante: as ferramentas e os agentes utilizados nas operações internas. Até pouco tempo atrás, a resposta era simples: comprar tudo fora. Fornecedores especializados ofereciam um tipo de refinamento que equipes internas não conseguiam igualar e as ferramentas mais modernas já traziam integrações nativas com outros sistemas. Muitas das empresas que entrevistamos ainda operam desse modo e estão satisfeitas com os resultados. Na empresa de IA em estágio inicial que entrevistamos, por exemplo, toda interação de vendas é gravada, as transcrições são postadas automaticamente em um espaço de trabalho compartilhado e um resumo semanal é enviado à equipe – um processo construído exclusivamente com ferramentas prontas para uso, sem desenvolvimento customizado. O CEO pode consultar os sistemas conectados para saber a situação de qualquer cliente e obter uma atualização instantânea de toda a equipe. Essa é uma mentalidade comum em empresas nativas em IA. “Não compramos aquilo que nos define”, diz o líder de tecnologia de uma empresa de saúde digital em expansão acelerada; “compramos o que nos liberta”.
Por outro lado, organizações com maior proficiência técnica podem agora traçar essa linha divisória em um ponto radicalmente distinto. Graças a agentes de programação, como Claude Code e Cursor, e a plataformas semelhantes de criação de agentes, equipes internas podem criar dashboards, automatizar fluxos de trabalho e desenvolver agentes customizados em questão de horas, não meses – às vezes sem a participação de engenheiros. O diretor de estratégia da agtech, por exemplo, afirma que o desenvolvimento interno se tornou a norma: “Pessoalmente, acho que o SaaS [software como serviço] está morto; tentar integrar uma ferramenta leva mais tempo do que construí-la”.
Possíveis vulnerabilidades
O custo de desenvolver agentes e ferramentas customizados não é alto, mas não se pode dizer o mesmo da sua manutenção. É tentador permitir que cada equipe e departamento crie sua própria ferramenta personalizada de produtividade, mas a conta de mantê-las acabará chegando. Ser barato e fácil de desenvolver hoje não significa que será barato e fácil de manter amanhã.
Iniciativas da liderança
Desenvolver o que realmente distingue a empresa. No que diz respeito a ferramentas operacionais, deve-se começar com soluções prontas para uso, tendo em mente que interfaces nativas em IA, capacidade de integração e facilidade de substituição são requisitos não negociáveis. É essencial realizar auditorias trimestrais dessas ferramentas e estar pronto para substituir qualquer componente que não atenda a esses critérios. E lembrar que, hoje em dia, apenas as equipes mais técnicas e disciplinadas devem tentar desenvolver tudo internamente – e, mesmo assim, com plena ciência dos custos de manutenção.
O gargalo não é o modelo de IA, mas o acesso ao conhecimento organizacional
Muitas equipes se preocupam com qual modelo de IA adotar, mas as mais avançadas se concentram no que os agentes serão capazes de encontrar e investem na camada de conhecimento que realmente faz a diferença.
Quando fazemos uma pergunta a um agente e ele não consegue responder, a culpa não é necessariamente do modelo. Pode ser que a resposta nunca tenha sido registrada ou esteja armazenada em um local ao qual o modelo não tem acesso. Em outras palavras, os limites da IA são definidos pela qualidade e organização do conhecimento organizacional, não pelo modelo escolhido. “Não é um problema de IA; é um problema de gestão do conhecimento”, explica o diretor de operações de uma plataforma de tecnologia do setor de energia; “a IA apenas torna isso visível”. A verdadeira lacuna não está na tecnologia, mas na infraestrutura de conhecimento: reuniões não registradas, dados não estruturados e conhecimentos retidos na mente das pessoas.
