
Quando endoscopistas poloneses começaram a usar IA para detectar câncer, sua precisão melhorou . Mas seu desempenho em procedimentos sem IA piorou. Quando estudantes usaram IA para redigir ensaios no estilo do SAT, sua criatividade inicialmente aumentou. No entanto, aqueles que começaram com ideias geradas por IA mostraram atividade reduzida de ondas alfa (um marcador de fluxo criativo), “ tendiam a convergir para palavras e ideias comuns ” e seu “resultado era muito, muito semelhante” ao dos outros. E em um estudo de 2025 abrangendo 20 países europeus, trabalhadores em empregos altamente automatizados relataram menos propósito, menos controle e mais estresse, mesmo quando seu trabalho se tornou tecnicamente mais fácil.
Em conjunto, esses estudos capturam algumas das muitas dualidades do uso da IA no trabalho. As mesmas ferramentas que aliviam a monotonia também podem eliminar o atrito desafiador que dá sentido ao trabalho. Tais ferramentas podem facilitar o trabalho, mas também podem eliminar o esforço que constrói habilidades e satisfação.
Queríamos entender como essas tensões se manifestam dentro de organizações reais — e como líderes inteligentes estão construindo sistemas e mecanismos de proteção para lidar com elas. Em meio à euforia e às explicações vagas, partimos para descobrir o que realmente funciona. Reunimos estudos e lições de mais de 100 pessoas (entrevistando 35 delas) em nossas redes, que estão ajudando suas próprias organizações e outras a implementar IA no ambiente de trabalho, ou estudando como os desafios e as soluções estão se desenvolvendo. Esses construtores, executivos, investidores, consultores e pesquisadores de todo o mundo variam em suas áreas de especialização e otimismo em relação à IA no ambiente de trabalho. No entanto, todos são pessoas que admiramos por sua sabedoria e bom senso.
O resultado é o “ AI Transformation 100 ”, uma lista comentada de 100 ideias sobre como a IA pode acentuar os aspectos positivos e atenuar os negativos em nossos locais de trabalho. Este é o nosso primeiro projeto do novo Work AI Institute da Glean , uma plataforma de IA empresarial que ajuda equipes a encontrar conhecimento, tomar decisões inteligentes e automatizar o trabalho. Nossos objetivos eram começar a separar a experimentação da execução e a propaganda da transformação tangível, bem como entender onde a IA está impulsionando o progresso, onde está travando e onde está silenciosamente (ou ruidosamente) tendo efeitos contrários.
Havia muito ruído e muitas inconsistências nos estudos e histórias que reunimos para criar o ranking “100 Transformações da IA”. No entanto, um padrão se destacou. Os melhores líderes não falam sobre IA em termos absolutos. Eles não a tratam como salvadora ou sabotadora. Mantêm-se curiosos… e um pouco céticos. Perguntam: estamos indo longe demais ou não o suficiente? Ao longo de nossa pesquisa, cinco tensões continuaram surgindo, cada uma delas um equilíbrio delicado que todo líder precisa administrar em relação à IA.
Tensão 1: Especialistas vs. Novatos
A IA está revolucionando quem pode ser considerado especialista. O que antes exigia anos de treinamento — escrever código, analisar dados, redigir textos jurídicos — agora pode ser feito por quase qualquer pessoa com o estímulo certo. A linha que separa especialista de novato está se tornando cada vez mais tênue.
Essa mudança traz tanto oportunidades quanto riscos. Ela amplia o leque de pessoas que podem contribuir, mas também torna mais fácil confundir fluência em IA com domínio de uma habilidade ou área específica. O desafio não é escolher entre especialistas e novatos; é saber quando confiar em cada um.
