“Se você não sabe para onde ir, qualquer caminho serve” (Cheshire, o Gato Risonho de
Alice no País das Maravilhas)

Um relatório recente, intitulado The GenAI Divide: State of AI in Business 2025, do projeto Nanda (Networked Agents and Decentralized AI), iniciativa do MIT (Massachusetts Institute of Technology), dos EUA, que busca desenvolver a inteligência artificial, quantificou com precisão desconfortável o que está acontecendo agora em milhares de empresas que compraram licenças de IA generativa sem antes responder à mesma pergunta que o Gato fez a Alice, no famoso livro de Lewis Carroll.

Apesar dos US$ 30 bilhões a US$ 40 bilhões investidos globalmente em IA generativa nas corporações, 95% delas não veem retorno mensurável. E os mesmos executivos que reportam projetos internos travados usam ChatGPT ou Claude pessoalmente, todos os dias, sem ver problemas nisso. A falha não parece vir do modelo. O gap está no processo.

O relatório do MIT desmonta alguns mitos sobre IA nas corporações. “Ela já ‘transformou’ os negócios”: apenas 5% das empresas têm ferramentas do tipo integradas em escala; e sete de nove setores não mostram nenhuma mudança estrutural. “Empresas são lentas para adotar tecnologia”: cerca de 90% delas já avaliaram seriamente a compra de uma solução de IA.

“O obstáculo é a qualidade do modelo, o jurídico ou os dados”: o obstáculo real é que a ferramenta não melhora fluxos de trabalho confusos e ineficientes… Tudo aponta para um denominador comum: adoção sem propósito produz atividade sem foco.

Enquanto isso, do outro lado do espectro, Ezekiel Emanuel, um dos mentores intelectuais e executores do Patient Protection and Affordable Care Act (ACA, apelidado de Obamacare), publicou, com colegas, no Journal of the American Medical Association (JAMA), um artigo que poucos gestores de saúde vão gostar de ler.

O texto explica que, em cinco tarefas cognitivas médicas fundamentais — coletar história clínica, formular diagnóstico diferencial, escolher exames, prescrever tratamento baseado em evidências científicas e gerenciar doença crônica —, a IA sozinha, em diversos estudos controlados, já supera tanto o médico isolado quanto o híbrido médico-IA.

E, quando a IA já é superior em alguma atividade, inserir o humano “no pacote” piora o resultado. A explicação oferecida pelos autores para isso é a aversão humana ao algoritmo, ou seja, a resistência em aceitar decisões de IAs. Irônica e paradoxalmente, quanto mais experiente e especialista é o profissional, maior tende a ser essa rejeição, especialmente em situações de alto risco.

20 vezes mais rápido, mas na direção errada

Um terceiro texto, dessa vez da empresa CI&T, em parceria com a MIT Sloan Review Brasil, diz que é possível, sim, ter com IA o que qualquer executivo sonha: ganhos de produtividade de até 20 vezes, ciclos de desenvolvimento que caem de meses para dias, reinvenção completa do modelo de negócio…

O artigo, no entanto, é honesto ao admitir que, sobre isso, há um fracasso generalizado por conta da cultura organizacional, dos processos lineares desenhados para humanos e da ausência de governança.

O fundamento do sistema lean que aprendi a respeitar há décadas começa sempre pelas mesmas perguntas, que o texto da CI&T também recomenda: que problema queremos resolver? Para quem? E como vamos medir valor? Sem essa disciplina anterior ao uso da IA, trata-se de apenas chegar 20 vezes mais rápido ao destino errado.

Jogando o bebê fora junto com a água do banho

Tom Nichols descreveu um risco simétrico e oposto bem antes de a IA generativa existir. Em The Death of Expertise, ele alertava que a internet dava a qualquer leigo a ilusão de fluência especializada e que isso corroía a disposição da sociedade em reconhecer que, sim, conhecimento vale mais do que opinião.

De um lado, temos gestores que tratam a IA como oráculo e abandonam o julgamento clínico ou estratégico apenas por preguiça ou comodidade — e um pouco de bajulação, hábito comum das IAs —, mas não por falta de evidência.

Vejo cada vez mais relatórios técnicos lindos, com formatação impecável, mas conteúdo totalmente fútil e descartável. O mais recente possuía oito páginas que poderiam ser resumidas em uma tabela de meia folha no formato A4.

Na economia da atenção, no LinkedIn e em outras redes sociais, a história se repete por meio de lindos gráficos com conteúdo prático pouco compreensível ou irrelevante. Nos congressos profissionais, agora temos apresentações de slides elegantes, repletas de imagens criativas — a grande maioria ilegível — e tampouco relevantes. Essa é a nova moda: a IA produz conteúdo que ninguém entende ou usa de forma produtiva, mas é IA. Antigamente, a gente chamava isso de desperdício.

O outro lado desse problema é o risco de usar os fracassos de um uso ou de uma implementação mal projetados (os “95%” do MIT e os exemplos acima) como munição para descredibilizar toda decisão orientada por competência técnica, inclusive quando essa competência é exatamente o que não foi demandado nesse processo.

Nichols nos lembra que o problema nunca foi confiar em expertise, mas acreditar nela sem entender limites e objetivos. E agora corremos o risco inversamente proporcional de desconfiar de toda especialidade, humana ou artificial, só porque ninguém definiu claramente o problema que estava tentando resolver.

A migração da decisão

É aqui que as chamadas Organizações de Alta Confiabilidade (HROs – High Reliability Organizations), instituições que operam em ambientes extremamente complexos — porta-aviões, usinas nucleares, controle de tráfego aéreo, times cirúrgicos de elite… —, trazem um pouco de luz sobre esse dilema.

Elas não decidem por hierarquia, mas por competência situacional. O conceito é conhecido como “migração da decisão”: a autoridade decisória migra, momento a momento, para quem detém a expertise mais relevante para aquele problema específico, independentemente de cargo, senioridade ou o que quer que seja.

Isso é a deferência disciplinada ao processo: reconhecer que, em certas decisões, o enfermeiro à beira do leito, o piloto no cockpit ou, cada vez mais, um modelo de linguagem bem calibrado para uma tarefa específica sabem mais do que o executivo na sala de reunião. E, principalmente, reconhecer também o inverso: que há decisões — as de propósito, direção e valores — que nenhuma migração deveria tirar da liderança humana.

O pensamento lean adota o slogan “problemas são tesouros” como uma prática explícita de migração de decisão. Tornar as falhas visíveis e falar abertamente sobre elas facilita o processo de identificar e migrar desvios para destinatários realmente habilitados a tratar disso. É rápido, simples e eficaz.

Organizações que fracassam com IA não fazem isso porque a ferramenta é ruim ou porque confiam demais nela, mas pelo fato de não serem capazes de fazer a decisão migrar até o destino certo — para a expertise humana quando ela é insubstituível ou para o algoritmo quando ele já é comprovadamente melhor.

Os 3Ps continuam ditando a regra

Sem essa compreensão, a falta de propósito vira falta de clareza na geração do prompt, combinada a processos que continuam caóticos e incompatíveis com o novo cenário. Produzimos processos e relatórios elegantes com ganhos irrisórios de produtividade — ou até contraproducentes — disfarçados de transformação digital.

A pergunta que resta não é se a IA é capaz. A pergunta é se as lideranças organizacionais — as pessoas — vão refletir sobre seus propósitos, para onde querem ir e sobre como transformar processos e sistemas para explorar os potenciais ganhos exponenciais associados ao uso da IA generativa.

No final, o Gato continua com a razão: qualquer caminho serve quando ninguém sabe para onde ir.