Para quem fizer as coisas certas, os resultados podem ser expressivos. Na plataforma de tecnologia de energia, por exemplo, um agente de gestão do conhecimento que indexa repositórios de código, páginas no espaço de trabalho digital Notion e conversas no Slack permite que novos colaboradores se integrem e se tornem produtivos em questão de dias. Em uma startup de IA em estágio inicial, o pipeline de vendas automatizado armazena todos os dados em uma camada consultável de conhecimento. Se alguém pergunta: “Em que estágio estamos com este lead específico?”, obtém instantaneamente o contexto da negociação, extraído de meses de conversas acumuladas. “Sempre que temos dúvidas, basta consultar nossa base interna de conhecimento”, diz o CEO da empresa. O ciclo de feedback entre as áreas de produto e de operações se torna uma vantagem competitiva.
Já o CEO da agtech contesta a ideia convencional de que é necessário ter um único lago de dados para que a IA funcione: “Muita gente se enrosca na questão de ‘ter uma fonte única da verdade’. Mas o que torna os dados úteis é o fato de as pessoas os utilizarem e os atualizarem continuamente.” Algumas fazem buscas no Notion, outras utilizam planilhas e há quem passe o dia no Slack ou em videochamadas. Em vez de impor uniformidade, a empresa cria conectores leves entre sistemas que tornam todos esses dados – onde quer que estejam – consultáveis pela IA. “Se alguém já utiliza determinada ferramenta, basta aprender a falar a mesma língua”, diz o CEO.
Possíveis vulnerabilidades
A camada de conhecimento da empresa pode se tornar obsoleta mais rápido do que se espera – e, quando isso acontece, os agentes tendem a falhar. Se os dados envelhecem e se tornam estéreis, os agentes passam a fornecer respostas desatualizadas com plena confiança, comprometendo assim a confiança dos usuários. “Um agente não sabe identificar a fonte de verdade mais atual ou reconhecer um documento desatualizado de um ano atrás”, alerta o COO de uma fintech Série D. É uma lição que o líder de tecnologia da empresa de saúde digital aprendeu a duras penas: “Se pudesse mudar algo, eu teria investido antes na estruturação do nosso conteúdo; dados fragmentados tornam o fluxo mais lento e frustram as equipes”. A solução está na arquitetura: criar conectores com os ambientes onde as tarefas já são realizadas – reuniões, conversas no Slack, documentos de trabalho – para manter atualizada a camada de conhecimento sem necessidade de manutenção manual.
Iniciativas da liderança
Gravar todas as reuniões. Fazer transcrições automáticas. Encaminhar esse conteúdo para uma camada compartilhada de conhecimento. Tornar pesquisável a plataforma de mensagens, conectando-a ao arcabouço de conhecimentos e tornando as conversas consultáveis. Encontrar as pessoas onde elas já trabalham e criar conectores para capturar os conhecimentos que elas geram naturalmente. A IA só é tão inteligente quanto as informações que consegue encontrar.
O desenho deve contemplar substituições, não uma pilha tecnológica fixa
A arquitetura vencedora não é uma plataforma monolítica, mas uma camada enxuta de governança que conecta os melhores componentes de cada categoria e garante sua intercambiabilidade.
Empresas que priorizam a IA convergem para um princípio arquitetônico comum: reunir as melhores ferramentas do mercado, integrá-las a uma camada governada compartilhada e desenvolver apenas o tecido essencial que torna o contexto seguro e consultável. Em uma plataforma global de tecnologia, por exemplo, engenheiros consultam wikis internos, pipelines de CI/CD [integração e entrega contínuas] e sistemas de gestão de chamados por agentes de IA conectados via servidores MCP [protocolo de contexto de modelo]. “Posso perguntar: ‘Quais serviços são afetados por esta funcionalidade?’ e o sistema me mostra tudo”, disse-nos o diretor técnico da plataforma. Esse processo de descoberta – que reduz horas de busca manual a minutos de consulta conversacional – é um resultado direto da arquitetura.