Por um lado, os especialistas trazem rigor e profundidade. Eles já viram as falhas, os casos extremos, os motivos pelos quais as coisas não funcionam. Esse conhecimento é essencial, mas também pode sufocar a criatividade muito cedo. John Lilly, membro do conselho da Duolingo, nos contou sobre dois não engenheiros, sem nenhuma experiência em xadrez, que usaram IA para criar um protótipo de um curso de xadrez para iniciantes em apenas quatro meses, superando outras iniciativas internas da Duolingo. “Se você envolver especialistas muito cedo”, disse ele, “eles vão apontar todos os motivos pelos quais não vai funcionar. A IA permitiu que os não engenheiros mostrassem o que era possível, rapidamente.” E no Google, as equipes passaram de documentos extensos que detalham os requisitos do produto para uma abordagem de “protótipo em primeiro lugar” . Com a “codificação intuitiva” baseada em IA, várias fontes internas nos disseram que agora criam demonstrações funcionais antes de elaborar propostas, acelerando a iteração e evitando que boas ideias morram em comitês.
Mas ir longe demais na direção oposta traz novos riscos. Como líderes na linha de frente e pesquisadores nos enfatizaram, novatos que usam IA para imitar especialistas podem criar “IA de má qualidade” — resultados que parecem convincentes, mas desmoronam sob análise . Pesquisas de Stanford sobre quais desenvolvedores de software estão conseguindo empregos (e quais não estão) sugerem que as empresas estão contando com especialistas para combater essa falta de qualidade. Embora a contratação de desenvolvedores iniciantes tenha diminuído, a demanda por engenheiros seniores continua a crescer. A IA pode gerar um rascunho aceitável, mas não consegue replicar o julgamento, a elegância ou o pensamento sistêmico de desenvolvedores veteranos.
Para estimular a imaginação dos novatos sem abrir as comportas para a inconsistência da IA, experimente o seguinte:
Deixe os generalistas começarem, mas não terminarem.
Use IA para reduzir as barreiras de entrada para protótipos iniciais, mas certifique-se de que especialistas entrem em cena para testar, refinar e escalar o que funciona. Na Stitch Fix, o ex-diretor de algoritmos, Eric Colson, descreveu como os algoritmos analisavam o estoque e as preferências dos clientes para identificar necessidades não atendidas (como estilos, cores ou tecidos ausentes na coleção). Algoritmos personalizados, desenvolvidos pela equipe de Colson, geravam sugestões de design com base nessas lacunas. Mas, em vez de deixar o sistema aprovar a produção, a Stitch Fix encaminhava essas sugestões para designers humanos, que decidiam quais se encaixariam na marca, atenderiam aos padrões de qualidade e teriam ressonância com os clientes. Os algoritmos expandiram o conjunto de opções criativas; os especialistas o reduziram ao que valia a pena fazer.
Não exclua seus melhores funcionários do treinamento do modelo.
Alexandre Guilbault, vice-presidente de IA da TELUS, nos alertou sobre os riscos de manter os profissionais de alto desempenho excessivamente presos às suas funções rotineiras. Ele afirmou: “As melhores pessoas são aquelas que conseguem impulsionar as maiores transformações… mas, muitas vezes, as organizações querem manter seus melhores talentos nas operações”. Os líderes precisam trazer seus melhores funcionários — como médicos, técnicos, profissionais de RH e especialistas em dados — das linhas de frente para testar modelos de IA e participar de projetos-piloto desde o início, mesmo que isso atrase a execução no curto prazo. Deixá-los de fora implica o risco de construir sistemas baseados nos hábitos de profissionais medianos, em vez das ações que tornam seus melhores talentos excepcionais.
Integre especialistas às equipes locais.
Na Glean, a equipe “Glean on AI” é composta por especialistas que representam e fazem parte formalmente de diferentes funções da organização, como marketing, finanças e engenharia. Esses especialistas são responsáveis por identificar processos manuais dentro de suas respectivas áreas que podem ser automatizados e por criar roteiros para transformar esses processos em agentes orientados por IA. A equipe “AI Outcomes” da Glean aplica uma estratégia semelhante, integrando funcionários de vendas às organizações dos clientes para entender como eles trabalham e desenvolver soluções com eles, e não para eles.
Tensão 2: Centralizado vs. Descentralizado
Com a disseminação da IA, os líderes se deparam com uma questão familiar: quanto controle deve permanecer no topo e no centro — e quanta liberdade deve estar nas extremidades e nos níveis mais baixos da organização?
Algumas organizações reforçam a centralização, criando centros de excelência em IA para impor padrões, gerenciar riscos e controlar o acesso. Mas quando cada projeto piloto precisa passar por um labirinto de revisões legais, de segurança e de compras, a inovação morre em comitês, gargalos e transições malfeitas. Quando as aprovações finalmente chegam, a tecnologia já evoluiu.
Por outro lado, quando o desenvolvimento de IA se torna massivamente descentralizado, a inovação pode superar a integração. As equipes trabalham em direções diferentes, os painéis de controle se multiplicam e as soluções automatizadas se sobrepõem e, às vezes, entram em conflito. A sobrecarga resultante e a alternância incessante entre aplicativos e ferramentas fragmentadas alimentam o que o professor Paul Leonardi, da Universidade da Califórnia em Santa Bárbara, chama de exaustão digital .
Para implementar governança suficiente sem paralisar todas as boas ideias por questões processuais, tente o seguinte:
Centralizar para garantir escalabilidade e segurança; descentralizar para facilitar o aprendizado e a agilidade.
Em uma universidade americana, o centro de excelência em TI gerencia domínios de alto risco — governança de dados, integração e infraestrutura — para garantir consistência e segurança. Cada unidade de ensino executa projetos-piloto descentralizados para agilizar o processo e testar novas ideias. O diretor de TI da universidade sugeriu a seguinte regra prática:
- Alto risco, baixa experimentação (ex.: segurança de dados, conformidade): Centralizar.
- Baixo risco, alta experimentação (ex.: automação de fluxos de trabalho, testes rápidos): Descentralizar
Cuidado com os novos cargos atraentes.
Em momentos de transformação, é tentador centralizar o progresso criando novos títulos para a IA, como diretores de IA, engenheiros de IA proativos e líderes de ética em IA. Mas, com muita frequência, esses cargos se tornam simbólicos, não estratégicos — uma mera formalidade sem orçamento, autoridade ou influência real.
Diversos líderes e acadêmicos nos explicaram como centralizar a liderança em IA sob um ou dois chefes com novos títulos pode retardar o aprendizado e criar gargalos burocráticos, enquanto a descentralização excessiva pode dispersar a responsabilidade por muitas funções superficiais, descoordenadas e, às vezes, conflitantes. Em vez de adicionar mais camadas, líderes, equipes e títulos que acrescentam complexidade desnecessária ou que são vistos por dentro e por fora como meros símbolos vazios, distribua as responsabilidades de IA entre as equipes e funções existentes, onde já residem a autoridade, a compreensão do trabalho e a confiança.
Escolha uma tecnologia que imponha uma governança de nível empresarial, mas que permita às pessoas realizar seu trabalho sem entraves.
As melhores plataformas de IA fornecem mecanismos de proteção (como segurança, permissões e trilhas de auditoria), permitindo que as equipes individuais criem, testem e iterem com segurança dentro de seus próprios domínios. Antes de implementar uma plataforma interna de busca com IA, as equipes de RH da Booking.com estavam “extremamente apreensivas” com a introdução da IA. Elas temiam que informações confidenciais dos funcionários pudessem ser expostas aos colegas quando estes usassem a ferramenta para buscar recursos da empresa, como políticas e formulários de RH. Como explicou o gerente sênior de engenharia, Tadeu Faedrich: “Não queríamos que as pessoas encontrassem documentos aos quais não deveriam ter acesso”. A equipe teve o cuidado de implementar um sistema que garante que as buscas com IA revelem apenas as informações que os funcionários têm permissão para visualizar ou acessar. Dessa forma, os funcionários podem usar a ferramenta livremente em seu trabalho diário, sem se preocuparem com aprovações ou riscos à privacidade.