A neutralidade em relação a modelos é um princípio de desenho não negociável. “Tudo o que construímos precisa ser feito de modo que possamos facilmente remover um modelo e inserir outro”, afirma o COO da fintech Série D. A empresa utiliza um gateway multimodelo, começando com modelos premium para novos fluxos de trabalho e migrando em seguida para opções mais econômicas assim que o padrão é validado. Dada a rapidez com que a fronteira tecnológica avança, ficar preso a uma única tecnologia é um risco estratégico.
Possíveis vulnerabilidades
Uma arquitetura conectada, composta por módulos independentes, é uma enorme vantagem, mas forma uma superfície de ataque igualmente ampla. Para evitar esse risco, a empresa de biotecnologia focada em IA adota um modelo de segurança em três níveis: dados públicos enviados a LLMs comerciais; dados sensíveis armazenados em provedores que oferecem acordos de não retenção de dados, e propriedade intelectual processada exclusivamente em infraestrutura própria. “A empresa correria um risco mortal se essas informações vazassem”, disse-nos o CEO. A estratificação da segurança é uma decisão de desenho, não um recurso acoplado posteriormente.
Iniciativas da liderança
Padronizar uma estrutura de governança que inclua gestão de identidades, permissões, níveis de segurança e classificação de dados. Conectar as melhores ferramentas em torno dessa estrutura utilizando conectores leves. Desenvolver apenas uma camada enxuta de integração que torne o contexto seguro e governável. O desenho deve contemplar substituições, não uma pilha tecnológica fixa.
A confiança precede a autonomia
As empresas estabelecem confiança nos sistemas de IA por meio da autonomia progressiva: a IA gera conteúdo, humanos avaliam o resultado e o sistema conquista maior autonomia somente quando demonstra merecê-la.
Para os agentes de IA, a liberdade de operar autonomamente é um privilégio que precisa ser conquistado. Na startup de sustentabilidade em estágio inicial, por exemplo, a equipe realiza o trabalho manualmente até que a repetição passe a exigir automação; nesse ponto, as subetapas são automatizadas uma a uma até que o processo inteiro também esteja. “Automatize aos poucos”, diz o fundador da empresa; “faça-o manualmente até que o cansaço force a automação. É aí que você sabe que o fluxo de trabalho está pronto.” Avançar metodicamente revela casos atípicos que um pipeline automatizado deixaria passar, ensinando à equipe onde o discernimento humano é efetivamente necessário e onde ele se tornou apenas um hábito. “A IA é a ferramenta perfeita para a etapa intermediária do processo”, diz o fundador; “os humanos ainda precisam iniciá-lo e finalizá-lo.”
Empresas de ponta também sabem identificar seu teto de qualidade – e se atêm a ele, tratando qualquer benchmark como uma leitura do estado atual, não como uma regra fixa. O fundador de uma healthtech, por exemplo, relata que lhe haviam garantido uma taxa de sucesso entre 85% e 90% para determinada solução agêntica, proposta que ele rejeitou sem pestanejar. “Precisamos operar com 99,999% de precisão; na área da saúde, ninguém pode dizer que ‘80% é suficiente’”, afirma. Por outro lado, no desenvolvimento de software e nos fluxos de trabalho de backoffice, a maioria dos líderes com quem conversamos situa o limite entre 70% e 80%, observando que, na maioria dos casos, a IA consegue atingir esse patamar de forma confiável. Acima disso, porém, o verdadeiro valor reside no discernimento humano. “Não se trata apenas de utilizar IA”, disse o diretor de engenharia de uma empresa que desenvolve IA para contact centers; “a questão é saber quando não utilizá-la.”