Tensão 3: Hierarquia mais horizontal versus mais vertical
Organogramas com muitos níveis hierárquicos sufocam o ritmo de trabalho, aprisionando decisões em vários níveis acima de onde residem os melhores dados, a experiência e o discernimento. Muitas organizações — especialmente empresas de tecnologia — estão aderindo à ideia de que “estruturas mais horizontais são melhores” . À medida que a IA automatiza a geração de relatórios e a tomada de decisões rotineiras, muitos líderes presumem que podem eliminar níveis hierárquicos e permitir que suas empresas se movam mais rapidamente. Mas hierarquia não é sinônimo de burocracia sufocante; trata-se de como as organizações lidam com a complexidade e a compreendem. Eliminar níveis hierárquicos sem redesenhar o fluxo de trabalho no sistema simplesmente desloca e, muitas vezes, amplifica o atrito prejudicial.
Um dos nossos entrevistados, Michael Arena, ex-diretor de talentos da General Motors e pesquisador veterano de redes sociais, descobriu que o excesso de horizontalização resulta em gerentes sobrecarregados que criam gargalos por não conseguirem acompanhar as decisões, crises e tarefas diárias. Especificamente, quando os gerentes lideram equipes com mais de sete subordinados diretos, muitas vezes trabalham de 10 a 13 horas por dia e ainda assim têm dificuldade para concluir o trabalho, o que os deixa sobrecarregados e esgotados.
Para decidir se é sensato achatar o organograma da sua empresa, considerando a complexidade da forma como o trabalho é realizado, leve em conta o seguinte:
Cuidado com a meia-verdade de que “o achatamento é mais rápido”.
Muitas empresas achataram suas estruturas organizacionais para agilizar o processo, mas a pesquisa de Arena e seus colegas mostra como essa estratégia pode ser contraproducente, sobrecarregando os gerentes e prejudicando a coordenação. Portanto, antes de optar pelo achatamento organizacional, Arena sugere avaliar o quanto as pessoas em sua organização trabalham em dois modos:
- Trabalho que exige concentração e não requer coordenação e colaboração complexas, como programação, redação ou análise de dados.
- Trabalho estratégico que exige interdependência (frequentemente em tempo real) e comunicação bidirecional, como construir relacionamentos com clientes, desenvolver ideias para novos produtos e serviços com uma equipe ou elaborar e comunicar a estratégia da organização.
Se a maior parte do trabalho for executada de forma concentrada por pessoas que conseguem trabalhar sem muita coordenação e comunicação constante, use agentes de IA para assumir tarefas rotineiras e aliviar a carga dos gerentes, permitindo que eles liderem equipes maiores. Se o trabalho exigir mais atenção aos detalhes, mantenha o número de pessoas subordinadas a cada gerente menor e reinvista os ganhos de eficiência da IA para que os gerentes possam dedicar mais tempo à comunicação, à prevenção de conflitos destrutivos, ao exercício do bom senso e ao fortalecimento de relacionamentos.
Use a IA para simplificar, e não eliminar, a gestão.
Delegue tarefas repetitivas e burocracia administrativa — como atualizações de status, agendamento e relatórios — para que os gerentes possam se concentrar no que só os humanos fazem bem: orientar, coordenar e tomar decisões. Na Workday, o vice-presidente de análise de pessoas, Phil Wilburn, nos contou que parou de exigir que as equipes criassem apresentações e documentos de atualização semanais. Em vez disso, dados não estruturados de conversas no Slack e planos de projeto agora fluem para um único sistema de IA. Antes das reuniões, Wilburn pede à IA que compile um resumo ou aprofunde um tópico. Como resultado, sua equipe não perde mais horas reunindo informações para ele ou respondendo a suas perguntas rápidas. A IA não substituiu a gestão — ela removeu a burocracia administrativa que a atrapalhava.
Tensão 4: Rápido vs. Lento
Os líderes de praticamente todas as empresas querem ser vistos como “iniciando em IA” — e fazer isso rapidamente tornou-se um sinal de que estão fazendo certo . Mas mais rápido nem sempre é melhor. Propaganda enganosa e discursos inteligentes podem ser produzidos muito mais rapidamente do que o trabalho lento e meticuloso de reprogramar a forma como as pessoas realmente trabalham. O verdadeiro desafio não é ir cada vez mais rápido, mas saber onde acelerar e onde desacelerar.
Em muitas organizações, a pressa e a impaciência alimentam as lacunas entre a tomada de decisões e a implementação: os líderes agem rapidamente para adotar novas ferramentas, mas não param o suficiente para corrigir sistemas falhos ou entender como a tecnologia se encaixa nas restrições, hábitos e fluxos de trabalho existentes. Como resultado, as decisões de “fazer algo novo” levam muito mais tempo para serem implementadas do que o esperado (se é que chegam a ser implementadas). A adoção torna-se desigual, atrasada ou silenciosamente abandonada. A promessa de maior eficiência e confiabilidade da IA se desvanece quando os líderes tentam impô-la a organizações que não possuem os sistemas, incentivos e habilidades necessários para colocá-la em prática.
Ouvimos um exemplo de lacuna entre decisão e implementação relatado por Hatim Rahman, professor da Universidade Northwestern, que descreveu um projeto hospitalar no qual sua aluna de doutorado, Jodie Koh, estuda como a IA está sendo introduzida para melhorar o acesso a diagnósticos médicos. O treinamento dos modelos de IA requer milhares de imagens de ultrassom, especialmente exames repetidos dos mesmos pacientes ao longo do tempo. No entanto, a pressão por eficiência na área da saúde levou os médicos a minimizar o número de imagens por paciente para economizar tempo e dinheiro. A obtenção do consentimento do paciente para o uso de suas imagens gera atrasos adicionais. E o progresso é ainda mais lento porque os departamentos de imagem que precisam colaborar para implementar ferramentas de IA muitas vezes não o fazem. Rahman nos contou que eles têm poucos incentivos para isso — e às vezes um histórico de conflitos interdepartamentais desagradáveis. Os técnicos também resistem ao projeto de IA porque temem que os dados resultantes sejam usados para monitorar seu desempenho, aumentar a carga de trabalho ou justificar cortes de empregos. Como resultado, o processo de coleta das imagens necessárias está se arrastando por muito mais tempo do que os líderes previram quando a implementação começou.
O investidor James Cham, sócio da Bloomberg Beta, nos contou sobre uma startup de IA que tentou evitar esse tipo de entraves. Eles isolaram uma pequena equipe do restante da empresa, transferiram-na para um escritório separado e deram-lhe um mandato claro: construir fluxos de trabalho de ponta a ponta que o software pudesse executar sem intervenção humana. Na prática, isso significava transferir o trabalho de “gestão” da supervisão de pessoas para a supervisão de ferramentas baseadas em IA que realizavam o trabalho por conta própria — ferramentas que, por exemplo, podiam revisar, escrever e corrigir código com base em bugs detectados em produção. (Matt Beane, professor da UC Santa Barbara, e seus colegas descrevem esse trabalho como gerenciar “frotas” de agentes autônomos.) A separação e o isolamento dessa equipe na startup de IA permitiram que ela avançasse mais rapidamente do que o restante da organização, mas ainda é cedo para dizer se essa velocidade se traduzirá em algo que a empresa como um todo possa adotar e sustentar.
Para equilibrar a pressa de agir rapidamente com a disciplina de desacelerar onde é necessário, experimente o seguinte:
Proteja o modo lento.
Incorpore obstáculos ao trabalho criativo e estratégico, incluindo pontos de verificação, períodos de incubação e rituais de reflexão. Perry Klebahn lidera a aceleradora Launchpad da Stanford d.school, onde mais de 100 empresas foram fundadas na última década. Klebahn relata que a IA tornou muito mais fácil para os fundadores da Launchpad que ele orienta gerar protótipos e iterar rapidamente. Mas essa mesma facilidade e velocidade, diz Klebahn, às vezes prejudica o profundo comprometimento, a determinação e o senso de responsabilidade que os fundadores precisam para transformar ideias promissoras em empresas viáveis. Ele explica: “Os fundadores costumavam dizer ‘minha ideia’ ou ‘nosso protótipo’. Agora eles dizem ‘esta ideia’”.
Essa mudança incomoda Klebahn porque ele acredita que, quando as ideias surgem com muita facilidade, as pessoas param de lutar por elas. É uma versão moderna do que os psicólogos chamam de efeito “o trabalho leva ao amor “: quanto mais nos esforçamos por algo, mais o valorizamos, a fim de justificar nossos esforços para nós mesmos e para os outros. A chave é saber quais partes do processo se beneficiam da execução rápida e quais exigem a reflexão lenta e a luta que permitem que as ideias originais alcancem seu potencial.