Possíveis vulnerabilidades
Autonomia sem mecanismos de proteção logo gera problemas, muitas vezes onde menos se espera. Ao negociar um contrato com um cliente, por exemplo, os executivos de uma empresa de IA voltada para médicos trocaram e-mails e propuseram emendas por meio de um agente de IA configurado para ler e responder mensagens. Em dado momento, o sistema redigiu a seguinte resposta: “Tudo certo quanto às suas alterações. Vamos em frente.” Na realidade, porém, muitas das cláusulas propostas ainda precisavam ser negociadas. Felizmente, um funcionário humano detectou o erro antes que a resposta fosse enviada. “Desativamos o agente imediatamente”, conta o CEO. A lição: em cada contexto, a IA deve sugerir, não agir, até que sua confiabilidade seja comprovada.
Iniciativas da liderança
Definir onde a aprovação humana deve ser obrigatória e incorporar essa exigência aos fluxos de trabalho desde já. Medir o tempo do ciclo completo (geração e revisão), e não apenas a velocidade de geração, pois os ganhos obtidos na etapa de geração podem evaporar na fase de revisão. Definir ciclos de feedback que permitam ao sistema ir adquirindo mais autonomia ao longo do tempo. O objetivo não deve ser perpetuar a intervenção humana, mas sim estabelecer o tipo de confiança que garante uma autonomia segura.
Centralizar a plataforma; descentralizar as tarefas
Nenhum departamento centralizado de IA consegue promover transformações duradouras. O que funciona é que as equipes de plataforma gerenciem a infraestrutura, enquanto as equipes de negócio resolvem seus próprios problemas.
A diretora de operações de IA de uma grande plataforma de tecnologia do setor de energia fez uma escolha deliberada logo no início: “Decidi que não sou eu a especialista”, disse. Ela percebeu que a ideia de que uma só pessoa é capaz de entender e otimizar a utilização da IA em múltiplas áreas de negócios tende a ruir no momento em que os fluxos de trabalho mudam mais depressa do que as diretrizes conseguem acompanhar. O diretor de tecnologia da empresa de saúde digital chegou à mesma conclusão: “Não faz o menor sentido que uma pessoa supervisione dez unidades de negócio que ela não entende”. Ou seja, cada unidade de negócio da empresa decide como a IA contribuirá para seus objetivos. Uma pequena guilda de IA [grupo de especialistas interessados] interconecta os líderes, possibilitando o compartilhamento de padrões, mas a responsabilidade final permanece com as equipes.
Em muitas das organizações com as quais conversamos, a equipe de tecnologia é responsável pelo acesso controlado aos modelos, pela arquitetura modular componível, pelos mecanismos de proteção e segurança, e pela infraestrutura de conectividade. As equipes de negócios são responsáveis pelos problemas a serem resolvidos e pelas estratégias necessárias para resolvê-los. Essa separação permite não só que a plataforma se mantenha atualizada, mas também que essas equipes atuem em seu próprio ritmo.
Empresas de ponta também capacitam qualquer pessoa a criar soluções, com base na premissa de que as que geram maior impacto são as que aplicam a IA para resolver os entraves do seu próprio fluxo de trabalho. O CEO de uma healthtech concede a todos os funcionários uma a duas horas diárias para experimentação livre. O CEO de um marketplace Série A assegura ao seu pessoal: “Vocês são capazes de resolver isso. Não precisam recorrer à engenharia para construir algo para vocês.” Pesquisas da McKinsey constataram que os funcionários são três vezes mais propensos do que os líderes imaginam a relatar que a IA os ajuda a realizar 30% ou mais de suas tarefas diárias. Em outras palavras, o que realmente impede a IA de escalar não é a relutância dos funcionários, mas sim a lentidão dos líderes em capacitá-los.