Recompense o aprendizado, não o exibicionismo.
Rebecca Stern, diretora sênior de aprendizagem e desenvolvimento de liderança da Udemy, nos contou sobre os eventos de aprendizagem em IA que a empresa promove em toda a organização, chamados de “U-Days”. Em vez de apenas celebrar demonstrações chamativas, a Udemy divide os prêmios em três categorias: maior impacto nos negócios, melhoria mais mensurável e feedback mais relevante dos colegas. O objetivo não é premiar quem age mais rápido ou impressiona mais, mas sim recompensar as pessoas com ideias e que oferecem feedbacks que podem impulsionar mudanças mais profundas.
Execute o teste de “resíduo de IA”.
Uma característica marcante de toda moda tecnológica e de gestão é que fornecedores, fundadores e equipes internas recheiam sua linguagem com jargões da moda para disfarçar raciocínio superficial, ideias fracas e soluções não testadas. Infelizmente, o termo “IA” é usado com muita frequência dessa forma. Sugerimos que, após ouvir uma apresentação, pare, risque todas as ocorrências do termo IA (e jargões relacionados, como “algoritmos de ponta”, “aproveitamento de big data” e “soluções escaláveis”). Leia novamente. Se o que restar for vazio e superficial, parabéns — você pode “rejeitar” a apresentação e economizar tempo e dinheiro.
Tensão 5: Mudança de cima para baixo versus mudança impulsionada pelos pares
Outra tensão que observamos foi o quanto a transformação da IA deveria ser liderada pela alta administração versus impulsionada pelos colegas. Políticas, princípios e liderança de cima para baixo são essenciais para fomentar o uso e o aprendizado de ferramentas de IA em toda a empresa (ou qualquer outra mudança sistêmica). Dados da Worklytics mostram que as equipes tinham duas vezes mais chances de adotar ferramentas de IA quando seus gerentes as utilizavam primeiro. No entanto, quando há muita pressão de cima para baixo para qualquer mudança, isso pode gerar resistência e conformidade meramente formal: os funcionários apenas cumprindo requisitos em vez de mudar a forma como trabalham.
Por outro lado, depender demais de esforços e energia vindos de baixo para cima leva à fragmentação e ao desgaste — focos isolados de experimentação que nunca escalam. Um diretor de tecnologia comparou isso a ter centenas de pequenos barcos a motor correndo em direções diferentes, atrasando a empresa porque seus esforços não são coordenados. Os melhores líderes encontram o equilíbrio, definindo a direção de cima para baixo, ao mesmo tempo que incentivam e recompensam os esforços vindos de baixo para cima.
Para equilibrar a orientação de cima para baixo com o entusiasmo e o comprometimento de pessoas em toda a sua organização, experimente o seguinte:
Crie um ritmo de mudança.
Em uma varejista listada na Fortune 20, o CEO mantém a IA como um tópico fixo em sua reunião mensal com centenas de vice-presidentes. Um comitê diretivo multifuncional se reúne regularmente para alinhar a adoção, a governança e os casos de uso entre as áreas de finanças, RH, tecnologia e operações. E as reuniões departamentais de equipe terminam com o mesmo ritual: um breve “momento IA”, onde os líderes se revezam compartilhando o que tentaram, o que está funcionando e o que não está. O resultado: as iniciativas de IA permeiam todos os níveis da organização e se tornaram parte do ritmo operacional da empresa, e não um projeto paralelo.
Planeje para que a maioria dos experimentos falhe.
Um vice-presidente de uma empresa da Fortune 500 nos disse que aproximadamente 80% dos projetos de IA não atingem suas metas iniciais de produtividade. Portanto, eles não redesenham ou eliminam funções até terem evidências convincentes de que a IA aumentará a eficiência e a confiabilidade.