Possíveis vulnerabilidades
A descentralização sem uma plataforma gera caos, mas a centralização sem especificidade pode levar a um outro tipo de fracasso. O chefe de engenharia de uma startup dinâmica Série C descreve o primeiro cenário: “Às vezes, as pessoas utilizam ferramentas de automação não aprovadas e temos que fechar essas contas até que o devido processo de aprovação seja concluído”. Um engenheiro sênior de uma plataforma de tecnologia consolidada descreve o segundo tipo de fracasso: “Acredito que expandimos demais, cedo demais, na tentativa de criar um ‘agente capaz de fazer tudo’ em vez de focarmos primeiro em casos de uso específicos. Deveríamos ter lançado soluções menores mais rapidamente.” A solução para esses dois tipos distintos de fracasso é a mesma: uma verdadeira plataforma, com governança centralizada e escopo claramente definido, que permita às equipes de negócio criar livremente dentro dela.
Iniciativas da liderança
Nomear um responsável pela plataforma, com autoridade clara sobre governança, arquitetura e diretrizes de segurança. Documentar quais decisões caberão às equipes de negócio antes que a plataforma entre em operação. Definir procedimentos simples para compartilhar o que está sendo feito (como um canal dedicado a apresentar soluções, sessões semanais de demonstração ou uma biblioteca compartilhada de prompts) para que as conquistas individuais se transformem em padrões reutilizáveis, sem gerar burocracia adicional. Monitorar a adoção da plataforma em dois níveis: indicadores de atividade (como utilização de tokens e taxas de adoção de uma ferramenta), que são úteis para sinalizar tendências; e a métrica principal, que é o que as equipes de negócio realmente construíram e aplicaram utilizando a plataforma.
A adoção é um “flywheel”, não mera implantação
Uma adoção bem-sucedida não é uma implantação com prazo definido. É um flywheel [círculo virtuoso de impulso contínuo] em quatro camadas que se reforçam mutuamente: exemplo da liderança, compartilhamento de aprendizados, mensuração e contratação.
A maioria das organizações já implementou ferramentas de IA. Mas um número bem menor construiu a cultura e o vigor operacional necessários para utilizá-las em escala. As empresas que conseguem enfrentar essa empreitada são as que criam um flywheel.
A primeira camada desse flywheel é o exemplo da liderança: cabe aos líderes dar o primeiro passo, de forma visível. O CEO do marketplace Série A desenvolve pessoalmente as integrações para produção e inclui a fluência em IA nas avaliações de desempenho. “Se alguém não estiver sempre experimentando”, diz ele, “é provável que esteja com os dias contados.” O COO da fintech Série D reserva as tardes de sexta-feira para sessões em que a empresa inteira põe “a mão na massa”; até o CEO foi obrigado a criar seu próprio agente de IA. “Se você não estiver sempre pensando em como escalar a própria atuação”, afirma o COO, “então não está à altura do seu cargo.” Moral da história: quando os líderes utilizam a IA e compartilham os resultados, dão permissão para todos também experimentarem.
A segunda camada é a convicção que nasce do compartilhamento de aprendizados. Nenhuma das empresas que examinamos recorre a métodos impositivos; o mecanismo para uma adoção genuína é a validação social. A plataforma de tecnologia para o setor de energia organiza palestras com a guilda de IA, reuniões abertas com relatos de casos de sucesso e desafios mensais de IA para equipes que não são da área de engenharia. “Não dá para ficar vigiando as pessoas para que utilizem a ferramenta”, diz o diretor de operações da plataforma; “o que funciona é as pessoas compartilharem histórias de sucesso”. Na empresa de sustentabilidade em estágio de capital-semente, prompts e fluxos de trabalho eficazes tornam-se GPTs customizados, reutilizáveis e distribuídos para a equipe. “Sempre que alguém cria um prompt ou fluxo de trabalho otimizado, ele é compartilhado com todos”, explica o fundador da empresa.
A terceira camada é o reforço por meio da mensuração. “Temos até um ranking mostrando qual o departamento que mais utiliza IA”, observa o engenheiro sênior de operações de desenvolvimento e segurança (DevSecOps). A lição: aquilo que é medido tende a ser repetido.
A quarta camada é a contratação de indivíduos com o DNA certo. O diretor de operações da fintech Série D avalia cada candidato com base no seu potencial de experimentação com IA. Ele diz que, se um candidato relata utilizar a IA apenas para resumos, “Eu penso, literalmente: ‘OK, então nossa entrevista terminou’”. O CEO da healthtech descreve esse critério como “mais uma verificação da disposição do que das habilidades”. O CEO da empresa de deep-tech aplica o mesmo padrão a todas as funções, inclusive para cargos não técnicos: “Se alguém disser ‘Nunca utilizei IA antes e faço tudo manualmente’, é quase certo que estará fora”.
Esse flywheel em quatro camadas forma um sistema que vai se autorreforçando ao longo do tempo. Quando os líderes dão o exemplo utilizando a IA, dão também confiança às equipes para experimentar. Quando os experimentos são bem-sucedidos e compartilhados, criam uma validação social que acelera a adoção em toda a organização. A mensuração torna visível essa adoção e define parâmetros de responsabilização. Por fim, a contratação de profissionais fluentes em IA garante que todo novo integrante da equipe elevará o seu patamar, tornando as três etapas anteriores ainda mais eficazes. Por outro lado, o flywheel travará na ausência de qualquer uma dessas etapas.
Possíveis vulnerabilidades
O flywheel pode falhar de duas maneiras. A primeira é a exaustão. “As pessoas podem acabar esgotadas diante do volume crescente de novas tarefas e oportunidades”, afirma o CEO da empresa de deep-tech. A segunda é esquecer que toda mudança – especialmente quando é rápida e radical – pode causar desorientação. “Para a maioria das pessoas, é algo bastante assustador”, explica o diretor de operações da plataforma de energia. “Você precisa ser compreensivo. Concentre-se em utilizar a IA para resolver problemas. Pergunte às pessoas: ‘O que mais lhe incomoda na IA? O que você realmente detesta fazer?’”. Resolva esse incômodo primeiro; a adoção seguirá naturalmente.
Iniciativas da liderança
Medir a adoção de IA por departamento, divulgar rankings de desempenho e vincular fluência em IA a avaliações de desempenho e critérios de contratação. Identificar qual das quatro camadas do flywheel (exemplo da liderança, compartilhamento de aprendizados, mensuração e contratação) é a mais fraca na organização e investir nela primeiro. Sem todas as quatro etapas, as ferramentas de IA são adotadas apenas em bolsões isolados e jamais se consolidam em capacidade organizacional.
O descompasso do modelo operacional está aumentando
Estas sete verdades são mais do que uma lista de melhores práticas. Constituem um sistema agêntico alinhado ao Rewired, o guia da McKinsey para a transformação com IA: tratar agentes como membros da equipe (Verdade 1) levanta imediatamente o dilema entre desenvolver internamente e adquirir soluções externas (Verdade 2). Desenvolver soluções próprias exige construir adequadamente a camada de conhecimento (Verdade 3), o que depende de uma arquitetura modular controlada (Verdade 4). Operar com segurança requer confiança construída gradualmente (Verdade 5). Escalar exige o desenho organizacional certo (Verdade 6). Manter o sistema exige que a adoção funcione como um flywheel cultural e não seja uma mera implementação de TI (Verdade 7).
O descompasso entre as empresas que já operam nesse sistema e aquelas que estão apenas implementando seu primeiro chatbot não é meramente tecnológico. A McKinsey chama isso de “a maior mudança no paradigma organizacional desde as revoluções industrial e digital”. É significativo que as quinze empresas participantes de nossa pesquisa tenham chegado às mesmas conclusões de forma independente, sob diferentes pressões competitivas, em setores distintos e em escalas variadas. Tal convergência sugere que estes sete princípios não são construções teóricas, mas sim o sistema operacional que emerge quando equipes que priorizam a IA descobrem, na prática, o que realmente funciona. As empresas que demorarem para agir não apenas ficarão estagnadas, mas perderão terreno para concorrentes que multiplicam suas vantagens a cada ciclo.