Sugerimos que, ao impulsionar mudanças de cima para baixo, os líderes encarem uma alta taxa de falhas como algo normal, esperado e até mesmo bem-vindo ao implementar algo novo. É fundamental incorporar ciclos de avaliação para analisar e registrar o que funcionou, o que não funcionou e por quê, com base na perspectiva dos funcionários em níveis hierárquicos inferiores — para que o fracasso alimente o aprendizado em vez da frustração e da busca por culpados.
Meça o que importa.
Como parte dos esforços de mudança impostos de cima para baixo, estamos vendo muitas empresas mensurarem a atividade de IA — cliques, logins ou número de solicitações — em vez do impacto. Por exemplo, uma empresa da lista Fortune 100 chegou a classificar os funcionários pelo uso de ferramentas de IA e enviar rankings semanais. Outra vinculou a “atividade de IA” às avaliações de desempenho.
Nan Guo, vice-presidente sênior de engenharia da Zendesk, compartilhou como, em vez de monitorar indicadores superficiais de “uso”, como logins ou número de solicitações, sua equipe criou um scorecard equilibrado com seis métricas de produtividade de engenharia: cinco operacionais (tempo de ciclo, tempo de ciclo de revisão de código, frequência de merge, taxa de falha de alterações e número de implantações) e uma métrica de engajamento que captura como os engenheiros se sentem em relação às suas ferramentas. Em nossa experiência, focar no impacto em vez da atividade oferece às pessoas uma orientação mais clara sobre o que os líderes valorizam, permitindo que as equipes, de baixo para cima, adotem a IA de maneiras que realmente melhorem seu trabalho.
Formalizar redes de pares.
Na Uber, Manjari Agochiya, líder de estratégia de IA empresarial, nos contou que lançaram uma chamada aberta para casos de uso de IA. A chamada gerou cerca de 150 ideias, mas, mais importante, revelou 53 pioneiros em IA em diversas áreas. Esses funcionários já estavam experimentando, compartilhando aprendizados e criando protótipos. Eles se tornaram a primeira rede real de campeões de IA da Uber, formando a espinha dorsal de sua comunidade interna de aprendizado entre pares.
Em outras organizações que estudamos, esses tipos de redes de defensores da IA frequentemente impulsionam o engajamento, fortalecem o moral entre as diferentes áreas e abrem novas oportunidades de visibilidade e ascensão profissional — especialmente para os funcionários não técnicos que muitas vezes se destacam como defensores pioneiros. Em uma organização, por exemplo, um líder de vendas que começou a experimentar IA em seu trabalho diário rapidamente se tornou o especialista interno de referência e, posteriormente, foi escolhido para ajudar a liderar os esforços de adoção de IA da empresa em geral.
Liderando com sucesso no mundo nebuloso da IA
A transformação da IA é um ato de equilíbrio, e líderes e organizações precisam lidar com forças conflitantes. Líderes inteligentes não pendem cegamente para um extremo ou outro. Eles mantêm a curiosidade e encaram as tensões como características e limitações do projeto — algo a ser gerenciado e explorado — e não como falhas ou problemas incômodos que podem e devem eliminar.
Por fim, prever exatamente como a IA irá e deverá moldar as organizações é uma tarefa inglória. Os líderes que tiverem sucesso não serão aqueles que tiverem crenças fortes, inflexíveis e imutáveis. As pesquisas e as lições práticas sobre a implementação da IA no ambiente de trabalho são incipientes, complexas, em constante mudança e (muitas vezes) contraditórias. Qualquer conclusão sobre o melhor caminho a seguir é, na melhor das hipóteses, provisória.
O desafio para os líderes nos lembra uma antiga (e provavelmente apócrifa) história sobre o aviso de um reitor da Faculdade de Medicina de Harvard aos calouros no primeiro dia de aula: “Cinquenta por cento do que ensinamos a vocês se revelará errado. O problema é que não sabemos quais 50%”. Da mesma forma, quando se trata de IA, os líderes sábios e bem-sucedidos serão aqueles que forem humildes o suficiente e construírem organizações flexíveis o bastante para que eles e suas equipes possam continuar aprendendo e se atualizando conforme o cenário muda.
Fonte: HBR
